《Applied Sciences》：Personalized Educational Technologies and Artificial Intelligence Development—Trends, Present and Future
在过去几年中，关于人工智能（AI）在教育中的应用进行了大量研究。最新的AI成果对教育非常重要，因为它们扩展了学习机会，并能在新层面上支持个性化学习。个性化教育技术利用数据分析、机器学习和自适应学习算法，根据学习者的个体需求、偏好和能力来定制教育内容、学习路径和评估方法。本综述从技术角度分析并分类了支持电子学习个性化的智能技术的最新进展。在文献检索过程中，研究人员使用了主要的学术搜索引擎和数字图书馆（如Google Scholar、Scopus、IEEE Xplore和Web of Science），并结合文献计量分析工具，以识别关于人工智能在个性化电子学习中应用的相关且权威的科学出版物。研究人员全面讨论了每类智能技术在个性化教育中的优势、缺点和当前使用状态。本文还考察了AI驱动的个性化教育的当前趋势，包括机器学习、学习分析、自适应评估、本体论以及生成式AI应用和工具的使用。此外，本研究探讨了个性化学习的未来方向，强调了集成先进AI模型和技术以实现实时个性化学习支持的潜力。研究结果表明，AI驱动的个性化教育技术有可能通过创造更具包容性、高效且以学习者为中心的体验来显著改善教育。
1. 引言
现代教育系统正从传统的以教师为中心的方法显著转向以学习者为中心的模式，该模式认识到学生之间的个体差异并提供个性化内容。这一转变由全球化、技术进步以及对高质量教育日益增长的需求所驱动。教育个性化是一个系统过程，基于可观察证据（如交互数据、代码提交、测试结果、错误和对话）来调整学习内容、呈现方式、反馈、评估或任务序列，以适应学习者不断变化的状态[1]。电子学习中的个性化可以通过支持学习者交互和推理的智能助手、个性化工作示例以及与学习者当前状态和课程上下文一致的练习集来实现。它还包括灵活的评估工作流，如动态生成的测试、与评分标准对齐的反馈和解释丰富的评分。基于计算机的工具和高级算法是在电子学习环境中实现个性化的主要机制。
个性化电子学习是技术增强学习的一种变体，其中使用数字技术通过调整教育过程以适应个体学习者需求来支持或改进学习。关于个性化的研究已在几乎所有类型的教育系统中进行，包括学习管理系统（LMS）、在线课程和MOOC、移动学习应用以及基于AI的教育工具。个性化教育尚未在实际教育系统中完全应用。尽管许多现代平台包含个性化功能，如自适应测验、教育内容推荐、学习分析和基于AI的辅导，但这些能力仍不足以在整个学习过程中实现真正的动态个性化。在实践中，由于技术限制、数据可用性有限、实施成本高以及准确建模个体学习者需求和偏好的复杂性，实现完全个性化的教育仍然是一个重大挑战。
确定最近的AI技术进展能在多大程度上帮助实现更有效、更高质量的教育个性化非常重要。现代AI方法，特别是机器学习、深度学习和大语言模型（LLMs）[2]，在教育领域非常有用，使教育系统能够更好地实时分析学习者行为、偏好、表现和学习模式。这些技术可能支持更容易地开发更具适应性的学习环境，根据个体学习者需求提供个性化内容、智能反馈和定制学习路径。
本综述的重点是智能技术的最新进展及其对个性化教育的有用性和影响的评估。作者的目标是分析不同类型AI在教育中的当前使用情况，考察其未来前景，并探索集成多种AI方法以增强个性化学习的可能性。作者的研究问题是：
RQ1：哪些类型的人工智能技术在个性化教育中获得了重要意义？
RQ2：符号人工智能技术在个性化教育背景下的具体特点、优势和局限性是什么？
RQ3：大语言模型（LLMs）如何用于支持个性化教育，它们执行哪些教育功能？
RQ4：哪些统计、机器学习和深度学习技术用于支持个性化，它们最常用于哪些电子学习任务？
RQ5：个性化教育中不同人工智能技术相关的优势、局限性和挑战是什么？
RQ6：人工智能应用于个性化教育的当前趋势、新兴发展和未来研究方向是什么？
讨论这一转变的具体细节是研究的支柱。本综述旨在分析和综合2016年至2026年间智能和个性化教育的研究进展，同时批判性地考察新兴技术在提高学习参与度、有效性、适应性和可重用性方面的作用。本研究的中心假设是，人工智能（AI）的最新进展正在通过创造个性化、灵活性、适应性教学和丰富学习者体验的新机会来改变教育。特别是，AI驱动的技术，如学习分析、机器学习和生成式AI，正日益使教育环境能够动态响应个体学习者的需求和偏好。对这些发展及其教学意义和与符号AI技术的关系的探索构成了本综述的基础。
2. 材料与方法
