现代学习环境始于夸美纽斯的“课堂教学体系”。随着科技的发展，技术强化学习逐渐进入课堂，并经历了四个变化（Adu和Poo2014)：a）电子学习，b）移动学习，c）u-learning，和d）s-learning（智能学习）。在这样的背景下，技术强化学习环境也从电子学习环境演变为智能学习环境（SLE）。作为一种高端形式的电子学习（Huang等人。2012)SLE由两类技术构成：智能设备技术（如物联网、可穿戴设备）和智能技术（如学习分析、云计算（Gros2016). 这两种技术使智能学习环境具有跟踪学习过程、识别学习场景、感知物理环境、连接学习社区、自适应功能和自然交互等特征（Huang等人。2013;Zhu等人。2016)，为学习者带来了更多的灵活性、有效性、适应性、参与度、动力和反馈（Spector2014). 因此，SLE应该能够有效地促进个性化学习和适应性学习的发展。
事实上，个性化学习和适应性学习一直是系统性红斑狼疮的核心目标。Huang等人(2013)将SLE定义为促进有效学习的学习场所或活动场所。Kinshuk在访谈中提到，个性化学习和适应性学习是SLE主要关注的两种有效学习（Yang et al。2015). 当前技术的发展使得个性化学习越来越具有适应性，适应性学习越来越个性化。这种趋势在支持智能技术的SLE中更加明显。随着这一趋势的发展，一种改进的教学方法，即个性化自适应学习（PAL）。新的个性化学习方法是自动的，使用基于自动系统收集的数据的决策；它适应学习者的实时学习条件，使学习内容和活动满足学习者的个人特点和需求。本文旨在探索个性化学习新形式的核心概念，构建合适的框架，为学者开展后续研究和教育工作者探索在自动化学习支持系统时代实现个性化和适应性学习的实用途径提供参考。
综述：个性化自适应学习的发展
个性化自适应学习的出现是由于大数据技术的兴起，数据生成的方式越来越多，速度越来越快，这催生了第四种科学研究范式——数据智能科学（Hey等人。2009). 在数据密集型科学的影响下，个性化自适应学习已成为第五代教育技术研究范式（朱和沈2013). 基于大数据，它已成为数字学习环境的重要组成部分（Zhu和Guan2013).
事实上，个性化学习的智慧可以追溯到孔子的“因材施教”和苏格拉底的启发式教学理论。课堂教学制度流行后，曾一度陷入长期低谷。随着“以学生为中心”成为教学的核心理论，个性化学习再次受到人们的追捧，成为教育改革的新目标。传统的个性化学习主要通过特殊的教学系统和组织形式实现，如古代私立学校教育（吴2015)以及当前的选修课系统。技术的融合催生了一条新的发展道路：技术赋予个性化学习能力。
基于个性化技术的个性化学习的典型事件是斯金纳教学机器和程序教学理论（Wleklinski2017). 自此，个性化学习开始具有适应性的特点。受技术水平的限制，最初以技术为动力的个性化学习，如计算机化自适应测试（CAT），主要基于简单的规则或标准（Weiss和Kingsbury1984). 其本质就是根据学生的反馈信息，将其转移到预定的学习路线的某个地方。它的准确性和灵活性很低。随着科技的发展，个性化学习逐渐变得更加复杂。典型的代表是Knewton平台。它区分并指导持续个性化学习过程（Green-Lerman2015)通过知识地图，实时监控和响应学生的活动（交流、协作和游戏）（Knewton2017). 但Knewton平台的个性化数据主要来自测试答案记录，与整个学习过程的记录仍有一定差距（Wan和Wang2016).
