中国人工智能自适应教育行业研究 报告2018年2©2018.2 iResearch Inc iresearch摘要来源：艾瑞咨询研究院自主研究绘制。SMS自适应学习产品 有智能程度之分 ，区分标准是看它的技术水平基于人工、基于计算机编程还是基于人工智能。人工智能自 适应在教育的各个环节都可应用，其中教学环节的应用最核心 、 难度也最大。2K12辅导 和 语言学习 是 2015-2017年业内融资事件最多的两个细分领域，融资数量占比分别为 52.2%和 34.8%。5自适应学习主张每个人都拥有自己 独特的学习路径 ，是一种非常有前景的教育技术 。国外起步早，应用广，并多次被实证研究证明有效。1人工智能自适应教育行业处于发展早期的 升温阶段 ，概念模糊，泡沫难免，目前至少 40家公司已宣布入场。4人工智能自适应 教育的 本质 是可规模化的个性化教育 。3目前国内产品 总体处于初级 阶段；人工智能自适应教育始 于技术，胜于内容，终于效果 ，学习效果 才是企业竞争力的最终评判要素。63人工智能自适应学习概述 2中国人工智能自适应 教育 市场状况 3中国人工智能自适应教育行业典型企业 4中国人工智能自适应教育行业未来趋势 5国外的自适应学习 14©2018.2 iResearch Inc iresearch国外的自适应学习产品自适应学习早 在 20世纪 90年代的美国就已 存在 ， 目前已得到较为广泛的应用 。 美国 K-8（ 相当于中国的小学 、 初中 ） 自适应学习公司 DreamBox Learning曾在 2010年后做 过一项调查 （ 调查样本超过 480个 ， 其中大部分人为 K-8公立校教师 ） ,结果表明 49%的人 正在自适应学习软件上教授补充 课程 ， 42%的人正将其作为核心 课程平台使用 。自适应学习产品在国外各个学习阶段都有应用 ， 包括早幼教 、 小学 、 初中 、 高中 、 大学 、 职业领域 等 ， 并已覆盖多个学科 。起步早，应用广国外自适应学习产品列举早幼教素质类语言类K12高等教育来源： Dreambox调查来自 ; 国外知名自适应学习产品列举由 艾瑞咨询研究院自主研究绘制。综合类企业培训5©2018.2 iResearch Inc iresearch明星企业 KnewtonKnewton创建于 2008 年 ， 总部设在美国纽约 ， 成立之初主要针对 SAT、 GMAT等标准化在线考试提供自适应测评 ， 2011年起逐渐面向机构和学校提供自适应学习的底层引擎 。 其主要运行流程是机构和学校在 Knewton平台的基础上嵌套自己的学习系统 ， 将自己的课程材料以 Knewton的体系数字化 ， 通过不断 评估 学生对材料的掌握程度 ， 为每位学生动态 推荐 合适的学习路径和内容 ， 以满足学生个性化的学习需求 ， 并 预测 未来的学习程度 。 Knewton在全球的 K12教育 （ 从幼儿园到高中的数学 、 英语 、 生物 ） 、 高等教育 、 语言培训 、 企业培训等领域都得到了广泛应用 ， 客户包括剑桥大学出版社 、 微软 、惠普等知名机构 ， 融资历程也光鲜亮丽：从 A轮到 E轮融资总额超过 1亿美元 ， 2016年 2月又获得了 5200万美元的 F轮投资 ，投资方包括好未来 。2015年以来 ， Knewton进入中国这片在线教育的热土 ， 陆续发展出了一批合作伙伴 ， 目前 在产品的本土化上面临一定的困难 。 2017年 ， 最大客户培生终止了和 Knewton的合作 （ 培生已着手自己研发自适应产品 ） ， 同时一批致力于自适应学习的创业公司冒出 ， Knewton面临的竞争加大 。说起自适应学习，就不得不提这家 To B的自适应 PaaS供应 商来源：艾瑞咨询研究院自主研究绘制。Knewton的结构与功能数据存储层接入合作伙伴的系统用户界面Knewton系统（开放 API接口） 评估产生功能可视化推荐 预测6©2018.2 iResearch Inc iresearch自适应学习的效果作为一家 To B机构 ， Knewton的效果研究案例非常多 。 据 Knewton官网资料 ， 2011年亚利桑那 州立 大学 (Arizona StateUniversity)有近 2000名学生在使用 Knewton之后 ， 数学课程通过率 从 2009年 、 2010年 的 66-67%上升到 74.5%， 退课率从 2009年 、 2010年的 13.2-13.6%下降到 5.6%， 并且有 50%的学生提前 4周完成了学习计划 。Knewton对学习兴趣的提升也有一定的作用 。 荷兰初中 的 1500名飞行 学生在学习 Knewton推出的适应性学习 软件后 ，70%的学生表示他们比以前更爱学习英语 语法 ， 83%的老师表示他们看到了学生身上激发出的学习 兴趣 。以 Knewton为基础的自适应学习产品已被证明有效来源 ： Knewton, 2011, 链接： knewton/wp-content/uploads/knewton-adaptive-learning-whitepaper.pdf关于自适应学习 产品 Knewton的效果研究实例2010(未使用 Knewton)2011(未使用 Knewton)2011(使用 Knewton后 )通过率 67% 66% 74.5%退课率 13.2% 13.6% 5.6%提前完成学习任务的学生比例 N/A N/A 50%7©2018.2 iResearch Inc iresearch自适应学习的效果全球知名教育出版集团培生 (Pearson)十分注重自适应学习 。 