本文是K. Bayly-Castaneda、M-S. Ramirez-Montoya与A. Morita-Alexander三位作者合作完成的一篇系统性文献综述（Systematic Literature Review, SLR）。第一作者单位包括墨西哥蒙特雷科技大学（Tecnológico de Monterrey）商学院与克雷塔罗自治大学（Autonomous University of Querétaro）信息学院，其他两位作者分别来自蒙特雷科技大学EGADE商学院未来教育研究所与克雷塔罗自治大学信息学院。该论文发表于期刊《Frontiers in Education》2024年8月8日的第9卷。论文题目为《Crafting Personalized Learning Paths with AI for Lifelong Learning: A Systematic Literature Review》。

该综述的核心议题是探讨在终身学习背景下，利用人工智能设计个性化学习路径的当前研究现状。这一主题源于知识快速演进时代对持续技能更新的迫切需求。文章开篇即指出，终身学习已成为个人在多变世界中蓬勃发展的必备要素。联合国教科文组织（UNESCO）与经合组织（OECD）均强调了其重要性，尤其是在应对劳动力市场变革、提升个体与社会福祉方面。然而，传统教育方法在提供终身学习所需的灵活性与适应性方面存在不足，这构成了一个重要研究缺口。人工智能，凭借其强大的数据分析和模式识别能力，被视为应对这一挑战的潜在变革性工具。它能创建个性化、适应性的学习体验，从而革新学习方式。然而，人工智能在教育中的应用也伴随着隐私、偏见、数字鸿沟等风险，其成功实施必须辅以健全的教学设计。本文的研究目的即是通过系统性文献综述方法，整合现有证据，描绘该领域的研究图景，并为学术机构与组织设计相关项目提供基础。

为了达成上述目标，研究者遵循了严谨的系统性文献综述方法，并参照了PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）声明指南。整个研究流程包含几个关键步骤：提出研究问题、选择数据库与检索词、制定文献纳入与排除标准、筛选文献与提取数据，最后进行信息综合以回答研究问题。研究围绕三个主题设定了七个具体研究问题，涵盖已发表研究的特征、研究开展的背景环境，以及所分析的AI解决方案类型。文献检索于2024年2月26日在Scopus和Web of Science两大数据库中进行，检索关键词围绕“artificial intelligence”、“personal* learning”、“personal* training”和“learning path*”构建，时间范围为2019年至2024年，限定为英文或西班牙文的研究型文章。初始检索到139篇文献，经过去重、筛选标题与摘要，最终有78篇文章被纳入分析。数据提取项目包括标题、作者、DOI、摘要、期刊名称、引用次数及第一作者所属国家等信息。

针对“已发表研究的特征”这一主题，论文呈现了若干关键发现。第一，在地理分布上，研究产出高度集中，中国是最大的贡献者，其发表数量远超紧随其后的美国、印度和德国。非洲与拉丁美洲地区的相关科学研究产出甚少。这种不均衡的分布可能加剧技术应用中的算法偏见与数字鸿沟风险。第二，在期刊分布上，超过73%的文献发表在Scopus或Web of Science收录的Q1或Q2级别期刊上，显示出该主题已受到高质量学术出版物的关注。其中，《International Journal of Emerging Technologies in Learning》、《Sustainability (Switzerland)》、《IEEE Access》等是发表相关文献较多的期刊。第三，在研究方法趋势上，超过50%的已发表研究采用了实验性的定量研究方法，这暗示该领域仍处于较为新兴、探索性的发展阶段，研究者们正致力于通过实验来验证AI解决方案的有效性。值得注意的是，高被引文章中也不乏采用定性方法（如理论框架构建、现状评述）的作品，它们探讨了AI在企业学习环境中的应用、激励维持、多样性考量等议题。第四，通过对文章关键词的共现网络分析，研究发现“个性化学习”与几个主要概念群紧密相关：包括用于评估学习成效的“学习分析”、作为技术基础的“深度学习”算法，以及各类AI赋能的个性化学习解决方案（如“e-learning”、“machine learning”、“learning systems”）。尤其值得注意的是，生成式语言模型（特别是ChatGPT）已构成一个显著的新兴概念群，尽管其在实践中出现时间较短。