本综述分析了2016年至2026年间发表的与个性化教育相关的论文，特别关注AI驱动的学习系统。它旨在从技术角度识别个性化教育领域的研究趋势。基于先前对个性化教育和AI技术的了解，研究人员首先制定了关于该研究领域最重要关键词和短语的假设。然后对学术搜索引擎的结果进行文献计量分析，以验证所选关键词的重要性并识别它们之间的关系。
2.1. 个性化教育的AI视角
电子学习中的个性化主要通过使用计算模型、软件系统和工具来实现，这些模型和工具适应个体学习者的需求、行为和学习目标。个性化教育系统不是提出固定课程，而是根据每个特定教育环境优化学习材料的呈现、内容或工作流程。AI驱动的系统可以通过诊断学习者的错误、提供逐步指导、调整解释或提出特定材料来模拟一对一辅导的关键方面。个性化教育利用AI驱动的工具、知识和数据驱动的学习者模型、机器学习以及基于LLM的方法，为个体学习者提供合适的教学内容、反馈和个性化学习路径。这些方法支持教学适应每个学习者的需求，可能包括智能辅导系统（ITS）、对话代理、AI导师或其他基于AI的工具和机制，用于教育过程。
2.2. 作为数据来源的搜索引擎
教育是一个多学科领域，整合了来自不同领域的理论和方法，包括心理学、教育学、神经科学、计算机科学、统计学、方法论和领域特定知识。教育领域和教育个性化方面的科学文献数量巨大，系统地识别符合特定研究目标的权威来源至关重要。由于教育覆盖广泛的学科，多学科索引和搜索引擎Google Scholar是实现目标的最佳搜索工具之一。Google Scholar搜索存在两个主要问题：它通常返回大量结果，但实际可访问的只有1000个。另一个问题涉及相关性标准，对用户不清楚。一方面，手动审查1000个结果不切实际；另一方面，权威且高度相关的结果可能仅仅因为超出前1000项而被排除。因此，为识别最权威的内容，研究人员决定使用学术索引数据库Scopus和Web of Science（WoS）。这些来源的缺点涉及两个主要问题：并非我们领域所有合格的研究论文都被索引在这些数据库中，且这些数据库的搜索通常仅限于标题、关键词和文章摘要，可能导致遗漏相关来源。因此，研究人员决定同时搜索Google Scholar以及Scopus和WoS的索引，并合并结果。为确保Google Scholar结果的可达性，研究人员逐年执行返回超过1000个结果的搜索。为确保Google Scholar结果的质量，研究人员定义了渐进的相关性标准。与AI在教育中的使用相关的科学出版物数量非常庞大。研究人员同意，在检索结果的选择、评估、纳入和排除过程中应用的一些提取标准有些主观，并且可能忽略了一些与主题相关的大量结果。因此，尽管努力提供对研究领域的全面覆盖，但将本综述归类为叙述性而非系统性综述。
2.3. 数据收集和提取方法
研究方法的主要步骤包括：选择权威的科学库和与研究目标相关的关键词；使用所选关键词和查询对科学论文库进行系统搜索；定义并应用纳入和排除标准以过滤检索到的研究；对所选研究进行详细分析、评估和综合，然后总结发现。
2.3.1. 选择库和制定查询
根据上述考虑，作者使用Google Scholar、IEEE Xplore、Scopus和WoS搜索科学文献。作者制定了以下搜索查询：
用于探索AI技术在教育中的一般应用：
SQ1：“个性化教育”和AI。
SQ2：“个性化电子学习”和AI。
文献计量分析工具VOSviewer 1.6.20用于构建、分析和可视化文献计量网络，基于关键词的共现。这对于选择与个性化教育和基于AI的技术密切相关的关键词很有用。图1展示了使用查询“个性化电子学习”在Scopus数据库中检索到的出版物在计算机科学领域2016-2026年期间文献计量分析的结果。所选10年研究期以及分析中包含的大量高质量研究确保了结果的显著性和可靠性。最初分析中考虑了所有关键词。鉴于文档和关键词数量庞大，应用了最低出现阈值5，以识别该领域最常用的关键词并检查其共现关系。该阈值使分析能够聚焦于个性化电子学习领域中最具代表性的术语，同时减少低频关键词的影响。共有50个关键词达到该阈值，并分为五个聚类。应用同义词库文件通过合并同义词和变体术语来规范化术语。还应用了最小链接强度阈值4，通过仅显示关键词之间最重要的关系来提高共现网络的可读性。图谱表明，AI技术，包括深度学习、机器学习、本体论（与语义、学习者模型相关）、教育数据挖掘、学习分析和知识图谱，是与个性化学习密切相关的关键概念。这一综合分析图谱提供了有价值的见解，支持在教育中识别、探索和分类智能技术。基于语义分析，这些概念被分为三类：符号AI概念（包括本体论、知识图谱）、生成式AI技术（包括大语言模型）和统计驱动AI技术（包括机器学习和学习分析）。
