本文旨在向您介绍由 Helia Farhood、Magnus Nyden、Amin Beheshti 和 Samuel Müller 等人撰写并于2025年发表于 Discover Artificial Intelligence 期刊的一篇系统性文献综述。该综述题为“Artificial Intelligence-based Personalised Learning in Education: a Systematic Literature Review”，即《教育中基于人工智能的个性化学习：系统性文献综述》。第一作者Helia Farhood来自澳大利亚麦考瑞大学（Macquarie University），合著者则来自麦考瑞大学和悉尼大学（University of Sydney）。这篇综述全面审视了从2015年1月至2025年6月间关于AI赋能个性化学习的最新研究，共纳入了125项符合严格筛选标准的研究，系统性地分析了其在教育系统中的角色、技术方法、具体应用及产生的广泛影响。
该研究的学术背景根植于教育技术与人工智能领域的交叉点。长久以来，个性化学习一直是教育研究的核心议题之一，其核心理念是承认每位学生都具有独特性，因而学习过程、内容与节奏需要根据个人的需求、目标和能力进行定制。随着AI技术的飞速发展，特别是机器学习、深度学习、生成式AI（Generative AI）以及推荐系统（Recommender System）的进步，为个性化学习的实现提供了前所未有的技术支持。然而，尽管相关资源和出版物众多，但缺乏一个聚焦于AI驱动的个性化学习（AI-based Personalised Learning）及其对教育系统整体影响的全面性综述。为了填补这一空白，本综述旨在通过对近十年（2015-2025）高质量文献的系统梳理，厘清AI个性化学习的理论角色、关键技术、多样应用及其对教学、学习和评估实践的实际影响，从而为该领域的进一步研究和实践提供清晰的路线图。
本综述基于四个核心研究问题（Research Questions, RQs）构建了完整的研究流程。具体的工作流程遵循了系统性文献综述的PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）框架，以确保过程的严谨性和透明度： 1. 研究问题确立：明确了四个核心问题，分别关于AI个性化学习的概念角色、实施技术、应用类型及其对教育实践的影响。 2. 文献检索与筛选：研究团队在Web of Science、ERIC、Google Scholar、Scopus、Sage、Springer等多个学术数据库中进行检索。使用了精心设计的布尔搜索字符串，结合“个性化学习”、“人工智能”、“机器学习”、“自适应学习”等关键词。初始搜索得到371篇文献，经过去重、基于标题和摘要的初筛（排除了86篇），以及对全文的详细评估（排除了116篇），最终确定了125篇符合所有纳入标准的高质量研究作为分析基础。纳入标准包括：2015年至2025年6月间发表的英文同行评议期刊或会议论文，主题明确涉及AI在教育个性化学习中的应用，并且研究方法清晰有效。 3. 数据提取与质量评估：研究采用主题合成法对纳入的125篇文献进行深入分析。通过反复阅读，采用归纳式编码方法，从文本中手动提取相关片段并进行编码。编码过程主要由第一作者执行，并由合著者交叉核对以提高一致性和减少偏差。编码和主题生成经历了开放编码、分类归纳和主题提炼等多个阶段。此外，研究还制定了明确的质量评估标准，包括研究目标的清晰度、方法描述的充分性以及结果验证的有效性。 4. 数据分析与报告：分析结果根据四个研究问题被组织成四个主要部分，并通过图表（如论文发表趋势图、应用分类分布图、技术关系图等）进行可视化呈现，以增强理解的直观性。
基于上述系统性分析，该综述提炼出了一系列重要的观点和发现，每个观点都得到了所纳入文献的充分支持：
第一，AI个性化学习正迅速成为教育技术的研究热点，其概念框架日趋清晰。 数据显示，自2015年以来，相关领域的出版物数量呈指数级增长，特别是在2023至2024年间出现急剧上升，这可能与ChatGPT等生成式AI工具的爆发式应用密切相关。综述明确指出，个性化学习不仅仅是内容的简单适配，其核心要素包括：根据学生需求呈现学习内容与资源；匹配学习者进度的学习活动序列与节奏；以及为帮助学习者达成目标而提供的系统指导或支持。AI通过分析海量学习数据（如学生表现、互动日志等），能够精准建模学习者特征，从而在上述三个层面实现超越传统方式的深度个性化。
