个性化学习

定义

个性化学习指围绕学习者的能力、兴趣、优势与薄弱环节来安排学习活动，使学习者能够按自己的步调、以适合自己的方式推进学习^[1]。国际研究文献通常把它与个别化学习、差异化学习、基于能力的学习、技术赋能学习、数据驱动决策等做法并列，视为同一类教育取向下的不同实现方式^[1]。也有研究把它的要义概括为依据学生在能力、兴趣和学习方式上的个体差异，定制专属的学习方案与资源，以提升学习效果并培养自主学习能力^[2]。

与个性化教育相比，个性化学习的主体落在学生一侧：个性化教育强调教师依据学生特点组织内容与方法，学生仍处于接受位置；个性化学习则由学生自主选择学习内容与方式，教师转而提供资源与帮助^[3]。其核心特征包括以学生为中心、赋予学生选择权、采用差异化路径、支持灵活进度，以及构建开放多样的学习环境^[3]。中文语境中，这一概念常与源自孔子教育思想的因材施教传统相互参照，但后者被视为一种教育理念与原则，个性化学习则更强调个体自主性与多元目标^[4]。

从政策层面看，中国教育部在 2020 年提出，个性化教育将成为高等教育普及化阶段的重要特征，要求尊重学生个体独特性，做到因材施教^[5]。2025 年发布的《教育强国建设规划纲要（2024—2035 年）》进一步提出探索数字赋能大规模因材施教的有效途径，把个性化学习与规模化实施结合起来^[6]。

原理

个性化学习的实现通常依赖对学习者的持续建模。典型系统包含三部分：知识领域模型把学习内容组织为知识点及其先后关系；学习者模型记录学生的知识状态、学习目标与交互行为，并通过测评不断更新；教学模型依据学习者在各知识点上的水平，选择下一步最适合的内容^[7]。三者之中学习者模型最为复杂，被视为实现个性化学习的关键^[7]。

在自适应学习系统中，学习者的掌握程度可以表示为随作答不断更新的概率状态，系统据此调整内容顺序、难度与节奏。相关研究把这一过程拆解为事件驱动的数据采集、在线学习状态估计、序列预测与受约束的课程策略优化等环节^[8]。也有研究将强化学习用于学习路径规划，用聚类、决策树与马尔可夫决策过程刻画学生画像并生成连贯路径^[2]；另有工作把进化算法用于全局课程优化、强化学习用于实时调整，并引入基于 KL 散度的触发机制来重新分配资源^[9]。

从技术谱系看，个性化学习与自适应超媒体同源。自适应系统之所以区别于普通系统，在于它维护显式的用户模型，用来表示用户的知识、目标与兴趣，从而在同一情境下对不同用户作出不同处理；其手段包括自适应内容选择、自适应导航支持与自适应呈现^[10]。在教育场景中，这些手段分别对应挑选最相关的学习材料、对链接作隐藏或排序注释、以及依据学习者水平生成不同详略的页面内容^[11]。

发展历程

个性化学习的思想渊源较早。中国教育传统中，孔子对不同弟子就同一问题给出不同回答，后人将其概括为因材施教；《礼记·学记》也论述了针对学生不同偏差施以不同教育的主张。近代的班级授课制改革中，设计教学法、道尔顿制，以及后来的分层教学、走班制、小班化教学，都被视为对个性化学习的探索，但这些实践大多仍在集体教学的框架内展开^[3]。

计算机进入教育领域后，个性化开始借助程序实现。20 世纪 90 年代初出现了自适应超文本的早期研究，随后自适应超媒体逐渐形成独立研究领域^[10]。1990 年出现了首批智能教科书，其个性化依靠领域专家完成知识工程，为教材标注知识点、建立领域模型，并以加权覆盖的方式动态表示学习者知识状态^[12]。研究者 Peter Brusilovsky 及其合作者在 20 世纪 90 年代中期开展了自适应网络系统的开创性工作^[13]。

第一批兼具智能与自适应特征的网络教育系统出现于 1995 年至 1996 年^[14]。此后系统形态从实验室原型逐步走向完整框架与写作工具，InterBook、AHA! 等自适应超媒体框架在功能上接近商业化的网络课程开发工具，商业课程管理系统也开始关注自适应与个性化功能^[15]。