图1. 基于使用查询“个性化电子学习”检索到的前200篇Scopus索引出版物（按相关性排序，覆盖2016-2026年）的文献计量网络可视化（关键词共现）。
为探索符号AI技术在教育中的应用，制定了以下查询：
SQ3：“个性化教育”和KG。
SQ4：“个性化电子学习”和KG。
SQ5：“个性化教育”和本体论。
SQ6：“个性化电子学习”和本体论。
为探索生成式AI技术在教育中的应用，制定了以下查询：
SQ7：“个性化教育”和LLM。
SQ8：“个性化电子学习”和LLM。
为探索统计驱动AI技术在教育中的应用，制定了以下查询：
SQ9：“个性化教育”和LA。
SQ10：“个性化电子学习”和学习分析。
SQ11：“个性化教育”和ML。
SQ12：“个性化电子学习”和ML。
为探索AI技术组合在教育中的应用，制定了以下查询（使用缩写或全称并从返回结果中去除重复项）：
SQ13：“个性化电子学习”和LA和本体论。
SQ14：“个性化教育”和LA和本体论。
SQ15：“个性化教育”和ML和KG。
SQ16：“个性化电子学习”和ML和本体论。
SQ17：“个性化教育”和ML和LLM。
SQ18：“个性化教育”和LLM和本体论。
SQ19：“个性化教育”和ML和LLM和本体论。
SQ20：“个性化教育”和ML和LLM和KG。
2.3.2. 搜索策略
搜索查询提交给Google Scholar、IEEE Xplore、Web of Science和Scopus。不同搜索引擎用于不同目的（即Google Scholar用于识别整体研究活动趋势并定位可访问的全文出版物；WoS和IEEE Xplore用于识别高质量的同行评审文献；Scopus主要用于文献计量分析）。应用搜索引擎过滤器以排除非英语出版物和书籍。在Web of Science（WoS）和IEEE Xplore中，执行基于关键词的搜索，而Scopus使用高级搜索功能。在Google Scholar中，搜索结果按相关性排序，并逐年进行搜索以确保所有相关结果可访问。未在搜索引擎之间进行正式的重复项删除。在相似搜索查询之间（SQ3和SQ4；SQ5和SQ6；SQ7和SQ8；SQ9和SQ10；SQ11和SQ12；SQ13和SQ14）删除了重复记录。尽管如此，研究人员系统地收集了来自不同搜索引擎的记录，并在探索检索结果时删除了重复项。基于初步搜索并应用简短的排除和弱相关性标准到标题和片段，通过Google Scholar识别出943条潜在相关记录，通过IEEE Xplore识别出382条，通过Web of Science（WoS）识别出640条，通过Scopus识别出423条。删除重复记录后，剩余978项独特研究。在仔细筛选标题和摘要后，选择了325篇论文。排除全文不可用的论文以及简要全文审查足以将其归类为不相关的论文后，保留了236篇论文进行全文阅读。其中大多数论文的全文可通过Google Scholar在定位后检索到。Google Scholar通常提供同一篇论文的多个版本，包括可免费访问的全文副本。搜索于5月20日至6月14日进行，最终审查中纳入了80项符合纳入标准的研究。其余论文被排除，因为它们报告了与所选研究相似的发现，但方法学质量低于所选研究，或被认为与综述范围无关。在2026年6月28日至8月1日期间，研究人员重新运行了大多数搜索查询并重新检查了检索结果，以确保综述的可靠性。在此阶段，最初选定的研究中有八条记录被排除：三条因相关性弱（找到了更相关的论文），两条因无法访问，三条因是较新出版物的旧版本。此外，纳入了13条新识别的记录。因此，最终综述包含85条记录。
在筛选过程中，最初根据标题、摘要和关键词评估记录，以确定有资格进行全文审查的研究。寻找适当的科学文献需要能够有效地搜索、过滤、评估和综合从多个信息检索系统获得的结果。在Web of Science或Scopus中使用组合查询进行布尔主题搜索仅检索到少量相关出版物，而语义搜索（尤其是基于提交给Google Scholar的查询）产生了巨大的结果集，其中超过一半的检索记录与研究主题无关。因此，研究人员依赖权威科学数据库来识别高质量研究论文，也使用Google Scholar的广泛搜索能力来分析研究趋势并发现未被Web of Science或Scopus索引的相关出版物，以及那些关键词未明确出现在标题、摘要或关键词部分的出版物。研究人员使用Web of Science中的智能搜索和Google Scholar中的语义搜索，然后在趋势识别任务中删除不相关的结果。由于基于关键词的搜索的局限性，包括“个性化教育”和“个性化电子学习”的查询都提交给了搜索引擎。在某些情况下，两个查询产生相似的结果，而在其他情况下，返回的结果差异很大。
