类型b：
彭红超与祝智庭关于人机协同决策支持的个性化适性学习策略研究
本文由华东师范大学教育信息技术学系的彭红超与开放教育学院的祝智庭合作完成，发表于《电化教育研究》2019年第2期。文章聚焦于大数据时代背景下教育技术的新范式——个性化适性学习（Personalized Adaptive Learning, PAL），探讨其核心理念、框架构建及实施策略，并提出基于人机协同（Human-Machine Collaboration）的数据决策方法，为智慧教育的实践提供理论支持。
文章首先通过对比个性化学习（Personalized Learning）与适性学习（Adaptive Learning），提炼出个性化适性学习的四大核心要素：
- 个体特征（如学习风格、能力水平）；
- 个人表现（实时学习状态与行为数据）；
- 个人发展（长期学习目标与愿景）；
- 适性调整（基于数据的动态教学策略优化）。
其核心理念为：通过技术赋能实时监测学习者差异，动态调整教学方略以实现有效教学。研究构建了以“个性轴”（个人发展）与“适性轴”（当前表现）为维度的框架，提出三种实现途径：差异化教学升级（个体特征）、适性学习驱动（个人表现）、个性化路径规划（个人发展）。
文章强调，个性化适性学习的枢纽在于数据决策，需结合人类教师的经验智慧与机器的计算能力：
- 数据启发决策：教师通过可视化仪表盘分析学习规律，采用联想、逻辑推理和归因法调整策略。例如，通过“专家端倪法”识别学习问题根源。
- 数据驱动决策：机器学习技术（如深度学习、强化学习）从教师历史决策中训练模型，实现自动推荐资源、活动指引或预测学习成效。例如，基于知识图谱的Knewton平台通过试题数据动态优化路径，但存在全流程数据覆盖不足的局限。
两者的协同体现为“机器学习教师智慧—教师评估机器决策”的闭环，既避免纯算法依赖相关性判断的缺陷，又能提升个性化服务的精准度。
研究提出四个构建切入点：
- 学习者画像：分属性层（稳定特征）、学习层（实时行为）、愿景层（发展目标）构建多维数据模型；
- 能基发展（Competency-Based Development）：依托布鲁姆目标分类与DOK（Depth of Knowledge）框架，以流畅度（Fluency）为指标评估学习能力；
- 个人学习路径：采用生成性推荐（如协同过滤算法），动态生成下一学习单元而非固定路径；
- 柔性学习环境（Flexible Learning Environment）：整合感知智能（如表情识别）与学习分析技术，支持线上线下混合教学。
文中以精准教学（Precision Instruction）为例，详述了如何通过标准变速图表可视化能力发展，并利用计算智能（描述分析、预测分析、处方分析）优化路径设计。
本文的创新性体现在：
- 术语整合：提出“适性学习”兼容“自适应学习（技术视角）”与“适应性学习（教育视角）”，强调人机协同的必要性；
- 路径创新：构建“方案谱系”串联差异化教学、适性学习与个性化学习，为教育信息化2.0提供可操作的过渡路径；
- 技术批判：主张“技术促变教育而非引领教育”，避免盲目追求技术而忽视教育本质。
其价值不仅在于理论框架的完善，更对智慧校园建设、教师角色转型（如从讲授者变为决策评估者）具有指导意义。例如，文中引用教育部《教育信息化2.0行动计划》，强调个性化学习需纳入“百区千校万课”行动，呼应国家政策需求。
作者建议后续可深入探索人机协同的具体机制，如教师与AI的权责划分、多模态数据（如生理信号）的应用等，以推动智慧教育生态的系统化发展。
本文通过融合教育学理论与技术实践，为大数据时代的个性化教育提供了兼具前瞻性与落地性的解决方案，是教育技术领域的重要参考文献。