第二，实施AI个性化学习的技术方法多样，主要可分为基于机器学习、非机器学习和混合算法三大类。 综述对此进行了细致的梳理。 * 机器学习算法是当前的主流，涵盖了从经典到前沿的多种模型。例如：监督学习模型如随机森林（Random Forest）被用于预测学生表现或评分写作样本；深度学习模型如卷积神经网络（CNN）和循环神经网络（RNN）被用于识别学生学习风格、预测学习行为或生成个性化课程推荐；强化学习被用来优化学生的自我调节学习（Self-Regulated Learning, SRL）策略序列；而生成式AI（如ChatGPT）则作为支持性工具，被探索用于提供个性化反馈、生成适应性学习内容和创造互动学习体验。自然语言处理在提供个性化提示和反馈方面也发挥了关键作用。 * 非机器学习算法同样有其应用空间，例如使用模糊逻辑进行错误诊断和适应性决策，利用遗传算法优化学习材料序列，或通过模式识别和图像处理技术来追踪学生的物理实验操作并提供实时反馈。 * 混合算法结合了多种技术的优势，例如将计算机视觉（如OpenPose姿态识别）与机器学习分类器结合，为体育训练提供多模态个性化反馈；或将文献分析方法和支持向量机（SVM）结合，以更准确地自动检测学生的学习风格。
第三，AI个性化学习的应用场景广泛，可归纳为三大核心类别：个性化内容推荐、个性化辅导与支持、以及个性化反馈与评估。 分析125篇文献发现，研究关注度分布为：反馈与评估占41.6%，辅导与支持占20.8%，内容推荐占20.8%，另有16.8%属于整合了多个功能的混合型应用。这体现了在实践中，这些功能往往是相互关联、协同作用的。 * 个性化内容推荐系统：旨在为学生匹配最合适的学习资源。应用包括：基于知识水平和学习目标的编程练习推荐；利用序列模型（如LSTM）进行的课程推荐，以缩短毕业时间并提高GPA；结合自然语言处理技术，为学生提供个性化的学术论文阅读序列；以及在K-12一对一在线课堂中，为师生匹配提供支持的教师推荐系统。 * 个性化辅导与支持系统：旨在模拟或辅助人类导师，提供适应性教学指导。典型代表是智能辅导系统，它们可以嵌入特定领域（如数学、计算机编程、医学诊断、外语学习），通过规则引擎或数据驱动模型，提供循序渐进的提示、解题支持和个性化学习路径。研究表明，这类系统能有效提升学习效果，尤其在资源有限的情况下，可作为人类辅导的补充或扩展。 * 个性化反馈与评估系统：旨在提供及时、针对性的评价信息，以促进学习改进。应用形式多样：例如，在基于概念图的学习中，结合学生答题的准确性和自信心提供分层反馈；利用多模态数据（运动传感器、肌电图等）为心肺复苏（CPR）训练提供实时动作纠错反馈；使用自然语言处理技术自动评估学生的反思性写作或实用性价值表述；以及在学习分析支持下，通过预测学生表现，帮助教师在混合式学习（Blended Learning）环境中实施精准教学干预。
第四，AI个性化学习对教育系统产生了多方面的积极影响，尤其在提升学生学习效果方面证据显著。 综述综合多项实证研究结果，总结了其具体成效。例如：一项研究显示，使用数据驱动的个性化反馈系统，使学生整体绩效提升了22.95%；在智能辅导系统中采用动态学生模型，能使学生完成任务的速度加快约27%；个性化的实验学习提升了15%的学生表现和29%的学生满意度；在数字素养课程中应用个性化移动学习，使学生知识掌握度提高了9.2%。这些数据共同表明，AI个性化学习在增强学生知识掌握、技能提升、学习动机和学习效率方面具有切实潜力。
第五，该领域的发展也伴随着明确的机遇与挑战。 综述在最后部分对此进行了探讨。机遇包括：AI有潜力将教师从重复性任务中解放出来，使其更专注于培养学生的高阶思维和创造力，转变为真正的“引导者”和“教练”；能够为大规模教育中的因材施教提供技术解决方案；以及通过生成式AI创造前所未有的个性化学习体验。同时，挑战也显而易见：例如，高质量教育数据的获取与隐私保护；算法可能存在的偏见与公平性问题；技术与教学法的有效融合；教师需要相应的专业发展以驾驭这些新工具；以及新技术的伦理影响评估等。
这篇由Farhood等人完成的系统性文献综述，其重要价值在于它为快速发展的“AI+教育个性化”领域提供了一份及时、全面且结构清晰的“地图”。它不仅系统地总结了现有的知识体系——从理论基础到技术方法，从应用案例到实证效果，而且还通过清晰的分类和趋势分析，揭示了当前的研究热点和未来的发展方向。对于研究人员，本综述指明了技术前沿和有待探索的空白；对于教育实践者和政策制定者，它提供了基于证据的应用前景分析和实施中需要考虑的现实挑战。因此，这篇论文是任何希望深入了解或进入AI赋能个性化学习领域的人士不可或缺的参考资料。