2.3.3. 制定和应用纳入和排除标准
第一个排除标准是语言。所有搜索均在英语内容中进行。另一个排除标准是出版年份。研究人员仅包括2016年或之后出版的出版物。相关性也是一个重要标准。在搜索引擎中，研究人员按相关性对结果进行排序，然后基于片段优先浏览最新的相关结果。为了全面阅读和分析，研究人员主要选择了结构良好的论文，这些论文在摘要和引言中明确说明了研究问题。优先考虑权威出版物，特别是出现在Q1和Q2期刊中的出版物，以及引用次数较多的来源。然而，这些标准是灵活应用的，而非严格的纳入要求。一个重要的灵活纳入标准是引用次数。高引用次数（例如，2024年后发表的论文引用80-100次或更多，或2020年前发表的论文引用200次或更多）可以作为论文质量和领域影响力的指标。
对于某些评估目标，研究人员还定义了渐进的相关性标准：如果所讨论的技术被深入探索、在实践中应用并成功评估，则研究被认为是强相关的。因此，表1主要包含强相关研究，并辅以有限数量的相关研究。如果所讨论的技术被全面探索和使用，但未要求全面评估，则结果为相关。强相关结果也包含在相关结果组中。如果所讨论的技术至少被简要提及而没有实质性分析，或仅构成研究的次要方面，或仅被报告为已使用而未评估，则研究被归类为弱相关。弱相关性被认为足以评估技术的普及度，而不暗示该出版物对研究领域构成实质性贡献。因此，弱相关出版物被纳入基于Google Scholar或WoS结果的出版趋势分析中。例如，一篇综述文章可能仅用几句话简要讨论几种技术或工具，而不提供更深入的分析或评估。这样的综述将在所讨论的技术方面被归类为弱相关。大多数全文不可访问且似乎相关的论文被归类为仅弱相关。相关和强相关结果也用作基于Google Scholar趋势的弱相关。
2.3.4. 对返回结果的详细分析和内容总结
研究人员在WoS中进行了基于关键词的布尔搜索，并在Scopus数据库中进行了标题、摘要和关键词的高级搜索。这种方法产生了高精度结果（根据经验，约90-100%的结果是相关的）。然后使用Google Scholar检索所识别论文的全文版本。研究人员还使用VOSviewer工具对Scopus返回的选定结果进行文献计量分析，并通过图表对大多数结果进行统计管理和可视化。为了概述研究兴趣和研究主题之间的关系，通过构建文献计量图应用了文献计量方法。书目数据于2026年5月28日从Scopus科学数据库收集，使用了与AI在个性化教育中的应用相关的几个搜索查询。搜索在文章标题、摘要和关键词中进行，结果按出版相关性排序。使用VOSviewer创建的文献计量图是基于距离的。VOSviewer地图通过不同大小的圆圈和标签大小显示项目的重要性。相关项目分组为聚类，每个聚类以不同颜色可视化。
为了总结、可视化和识别所概述研究领域中返回结果中的趋势，研究人员还使用了Microsoft Excel电子表格和图表。还使用了Scopus和Web of Science（WoS）中内置的分析工具。为了回答研究问题，研究人员基于阅读研究进行了主题综合。研究人员彻底检查了所选文章，根据讨论的AI类型和属性进行分类，并识别了对教育有价值的文章（见表1）。在阅读过程中，研究人员汇总和系统化了各种AI类型和个性化方法中的趋势，以解决研究问题。通过重复阅读研究、手动分割和分析相关文本进行分类和聚合。
3. 结果
自适应内容推荐和实时个性化仍然是智能辅导系统中与个性化相关的主要目标。关于使用新兴智能技术通过个性化增强学习的研究在[3]中进行了分析和讨论。还讨论了AI在内容创建过程中的使用，包括AI增强的VR平台以及评估材料和新的评估方法的开发。作为研究结果，研究人员根据基础特征将用于教育个性化的数据分析和人工智能技术及工具分为以下四类（见图2和图3）：
图2. 用于教育的基于AI技术的分类（RQ1）。
图3. 用于教育的AI驱动工具的分类（RQ1）。
符号AI；
生成式AI；
统计驱动智能/机器学习；
AI驱动工具。
本节概述了AI技术及其视角，借鉴了通过文献检索识别的科学文献中的选定重要发现。解决RQ1的发现呈现在以下小节中，根据个性化教育中使用的不同类型AI技术进行组织。
3.1. 新兴符号AI技术在电子学习个性化中的应用（RQ2）
符号AI技术通过规则、本体论、知识图谱和逻辑推理使用显式知识表示，而非统计操作、插值、预测或机器学习。在教育背景下，符号AI通常用于基于规则的教育系统、智能辅导系统和基于规则的评估工具。