大数据的兴起使得记录和解释学生在各个学习方面的个人特征和实时状态成为可能。根据美国教育部的一份简报，大数据在教育领域的应用主要是教育数据挖掘和学习分析（美国教育部2012). 二者的合作可以更有效地促进记录的学习数据在评估学习过程、预测未来表现和识别潜在问题方面的使用（朱和关2013). 基于此，Zhu的研究团队设计了一个具有三个数据流反馈回路的个性化自适应学习系统（Zhu和Shen2013)它清楚地概述了个性化自适应学习的结构和机制。
分析：比较个性化自适应学习的两大支柱
对于个性化学习、适应性学习和差异化教学之间的关系，目前有两种主流观点：一是前者的包含关系包含后者，二是三者的重叠关系（如维恩图）。对其多重定义的分析表明，这两种情况都存在。
个性化学习与适应性学习的异同
个性化自适应学习是个性化学习和自适应学习的结合。表中显示了过去的各种定义1.表的左侧1是美国教育部、英国教育通信与技术署和中国学者李克东教授对个性化学习的定义列表（该定义得到了中国许多学者的认可）。虽然每个定义都有其优先性，但强调了三个共同的核心要素，即个人差异,个人需求和个人发展（也称为个人愿景）。这些要素得到了国际K-12在线学习协会（INACOL）的确认2016)教育和技能部2006)，梦幻盒子(未注明日期。)以及许多学者的其他研究。
表右侧的前两行1是新媒体联盟（NMC）和美国高等教育信息化协会（EDUCAUSE）对适应性学习的定义列表。这两个定义与主流观点一致：将适应性学习视为一种技术。这是因为自适应学习源于人工智能，并得到智能技术的支持。学者约翰·沃特斯（John K.Waters）从教育学的角度描述了适应性学习的本质：技术支持的教学方法（表右侧第三行）1). 无论是作为技术还是教学方法，这三个要素都是相同的：个体差异,个人表现e、 和自适应调整从这个意义上说，这种个性化自适应学习的修订形式并不是新的。相反，它建立在先前尝试的基础上，以使学习更有个人意义。
个性化学习、适应性学习和差异化教学的深入分析
直观地说，个性化学习和适应性学习都关注个体差异，这主要是个体特征，是差异化教学的目的。监督与课程开发协会（ASCD）的定义就是对这一目的的解释：差异化教学是一种教育者针对学生的差异积极规划的教学，以便所有学生都能学得最好。在差异化教学课堂中，教师将其时间、资源和精力分配给具有不同背景、准备、技能水平和兴趣的学生，以有效地进行教学（ASCD2018). 根据美国教育部的定义，在差异化教学中，所有学生都有相同的目标，但教学方法不同（美国教育部、教育技术办公室2010). 很容易得出这样的结论：个性化学习和适应性学习都包含差异化教学的概念，这在过去是为特殊需要的学生保留的。
此外，个性化学习中的个体差异包括两个部分：个体特征和非个体特征。后者实际上是个人需求和个人发展的一个方面。根据个人需求的定义，即学习者当前状态与预期状态之间的差距，学生需求的差异由当前状态和预期状态决定。前者可以是个人特征的一部分，后者可以归因于个人发展。这样，个性化学习的核心要素可以细化为两个方面：个人特征和个人发展个性化自适应学习的一个新方面是认识到个体学习者的兴趣和愿望与教育相关。
上述适应性学习的定义并不表明它强调学生的个人发展。因此，适应性学习中的个体差异主要与个体特征的差异有关。因此，自适应学习的核心要素可以修改为个人特征,个人表现和自适应调整比较两种学习方法的新核心要素，个性化学习没有提到实施策略，但适应性学习提到了实施策略（自适应调整）。个性化自适应学习的第二个新方面是强调实际上支持个人发展的设计和实现。
构建相关学习方法之间的关系图
综上所述，个性化学习、适应性学习和差异化教学的学生数量没有限制。因此，它们不是个性化教学。然而，与其他两种方法相比，它最依赖于高端自适应学习技术，更关注每个人的具体情况。此外，从个性的角度来看，差异化教学侧重于个体特征的差异，个性化程度最低；适应性学习排在第二位，它上升到个人表现的水平；个性化学习是最高的，达到个人发展的追求。这些在图中进行了直观描述1.
