?近年來，無論中外，教育科技界對“自適應學習(adaptive learning)”的關注熱度持續不減。根據培生(Pearson)和EdSurge聯合推出的《解碼自適應學習》的報告中定義，“自適應學習是一種教育科技手段，它通過自主提供適合每位學生的獨立幫助，在現實中與學生產生實時互動。”每個學生都是獨一無二的，教師可以根據每一個學生的學習風格采用個性化的教學策略將教學效果最大化。2000年前孔子就是提倡“因材施教”這個思想，自適應學習實質上是回歸了教育的本質。
始于測評
教育或者在線教育離不開測評。在線教育平臺很大程度上能夠克服傳統教育評價難以收集評價依據和評價信息單一化、片段化的問題，可以全過程、全方位采集教育數據。數據本身不會說話，只有對數據進行專業化的分析之后，數據的大價值才會充分體現。
在當代教育體系中，教育測評幾乎涉及所有核心教學環節。簡言之，如何進行教學管理乃至教育政策制定，如何判斷課程體系是否符合課程標準、教學效果是否達到目標，如何了解學生能力水平、掌握了什么知識或技能，如何讓教師更了解學生、因材施教，引導學生個性化學習，如何指導學生錄取工作等，這些都是教育測評的最直接應用。
“單純的慕課和簡單粗暴的線下一對一都是耍流氓”，做了15年少兒教育的栗浩洋說，“教育行業需要產品升級，用更有效果和效率的方法提供學習服務。”
內容是瓶頸
目前對自適應學習研究比較完備的是美國、韓國和日本。其中，美國的研究成果最為顯著,出現了Knewton、Realizeit、Aleks、Dreambox等知名自適應學習系統，得到了廣大在線學習者的青睞。Knewton被譽為全球自適應學習平臺的典范，其最大的優勢在于強大的實時推薦引擎，用數據來看學生的學習行為，測量學生的水平，以此來預測學生未來的表現，提高學生的學習效果。
相對而言，我國自適應學習研究起步較晚，目前雖然也對自適應學習系統進行了相關的理論研究與設計開發，但其研究大體上仍局限于院校實驗。
根據技術專家的觀點，“自適應學習”的發展，可以分為三個階段。
自適應測試：以IRT 模型動態調整題目，能夠準確反映被測試者的水平，但不能深入到知識點的層面，無法對學生的學習起到指導作用;
自適應測量：運用更細致的標簽和復雜的算法，找到學生在知識點和能力上的缺陷，但無法做到真正的“解決問題”;
自適應學習：在發現問題后，能夠通過精確的內容推送解決個性化問題。
當前看來，自適應學習更像是做一道錯題后在推送遇到同類題的“刷題產品”，想要迎來更大的爆發還需更多的玩家資源共享，將不同媒介的(字、圖、音、視、VR、AR、AI...)、不同來源的、不同難度的、不同講述風格內容匯聚，為提供真正的個性化學習提供可能。