基于专家系统的教育系统是一个相对较老的研究领域[4,5,6]。这些系统通过基于规则或基于案例的推理模拟人类专家的决策过程。它们经常使用结构化知识库来建模教学知识或学习者知识。这些系统可以提出诊断学习者教育问题、提供自适应反馈、提供一些个性化指导并支持问题解决。它们的优势是决策的透明性、一致性和可解释性[6]。这些系统有限灵活性和可扩展性，加上开发复杂知识库的挑战，降低了它们的整体可行性。作者发现，基于专家系统的智能方法在教育中的未来在于它们与数据驱动和基于LLM的AI的集成。
大多数基于规则的个性化智能教育系统是专家系统驱动的平台，使用结构化领域知识并应用教学规则来调整教学、反馈和学习路径以适应个体学习者[6]。个性化教育中的基于规则方法确保了可解释性和教学控制，并且经常与ITS中的其他AI方法结合使用。由于可扩展性和适应性限制，其使用受到限制。数据驱动的个性化方法经常被使用。一组受限规则可以成功地与基于本体论和知识图谱的模型结合。
本体论越来越多地用于以机器可处理的方式表示结构化教育知识。它们可用于建模学习者档案、学习目标、教育领域内容以及它们之间的关系[7]。本体论使个性化能够由语义知识结构驱动，而非仅依赖统计方法。本体论在加强教育内容形式结构和提高学习推荐有效性方面有用性的假设在[8]中进行了讨论和证明。开发了基于多智能体系统的原型，使用档案、领域和资源本体论。它展示了语义网和本体论如何促进远程学习中的个性化、协作和互操作性。研究人员得出结论，领域、用户和资源本体论以及规则共同工作可以增加所提议教育资源的相关性并丰富学习体验。在[9]中提出了开发智能教育技术的框架，其中知识图谱、本体论和智能代理可用于提高教育内容的适应性并增强教育个性化。它主要用于教育环境中的教育资源发现和知识共享。
本体论在个性化学习中的优势包括可解释性和可说明性、支持逻辑推理和控制、以及领域知识的显式表示。本体论用于学习者模型、辅导领域知识表示和教学相关知识表示，支持学习路径选择、推荐和评估决策。最近，本体论在电子学习中的应用已转向能力框架、学习成果和技能本体论（通常与ESCO或Bloom分类法等标准对齐），以支持基于成果的教育、包容性教育、终身学习、基于能力的教育，并确保电子学习系统之间的互操作性。然而，它们的局限性包括低可扩展性、对复杂和非结构化数据的适应性有限，以及开发和维护的重大挑战。本体论与学习分析技术结合也非常有用，以支持学习分析数据的结构和集成，实现LMS、MOOC和评估系统之间的语义互操作性。然而，它们的局限性包括低可扩展性、对复杂和非结构化数据的适应性有限，以及开发和维护的重大挑战。为解决复杂性问题，存在向轻量级、模块化本体论发展的趋势，这些本体论比大型单体模型更容易设计、扩展和维护。教育本体论越来越多地部署为知识图谱，降低复杂性并支持更丰富的语义搜索、推荐和跨教育资源的推理。
知识图谱将知识结构化为相互连接的实体和关系，使智能系统能够理解所教授的内容和学习者的个体特征。它们已成为增强个性化电子学习的重要技术，通过表示学习者、学习资源、概念、技能、评估和教育活动之间的关系[9]。KG的主要应用之一是创建动态学习者模型，包括学习者能力、先前知识和历史、学习目标和兴趣。KG可以通过表示概念和技能之间的依赖关系来支持自适应学习路径[10]。与在个性化电子学习中使用KG相关的挑战及其局限性包括KG构建复杂性、难以表示学习者情绪和行为、可扩展性和维护问题[10]。尽管KG提供结构化知识，但它们通常需要额外的AI技术来实现高级个性化。将KG与机器学习、深度学习、自然语言处理和大语言模型结合可以提高预测和适应性。
3.2. 生成式AI与个性化电子学习（RQ3）
综述表明，过去五年中关于在个性化教育中使用LLM的研究迅速增长。LLM可以提供上下文感知的解释、生成工作示例（包括编程代码和文本）并提供自适应反馈，使个性化学习更加可行和有效。LLM在查找语法或自然语言语义错误方面非常有用。在教育背景下使用生成式AI（例如自动生成解释、对话交互和上下文提示）是一个快速增长的趋势。最近的系统综述显示了LLM在解释性反馈、自适应工件审查和AI增强评估中的作用[1]。个性化教育系统可以通过两种不同方式使用LLM：
实现或启用基于GenAI的个性化；
仅使用通用AI技术。
GenAI驱动的个性化意味着LLM在生成文本、推荐、解释或对话时使用以下一项或多项：过去行为、偏好、目标和上下文（位置、设备和时间）、意图、语言、语气、风格等。GenAI驱动的个性化在几个维度上与传统个性化不同：推荐系统主要建议下一步应呈现什么学习内容，而基于GenAI的个性化主要确定该内容如何呈现、解释和适应个体学习者。推荐系统需要在每次适应步骤之前收集和管理一些数据，这使得适应较慢。基于GenAI的适应是实时执行的。经典适应的教学重点是课程排序，而基于GenAI的个性化的主要目标是理解。典型的推荐系统信息收集技术是协同过滤和知识追踪，而基于GenAI的技术包括LLM，结果取决于提示。推荐系统通常依赖信息收集和建模技术，如协同过滤和知识追踪。基于GenAI的个性化利用LLM中嵌入的上下文推理能力，生成输出的质量和特征在很大程度上取决于提示和提供的上下文信息。