核心概念：个性化自适应学习的价值
结合个性化学习和自适应学习的核心要素，也可以提出个性化自适应学习的关键要素：个人特征,个人表现,个人发展、和自适应调整。前三个代表个性化自适应学习的三个个性化水平。第四部分指出自适应调整教学策略以实现这三个个性化水平。像适应性学习一样，这种策略与赋予技术权力密不可分。基于这四个要素，个性化自适应学习可以定义为一种技术驱动的有效教学法，它可以根据实时监控（智能技术支持）学习者在个人特征、个人表现、，和个人发展。
这一核心概念背后的假设与适应性学习的假设相同，即适当就是最好的。由于每个人在各个方面都不同，处于不断变化的状态，因此有必要亲自实时监控他们，并以自适应的方式调整教学，以确保教学策略始终适合每个学生。此外，这一概念与智慧教育一样，需要坚持“技术促进教育而非引导教育”的观点（Zhu等人。2018). 这是因为，到目前为止，为教学创造的技术很少，技术所追求的便利并不是教育所追求的（朱和伟2018)这是促进人类发展的有效性。
框架：个性化自适应学习的写照
基于上述核心要素和核心概念，构建了个性化自适应学习框架。如图所示2水平轴是表征当前个人表现的适应轴，垂直轴是表征个人发展的人格轴。两轴交叉作为个体特征，代表个性化学习和自适应学习共享的差异化教学。
实现个性化自适应学习的三种方法
实现个性化适应性学习有三种途径：1）根据个体特征的差异调整教学策略（循环）；在第一种方法的基础上，2）结合当前个人表现的差异和变化（水平椭圆）调整教学策略；结合个人发展视野（垂直椭圆）的差异和变化，调整教学策略。这三种方法都可以通过基于数据驱动决策的自适应调整教学来实现。数据驱动决策是框架的核心中心。
第一种方法是升级差异化教学策略。传统的差异化教学策略是分组：同质分组、异质分组。分层教学是凝固的、粗略区分的教学的代表形式。在信息技术环境中，动态分组和干预已成为可能。第二种方法基于自适应学习的概念。有两种主要的教学策略：基于规则的或数据驱动的。前者的教学策略是根据决策树预先确定的，后者的教学策略则是利用学生的数据动态生成的。第三种方法是个人发展愿景。根据粒度的不同，主要策略可以分为三个级别：程序级、课程级和任务级。课程层面涉及制度变迁，如选修课制度、选修制度等。；课程层面包括学习路径的规划；任务层涉及内容、服务等的自适应。所有这三种方法都可以基于基于数据的教学决策的自适应调整来实现。因此，数据决策是核心枢纽，见图。2.
第四种方法：适应性调整教学策略
以个性化学习的三个层次为横坐标，以两种类型的数据决策为纵坐标，用二维坐标系将自适应调整教学策略分为六个部分，描述了这些策略的谱，见图三图中的波浪线表示个性化自适应学习的第四条途径，从左下角到右上角。
路线分为三层。他们是单个字符层,单个性能层、和个人发展层每层由两个相位组成。
个人角色层主要解决与“学习什么”相关的问题。该层的数据驱动决策阶段侧重于资源推荐。这意味着机器会推荐一个与需要帮助的学生的个人特征相匹配的资源列表，或者推荐一个由与该学生具有相似个人特征的成功学习者学习的资源列表。该列表根据匹配程度从高到低进行排序，学生可以选择自己喜欢的资源进行学习。该层的数据信息决策阶段侧重于内容设计。这意味着教师使用敏捷的设计思想为那些个性与他人不匹配的学习者设计学习内容。内容根据学习者个人特征的差异和变化，通过多次迭代和增量逐步优化。
个人绩效层解决了“如何学习”的问题。该层的数据驱动决策阶段主要关注活动指南。这是通过分析学生的表现数据来确定他/她的学习模式。如果该模式表明学生有问题，而问题只是一种个别现象，那么可以得出结论，问题来自学生，而不是教学策略。因此，学生的活动需要调整。如果问题发生在大多数人身上，那么可以得出结论，教学策略很有可能需要优化。此过程发生在该层的数据信息决策阶段。
个人发展层解决了他们个人愿景的“学得多好”问题。该层的数据驱动决策阶段预测学生是否可以通过监控学习成绩提前完成学习目标（具体指导请参考精准教学的测量辅助学习机制），答案是肯定的，那么将推荐符合他们个人愿景的更具挑战性的扩展任务。该层的数据信息决策阶段侧重于学生在执行具有挑战性的扩展任务时遇到的问题。即对大多数人遇到的相同问题使用集中辅导方法，对个人遇到的问题提供个别辅导方法。
新的方法路线从个性化程度上为学习者提供了个性化的自适应学习服务，能够与差异化教学、自适应学习和个性化学习很好地兼容和集成。因此，该路径为技术开发人员在原有信息化成果的基础上实现个性化自适应学习指明了道路。
实施：构建个性化自适应学习的起点
为了构建个性化的适应性学习，我们认为应该做出以下努力：监测学习者在个人特征、个人表现、个人发展和适应教学策略方面的差异和变化。它提供了个性化自适应学习的工作方向，与比尔和梅琳达·盖茨基金会提出的个性化学习的四个属性极为一致：学习者概况、基于能力的进步、个人学习和灵活的学习环境（K-12教育团队2014).
