基于数字技术的学习内容个性化给个体和社会带来了巨大的好处，然而如何实现这种个性化仍然是一个未解之谜。为了解决这个问题，我们在一个大型数字自学平台上进行了一项随机对照试验。我们基于两个卷积神经网络开发了一个算法，根据学习路径将任务分配给 4365 位学习者，将学习者随机分为三组：两个处理组（一个群组自适应处理组和一个个人自适应处理组）和一个对照组。我们分析了三组在平台上所提供的努力和表现之间的差异。我们的空缺结果揭示了与学习路径个性化相关的多个挑战。

Jul, 2024

本文介绍了自适应学习路径导航（ALPN）系统，它使用基于注意力的知识跟踪（AKT）模型评估学生的知识状态，使用近端策略优化（PPO）的决策模型提供定制的学习材料，通过迭代的推荐和知识状态更新产生高度自适应的学习路径，实验结果表明，该系统的性能优异，为未来 E-learning 系统的发展提供了良好的启示。

May, 2023

本文介绍了一项新的任务，旨在为在线语言学习提供个性化的练习生成，我们结合知识追踪模型和受控文本生成模型，训练并在 Duolingo 的真实学习者交互数据上评估我们的模型，并展示了学生个性化生成的优越性能以及模型在教育应用中的潜在用途。

Jun, 2023

本研究旨在通过 Integrative approach 构建一个新颖的 TrueLearn 教育推荐系统，该系统由多种学习参考驱动，可以同时考虑学习者的知识和内容的新颖性，并保持长期时间的准确学习者代表性。

Dec, 2019

本篇论文提出利用预训练技术将深度学习应用于自适应学习的实践探索，并在数据观察和学习风格分析的基础上提出了一个统一的框架。通过一系列的下游任务，如学习推荐、学习资源评估、知识跟踪和辍学预测，发现了课程结构、文本和知识对于建模和学生非连续学习行为具有帮助，源代码和数据集将公开发布。

Jul, 2022

本文介绍了一种训练 RL 代理器的方法，通过使用 meta-reinforcement 学习、基于注意力的内存结构和有效的自动课程表，该代理器可以快速适应开放式的 3D 问题，并具有自适应性。

Jan, 2023

本文提出了一种采用马尔可夫决策过程（MDP）的无模型强化学习算法 --- 深度 Q 学习算法来找到最优化的自适应学习策略，同时开发了一个转移模型估计器来优化数据利用，实验结果表明该算法在自适应学习领域有着较高的效率。

Apr, 2020

本文提出了自适应随机路径选择网络（Adaptive RPS-Net）算法，并通过使用新任务的最优路径和任务之间参数共享的方式，提高了网络的灵活性和运行效率。使用知识蒸馏和回顾策略，以及路径重用策略来防止灾难性遗忘，通过动态平衡模型可塑性的简单控制器来维护先前和新获取的知识之间的平衡关系。实验证明，该方法在连续学习和速度方面都具有优势。

Jun, 2019

通过讨论生成式人工智能和适应性学习概念的交叉研究，本文旨在阐明这两种方法的益处、挑战和潜力，并认为这种结合将为教育领域的下一阶段学习方式的发展做出显著贡献。

Feb, 2024

本研究提出了一种名为 CSEAL 的认知结构增强自适应学习框架，利用 Actor-Critic 算法和循环神经网络，结合标记决策过程来为不同的学习者推荐正确的学习路线，从而达到提高学习效果的目的。

May, 2019