GenAI用于个性化内容生成，包括定制解释、与学习者兴趣相关的内容、不同难度级别的摘要或其他替代学习材料。GenAI也可用于个性化评估，包括动态测验创建、生成自适应难度问题或专注于薄弱领域的练习[11]。AI还可以提供详细的即时反馈、技能差距分析和个性化下一步建议，以及个性化语言和可访问性支持，包括翻译学习材料、简化复杂文本以及调整内容以适应学习者的语言熟练度和可访问性需求。
大多数LLM充当虚拟导师。大语言模型不是个性化的。个性化是在交互过程中通过提示进行的。LLM在生成响应时使用对话上下文。由于它们自动将相关个人和上下文信息纳入提示上下文，生成的响应本质上依赖于上下文。个性化教育系统可以在提示生成过程中使用个性化策略来产生个性化答案。通过将生成能力纳入教育游戏，也可以实现GenAI驱动的个性化。这可能包括个性化故事情节和对话、自适应提示和解释、伴随个性化反馈的反思性提示，以及基于学习者交互和进度对游戏玩法的实时适应[11]。
尽管GenAI在支持个性化教育方面具有巨大潜力，但与其使用相关的一些挑战和局限性。与GenAI使用相关的一个主要问题是AI生成内容的可靠性，因为系统可能产生不准确的信息、捏造的参考文献和有偏见的输出，可能误导学习者。LLM在大型互联网数据集上训练，可能包含文化、性别或语言偏见。这些偏见可能对来自不同背景的学习者产生负面影响。隐私和数据安全问题也源于学生信息的收集和处理。此外，对AI技术的不平等访问可能扩大现有的教育差距[11]。个性化可以提高参与度和动机，但适应质量取决于学习者提示的准确性和模型对其需求的解释。LLM依赖上下文信息，但它们接收的上下文可能不完整或模糊，可能导致生成不准确或有限的信息。缺乏坚实的教学基础和轻松获取信息不一定增强学习过程。虽然LLM提供快速获取知识，但有效的教育需要结构化指导、批判性思维和教学设计，而非仅信息。LLM是一种相对年轻的技术，目前没有足够证据支持其在所有教育环境中普遍有效性的主张。它们已在写作支持、形成性反馈、语言学习、编程教育、一些个性化任务和教师辅助方面显示出益处。关于它们在培养高阶思维和替代人类教学指导方面的有效性证据仍然有限。
研究[12]提出了一种在高等教育课程建模中利用LLM的方法，与KG结合创建基于个性化学习路径的推荐。研究重点是建模教育领域主题并将其链接到不同学院和机构使用的相应领域模型。开发并使用了大学模块的领域、课程和用户模型。这是一个有前景的方法，因为仅基于LLM的个性化仍然是一个重大挑战。当前LLM主要依赖短期对话上下文，而非学习者、教学策略、辅导过程或学习者推理的良好结构化表示。因此，它们提供真正个性化教育支持的能力有限。将LLM驱动的技术与符号知识管理系统或其他AI驱动技术和工具集成，可以通过更准确地推理学习者需求、学习进度和教学目标来增强个性化。
3.3. 统计驱动智能在电子学习个性化中的应用（RQ4）
统计驱动AI涵盖数据驱动方法，分析教育数据以支持学习环境中的个性化和决策。统计模型，包括学习分析、教育数据挖掘和机器学习技术，用于推断学习者特征、预测学业表现、识别学习模式并根据个体需求调整教学内容。尽管生成式AI也基于统计建模，但其独特能力——如内容生成、自然语言交互、创造性问题解决以及与个性化教育的缺乏显式关系——使其区别于传统的数据驱动方法。因此，本综述将生成式AI视为AI驱动教育技术更广泛领域中的一个单独类别。
统计驱动方法可分为基于模型和基于统计算法。基于模型的方法包括机器学习模型（例如决策树、随机森林和神经网络）和概率模型（例如贝叶斯网络和隐马尔可夫模型）。基于统计算法的方法包括协同过滤、矩阵分解、聚类和用于学习者画像的预测分析。聚类和分类模型根据参与度和结果对学习者进行分段。
统计驱动AI算法通常用于预测并作为个性化教学的信息来源。学习活动被设计和重构以创建个性化学习场景并收集描述学生学习行为的数据[13]。收集的数据随后可使用学习分析技术进行分析以预测学生表现。
教育中的统计驱动AI系统依赖于收集和分析大量学生数据，包括与学习者知识状态、学习表现和行为相关的信息。这些数据通常包含敏感的个人信息，使数据保护至关重要。统计驱动算法的主要优势在于处理大型和多样化数据集（包括复杂、高维和非结构化数据）时的高适应性和可扩展性。它们对于MOOC和LMS平台中的实时个性化特别有用。这些方法的局限性包括与基于规则或本体驱动方法相比，可解释性和可说明性有限，以及教学和领域透明度降低。