进入大数据与人工智能阶段后，自适应学习系统开始引入学习分析与机器学习，提供学习内容与路径推荐、智能辅导等支持^[16]。AutoTutor、Knewton、QuizBot、Knowre、Smart Sparrow 等系统陆续出现，中国的松鼠 AI、学霸君等产品也属于这一类型^[16]。近年研究转向大语言模型与学科模型协作，把学习风格模型作为调整内容呈现方式的参考^[17]。

应用

在课堂教学中，个性化学习的落地形式包括保留班级建制而调整课程、进度、路径与目标。长沙芙蓉区的实践将同班异课、同班同课异学、同班同课同标异法、同班同课异标异进、同班跨科异融等五种课堂样态组合起来，围绕需求、供给、过程、目标、成果形成闭环^[18]。数智技术支持下的实施框架则按识材、施教、发展三个层级展开，涵盖目标、内容、过程、结果与学习环境五个要素^[19]。

在在线与混合学习环境中，个性化学习主要体现为资源推送、路径推荐与差异化作业。平台依据学情数据自动推荐学习资源并开展自适应学习，同时借助作业辅导工具在设计作业形式、难度与完成方式上体现差异^[19]。在高等教育与继续教育领域，学习者更多自行规划课程与项目，选择与自身兴趣和职业目标相符的方向^[1]。

在资源匮乏地区，数字化个性学习工具也被用于基础读写与算术教学。肯尼亚学前教育阶段推行的工具安装在低成本安卓手机上，依据学习者在应用内的作答、进度与参与情况，用长短期记忆神经网络预测并选择最能维持参与度的学习单元，同时为教师提供教案与进度看板^[20]。这类设计采用宏观层面的适应性，即调整学习单元的先后顺序，而不改写练习内容本身^[20]。

局限

个性化学习的效果高度依赖实施方式与情境。多篇综述与元分析显示，个性化学习在多项结果上具有潜力，但成效取决于如何落地以及所处的环境；已有综述在时间跨度、数据库覆盖、灰色文献纳入和研究质量评估等方面存在方法学不足^[21]。也有研究者指出，把学习风格与教学方式相匹配的做法，其证据基础相当薄弱。

学习风格匹配假说是争议集中的一环。有学者指出，经过 30 多年的教育研究，并无独立证据表明视觉、听觉、动觉等学习风格分类具有直接的教育收益^[22]。2025 年一项综述将个人化逻辑区分为三种：风格与教学的直接匹配，证据薄弱、混合或不确定；纳入风格的适应性系统，部分研究结果积极但因果关系难以分离；基于人工智能与数据的动态个性化，方法学上有前景但效果检验仍不充分。该综述认为，积极结果较少来自严格的匹配，更多来自系统在资源多样化、路径排序、难度调整与情境化反馈方面的整体设计。

技术路径本身也有边界。早期智能教科书依赖昂贵的知识工程，难以规模化^[12]。实时自适应系统虽在预测准确率、学习增益与响应延迟等指标上表现优于静态课程排序等基线，但其结论来自特定实验条件，向不同学段与学科推广仍需验证^[8]。路径推荐若优化不当，还会出现违反先修关系的无效跳转，有研究在 1850 名学习者中发现 68% 曾出现此类跳转，并因此降低学习效率^[9]。

从教育立场看，个性化学习不应被理解为放弃统一课程。有研究明确指出，个性化学习并非抛弃标准教学，而是通过契合每个学生的路径去实现它^[1]。也有学者提醒，把偏好固化为教学决策的自主标准，可能把注意力从关注差异转移到给学生贴标签。

参见

• 因材施教 —— 中国教育传统中依据学生差异施教的原则，被视为个性化学习的思想渊源之一。

• 自适应学习 —— 依据学习者实时数据动态调整内容与路径的技术路径，是个性化学习的主要实现方式。

• 智能教学系统 —— 运用领域知识与学习者模型开展个别化辅导的计算机系统。

• 学习分析 —— 对学习过程数据加以采集与分析，为个性化推荐与评价提供依据。

• 掌握学习 —— 强调按个人进度达到掌握标准后再进阶的教学模式。