针对“研究开展的背景环境”这一主题，综述揭示了明确的研究重心与潜在机会。研究问题五和六的结果显示，超过80%的研究聚焦于教育背景，其中高达86%集中在高等教育阶段。相比之下，仅有约11.5%的文献关注工作场所（产业界）的学习情境，约6.5%关注非正式教育环境。这表明当前绝大多数关于AI与个性化学习的研究都发生在高校的正式教育框架内，而在同样迫切需要终身学习与技能再培训的职业发展和非正式学习领域，相关研究尚处于起步阶段，存在巨大的拓展空间。仅有的几篇关注工作场所的研究，主要提出了应对技能快速淘汰的AI支持再培训框架。

针对“AI驱动的个性化学习解决方案类型”这一主题，研究问题七的发现至关重要。研究者基于已有文献创建了自己的分类体系，以归纳当前AI介导的个性化学习技术路径。在高等教育背景下，适应性学习（adaptive learning）解决方案占据主导地位（11篇文献），这反映了通过算法动态调整学习内容与路径以适应学习者进度与表现的主流技术方向。紧随其后的是生成式语言模型（9篇文献），这显示出以ChatGPT为代表的大语言模型在教育个性化应用中的巨大兴趣和快速兴起。其他方案还包括学习分析与个性化评估、智能对话代理与教程、内容推荐系统、基于机器学习的解决方案、虚拟与增强现实、AI辅助的学习管理系统、智能教室/物联网，以及将多种技术整合的“整体性集成”方案。值得注意的是，在教育应用场景中，对解决方案的探讨往往是“整体性”的（占44%），而非针对单一特定技术。但在职场学习背景下，研究则更倾向于提出具体的技术框架以解决实际的技能再培训问题。这凸显了不同应用场景对技术方案精细化程度的不同需求。

在讨论部分，作者对以上发现进行了综合解读与延伸。首先，重申了研究产出的地理集中性问题，并指出这与现有文献的发现一致，强调了研究成果在全球范围内更广泛传播的必要性，以防止访问不平等和技术偏见。其次，认可了高质量期刊对该主题的关注度与重要性正在上升。再次，虽然生成式语言模型近期备受瞩目，但作者提醒，AI介导的个性化学习实现路径是多样的，还包括移动学习、教育游戏、大规模开放在线课程（MOOCs）、增强现实等多种形式。学习效果的评估与反馈机制也是重要组成部分。因此，需要一个整体性视角来评价不同方案的有效性。最后，作者再次强调了将AI个性化学习研究拓展至非正式教育与工作场景的重大机遇。在这些场景中，终身学习的需求是刚性的，解决方案的设计必须遵循正确的教学法原则，并切合成人学习者不同阶段的需求与目标。

结论部分，文章总结了本研究的核心价值。研究证实，将人工智能融入教育，为创建适应个体需求的个性化、高效学习体验提供了变革潜力。从AI聊天机器人到生成式语言模型，一系列创新工具正在重塑个性化学习的概念。然而，必须审慎应对AI应用伴随的伦理风险与挑战，特别是研究地域集中可能导致的算法偏见和数字鸿沟。AI并非解决所有教育问题的万能药，它需要健全的教学设计作为补充，并关注不同教育背景和层次学习者的具体需求。本研究通过系统性文献综述，清晰地勾勒了该领域的研究现状、趋势、机会与挑战。最重要的贡献之一在于，它明确指出未来研究与应用应大力拓展至非正式教育与职场学习领域，以真正支撑贯穿一生的终身学习体系。这为后续研究者、教育机构及企业指明了方向，即致力于开发符合终身学习理念、注重公平性与伦理、并具备强大教学支撑的AI个性化学习方案，以推动教育的持续创新。