表1呈现了个性化教育中使用的统计算法分类及其主要应用目标。
统计算法结果在很大程度上取决于学习者数据。数据质量差会降低准确性。与基于统计算法相关的另一个问题涉及隐私和伦理问题。一些算法旨在优化统计准确性而非教育有效性，这可能并不总是支持学习者的需求。其他挑战包括不同系统之间的互操作性以及生成和收集的大量数据。
表1. 用于个性化电子学习的统计算法（RQ4）。
机器学习用于个性化学习，分析学习者数据并为根据个体学习者或学生群体的需求调整教育内容、教学策略和学习路径提供基础。基于学习者表现、行为、偏好、进度和交互模式的信息，机器学习算法可以识别学习者的优势、弱点、知识或其他特定特征，并预测其未来的学习成果。基于此分析，教育系统可以推荐个性化学习材料、调整任务难度级别、提供自适应评估并实时生成个性化反馈。机器学习通常应用于智能辅导系统、学习管理系统（LMS）、自适应学习平台、MOOC和移动学习应用[16]，以提高学习者参与度、效率和学业表现。
机器学习技术最常用于与个性化相关的任务，例如：识别学习者的学习风格[16]；通过关联先前辍学者的模式并预测未来风险，在辍学发生前识别可能辍学的学生[17,18]。应用机器学习技术于在线教育平台，使用在线教育平台的学习行为数据支持学习行为分析[19]。使用深度学习方法通过面部情绪检测在线学习者的实时参与度[20]。使用深度强化学习算法进行动态教育内容排序[21]。通过使用多模态聚类算法增强学习者画像[21]。
ML技术已在MOOC和大学LMS中评估，特别是在数学、编程和语言学习等领域。其应用包括自适应辅导、自适应内容推荐和教育系统中的预测。强有力的证据支持ML技术在预测学生成功、识别有失败或辍学风险的学习者以及提供自适应内容推荐以增强学习方面的有效性。评估ML技术在教育背景下结果的研究并非一致积极。与人类教师不同，ML模型识别统计模式而非理解情绪、动机或课堂动态。自适应推荐提高参与度，但它们严重依赖准确的学习者数据。不完整或有偏见的数据可能导致不恰当的学习路径，限制学生成长。预测模型是概率性的而非确定性的。不正确的预测（假阳性或假阴性）可能不公平地标记学生或忽视需要支持的学生。推荐系统可能创建“学习泡沫”，反复建议相似内容并限制接触更广泛视角或更具挑战性的主题。
多模态数据包括从多种类型来源收集的数据，包括多模态和多感官接口，如深度相机或物联网设备。此类数据提供有关学习过程的重要信息。多模态数据可以丰富学习者模型和任务表示，从而实现更准确的适应和更有效的个性化。对这些数据源的探索导致了多模态学习分析（MMLA）的发展，这是个性化教育中的一个有价值的趋势。多模态学习分析（MMLA）侧重于收集和分析学习过程多个方面的数据，以更好地理解和改进学习。通过集成和分析来自多种模态的数据，MMLA可以提供对学习动态的有价值见解，从而支持设计更有效和个性化的反馈[22]。
使用深度学习模型，特别是DNN，从面部表情中检测实时个性化应用中的情绪，是个性化学习中的关键趋势[23]。机器学习和深度学习技术越来越多地用于辅导系统以支持个性化电子学习体验。机器学习模型分析学习者行为、偏好和表现，以调整内容、评估和推荐。深度学习方法，如神经网络和深度知识追踪（DKT），改进了学习者知识的建模，并能够更准确地预测学生进度。此外，自然语言处理和大语言模型促进了对话式辅导和个性化反馈。机器学习（包括深度学习）技术和算法在电子学习个性化中的典型应用领域和目的见表2。
表2. 机器学习技术和算法在个性化子任务中的典型目的（RQ4）。
深度学习在教育中的技术和上下文局限性包括高GPU/TPU成本和维护、需要大型高质量数据集、在代表性不足的语言/文化上表现不佳，以及与教学设计不一致[21]。
分析表明，不同AI技术具有独特的优势和局限性，使其适用于不同的个性化任务，具体取决于每个应用的具体要求。基于所 review的文献，研究人员得出结论，技术选择应由任务性质、可用数据和期望结果指导。下面，研究人员总结了每种AI技术的关键优势和局限性，以及对其推荐使用和文献中报告的支持证据的评估。为确保证据强度的透明和一致解释，本综述采用GRADE（建议评估、发展和评价分级）框架的术语，该框架广泛用于评估证据的确定性和质量。上述讨论的三种AI技术的优势和局限性总结在表3中（RQ5）。
表3. 电子学习中使用的不同类型AI技术的优势和局限性（RQ5）。
表4呈现了用于个性化教育的智能技术的关键评估背景、结果和证据强度。
表4. 用于个性化电子学习的智能技术、评估背景、结果和证据强度。