学习者简介旨在描述每个学习者的优势、偏好、动机等的个人特征。；基于能力的进步通过持续测量学习者学习目标的个人表现来评估学习者的进步；个人学习是为学习者提供个人发展的途径；灵活的学习环境作为一种灵活、智能的学习环境，可以为教学策略的自适应调整提供功能支持。
在这四个属性中，构建灵活的学习环境是其他属性的基本前提。幸运的是，自从IBM发布“智能地球”战略以来，许多国家都积极采取了行动（帕尔米萨诺2008). 在接下来的部分中，探索了个人学习的学习肖像模型和路径推荐模式。
学习人像模型
学习肖像模型是由学习细胞组成的学习序列，它描述了学习的发生和发展过程。利用教育数据挖掘和机器学习等技术探索学习者的潜在学习模式是实现个人学习路径建议的关键。目前，学习路径建议已经从关注学习者的个人特征，如学习偏好和认知风格，转向关注学习过程和学习模式。针对这一问题，提出了一种新的学习肖像模型，从新的角度解决了个人学习路径的精确推荐问题。
如图所示4学习肖像模型包括学习细胞序列和学习时间序列。细胞序列，也称为学习模式，是一个有向图，其节点由学习细胞组成。学习序列节点中的时间表示在一个学习单元上花费的有效学习时间，而侧面的时间表示学习者为最后一个单元启动新单元的时间间隔。前者的时间可以反映学习投入的程度。这段时间越长，学习者对学习内容的某一部分的参与度就越高。时间间隔可以反映学习者的学习动机。这次越小，学习动机越强。因此，学习细胞是学习肖像画的重要元素。学习单元的内部结构如图所示5学习单元描述了学习者的微观学习情境，由学习内容、学习活动和学习效果三部分组成。
学习内容是为了解决“学习什么”的问题，它包括学习材料、实践材料和创作材料（Anderson等人。2001). 基于布鲁姆的认知目标分类法，构建了学习内容的层次结构，如图所示6.
学习的材料处于较低的水平，即记忆和理解水平。这类材料包括与学习内容相关的各种多媒体学习资源，如文本、视频和音频、动画等。实践材料在“应用”和“分析”层面上用于巩固和内化学习内容。它包括习题集和工具包等。用于创建的材料用于传输学习内容。它们处于“评估”和“创建”级别，主要包括虚拟实验、仿真场景、案例以及设计和开发的软件或硬件。
学习活动旨在解决“如何学习”的问题。根据活动理论（孙和刘2015). 活动可以分为三个层次：活动,行动、和操作学习活动可以看作是一系列学习行为。由于学习者的学习风格和知识水平等个人特征的差异，学习活动也不同。
学习效果是指学习者完成学习活动后的学习结果。为了衡量学习结果，流利性被用作衡量指标，而不是传统的测试分数（Binder1988)，它可以反映学习者测试的准确性和速度（彭和朱2017). 因此，流利性可以更好地代表学习者的真实学习效果。流利性包括正确的流利性和错误的流利性，即正确或错误的测试分数除以所用时间。通过引入测试时间维度，可以大大提高流利性的效率。例如，与得分相同但花费时间较多的学习者相比，花时间较少的学习者在流利性方面表现更好。
生成路径推荐模式
先前的研究将学习路径定义为学习者在学习过程中选择的活动和概念的序列（Kardan等人。2014). 在本研究中，学习路径被定义为由学习细胞组成的学习序列。在下一节中，我们将讨论路径推荐过程、学习纵向匹配策略和相关算法。