包含符号AI（SQ3–SQ6）、生成式AI（SQ7、SQ8）和统计驱动AI（SQ9–SQ12）的查询返回的WoS相关结果数量表明，对符号AI应用的科学兴趣稳定、缓慢增长，而对个性化教育中生成式AI和统计驱动AI应用的研究迅速增长（见图4，RQ6）。
图4. 与个性化教育中AI技术使用相关的整体研究活动趋势（RQ6）（相关或弱相关的WoS结果）。
3.4. 用于个性化教育的AI驱动工具
在此类别中，研究人员对具有内置智能能力的个性化电子学习工具进行分组，包括聊天机器人、AI导师、游戏工具、基于传感器的智能工具、评估工具和虚拟现实工具。
聊天机器人和虚拟助手通常利用内置智能在通过支持学习者动机的同时提供交互式指导[27]。AI驱动的聊天机器人用于支持学生学习和家庭作业活动，包括各种技能的发展。聊天机器人还通过提供节省时间的帮助并支持教学实践和教学策略的改进，为教育者带来显著好处。然而，[27]还确定了与AI工具应用相关的重大挑战和关键因素，如可靠性、准确性和伦理考虑。
情感计算，包括用于教育个性化的面部表情和多模态情绪识别，继续增长为一个主要研究领域[28]。情绪状态（如参与度、挫败感）、情绪模型和多模态融合方法越来越被视为自适应学习系统的关键。
一些用于动态测试生成、自动评分、与评分标准对齐的反馈和诊断见解的评估工具具有内置智能。计算机化自适应测试经常使用NLP和分类模型。
在[29]中提出了简化个性化教育内容开发的框架和将GenAI集成到课程设计过程中的详细方法，以减少开发者的工作负载。
智能个性化教育游戏工具是AI驱动的学习环境，集成了严肃游戏、自适应学习技术、学习分析和智能辅导系统，以提供个性化教育体验。这些工具持续监控学习者表现、参与度、认知进度和行为模式，使用机器学习、强化学习、知识追踪和心理测量建模等技术动态调整游戏难度、学习内容、反馈和奖励[30]。通过将教育目标与基于游戏的交互相结合，智能游戏工具增强学习者动机、知识保留和技能发展，同时支持个性化学习路径。研究已证明自适应严肃游戏可以通过上下文感知个性化和以学习者为中心的进步来改善学习成果[31]，而AI支持的游戏化和游戏分析实现实时适应、预测性评估和针对个体学习者需求的定向干预。
教育系统中的知识追踪引擎是AI驱动的工具，通过分析学习者与教育内容的交互（如测验响应、问题解决尝试和学习活动）来建模和预测学习者随时间变化的知识状态。它们估计学生掌握特定技能或概念的概率，并使用此信息个性化教学、推荐适当学习资源并调整学习任务的难度和顺序。先进的知识追踪模型包括基于注意力和基于变压器的架构，可以提高学生知识预测和自适应学习推荐的准确性[32]。
AI导师充当始终可用的助手，可以解释概念、生成示例、调试编程代码并提供提示。这可以减少等待教师或助教帮助的瓶颈，特别是在大班中。最强的优势之一是个性化节奏。例如，编程课程中的学生通常具有广泛不同的背景：有些在循环和变量上挣扎，而其他人已准备好学习递归或数据结构。AI导师可以调整解释，为初学者提供更简单的类比，为更强的学生提供更高级的优化或边缘案例[33]。集成AI导师可以显著重塑学生的学习方式、教师的教学方式以及评估的工作方式。
AI驱动的虚拟现实（VR）广泛用于医学模拟（例如具有自适应反馈的手术练习）[34]、工程实验室（虚拟设备故障排除）、编程和具有交互式3D模型的STEM教育。AI调整难度、提供提示或在环境中充当虚拟导师。与在基于VR的教育工具中使用AI技术相关的主要挑战包括AI驱动应用的高计算需求，这可能限制实时性能、可能降低沉浸式体验质量的延迟问题、与安全和行为控制相关的担忧，以及由于VR硬件成本高导致的有限可访问性。
最近的研究越来越关注在VR学习环境中集成多种AI技术。许多研究探索混合AI方法，结合两种或更多AI技术与高级可视化和交互工具，通常结合内置智能功能以提供更具适应性、个性化和沉浸式的学习体验。考虑到对个性化教育AI技术和工具的全面分析，研究人员提出以下分类（见图3）。
3.5. 结合工具、统计驱动和符号智能的方法
统计驱动AI和虚拟现实技术与本体框架和语义数据的集成代表了教育技术中的一个重要近期趋势[35]。这种协同作用通过支持交互式学习体验增强了正式教育模型，同时支持多模态教育内容的有效集成和使用。
基于AI的个性化学习正从基于规则的自适应系统迅速演变为多模态和数据驱动的AI框架。AI驱动的数字助理可以充当学习者、智能工具、内容和教师之间的交互中介[36]。在[37]中讨论了基于AI的智能个性化学习系统中使用的混合算法。讨论了自然语言处理、计算机视觉、3D建模、图像处理和基于AI的技术。自然语言方法仍然占主导地位，但研究越来越探索更广泛的多模态能力，以更全面地定制学习体验。新兴研究强调多模态NLP的重要性，它集成文本、图像、音频和视频来解释信息并生成