旗下的 Mylab&Mastering是一个面向高等教育学生提供在线作业 、 教学和评估的自适应学习产品 ， 适用于天文 、 生物 、 化学 、 物理 、 工程 、 环境 、 营养学等 13个学科 ， 官网 显示每年有超过 1100万个学生都在使用 。 培生在 2012年与 Knewton合作开发了这个产品 ， 2014年搜集公布了来自不同高校教师的47个使用效果研究 ， 如纽约州立大学 、 北 卡罗莱纳大学 、 国内的北京师范大学等 ， 并声明没有给这些教师任何报酬 。以佛罗里达 州立 大学 (Florida State College)的 Lourdes Norman-McKay教授提供的研究为例：这位教授教的是一门微生物课 ， 2012年秋季学期他还没有使用 Mastering， 那时 班上一共有 741个学生 ， 课程通过率为 76.5%， 2013年 春季学期他开始让 班 上的 255个学生通过 Mastering来 完成 作业和测试 ， 结果发现课程通过率提高到 79.6%， 同时退课率和缺勤率都有所下降 ； 93%的学生表示 Mastering能帮他们进行批判式思考 ， 70-80%的学生表示 Mastering能让他们更好地准备考试和实验 ， 让他们变得更努力 。培 生与 Knewton合作开发的 Mastering已被证明有效来源 ： Pearson, 2014, 链接： pearsonmylabandmastering/global/results/files/Mastering_Final_v4.pdf关于培 生旗下自适应学习产品 Mastering的效果研究实例研究截图：考试通过率提高 课程通过率提高使用前为 76.5%，使用后为 79.6% 学生退课率下降使用前为 8.9%，使用后为 7.8% 课堂缺勤三次以上的比例下降使用前为 4.2%，使用后为 1.2% 让学生在考前一周完成Mastering上的模块测试 让学生在实验前一周完成Mastering上的实验 预测，并在实验后再次测试 在 Mastering上设置好综合评估方法，自动出分在考前检验自己的教学效果，帮学生查漏纠错实验前预估学生水平 ，激发 学生兴趣；实验后督促学生巩固知识减轻人工录分、算分的工作负担Lourdes教授怎样使用 Mastering 使用 Mastering的 效果8©2018.2 iResearch Inc iresearch自适应学习的效果培生热衷于做学习效果研究 ， 如 2011年在阿肯色社区大学 (Arkansas Community College)做的 MyMathLab效果研究 。（ 培 生旗下另一款自适应学习产品 ） 。 这所大学是一所学生成分非常多样的大学 ， 有刚刚高中毕业的学生 ， 也有从 1971年开始就没有接触过数学的学生 。 在使用 MyLab之前 ， 学生的数学课通过率很低 ， 学生为此抱怨 ， 老师也被迫重复教学 。2011年秋季学期 ， 学校采取了一项新措施：要求学生每周上四节 课 ， 并在 MyLabsPlus上完成作业 、 测验 和 期末考试 ， 平时则根据 MyLabsPlus提供的学习计划来学习 ， 不限次数地做练习题直到得分达到标准 ， 同时老师也通过 MyLabsPlus来评估 学生的 优势和 缺点 。 结果 ， 2011年秋季结束时 ， 数学课的通过率 大幅上升 。 最明显 的变化是 中级 代数课程的通过率在2010年 秋季仅为 30.5%， 到 2011年秋季已经飙升至 73.9%。 学生对 MyLabsPlus评价很高 。 2014-2015学年 ， 学校又把MyLab引进到了新生数学水平测试上 。2013年 12月 ， 培 生又推出 “ MyMathLab学习计划 ” 对 超过 10000多名学生进行研究 ， 结果表明参加自适应学习计划的学生在模块考试中的成绩比不参加的学生 高 12.5%。培 生与 Knewton合作 开发的 MyLab已被证明有效来源 ： Pearson, 2014, 链接： pearsonmylabandmastering/global/results/files/MTGV6_Sept_4.pdf关于培 生旗下自适应学习产品 MyLab的效果 研究实例研究截图：考试通过率提高“ 有了 MyLabsPlus，我就不用找家教了，因为我已经 有了一个私人教师 ”“ MyLabsPlus在我不明白的时候提供了 帮助”“我住在离学校 30英里的地方，所以我不方便 。在 学校里使用电脑可以 方便我 在家做 作业”阿肯色社区大学学生使用效果阿肯色社区大学学生的评价9©2018.2 iResearch Inc iresearch自适应学习的效果RealizeIt成立于 2007年 ， 是美国一家面向所有年龄层提供个性化学习和自适应学习产品 的教育 科技公司 。 据 RealizeIt官网资料 ， 2014年秋 ， 佛罗里达中央大学 (University of Central Florida)面向护理学和普通心理学两门课程的学生做了 一 项关于 RealizeIt效果的研究 。 每门课程的学生都被分成三组 ， 分别 使用面对面形式 、 佛罗里达大学自己的在线平台 和 RealizeIt来学习 。 到 2015年春 ， 在护理学课上 ， 三个小组的考试通过率分别为 98%、 96%和 100%， 在普通心理学课上 ， 三个小组的考试通过率分别 为 83%、 83%和 90%。 为了进一步验证 RealizeIt的作用 ， 这些学生又被安排参加了一项校外考试 ， 结果显示三个小组的平均分都在 85分上下波动 ， 但最低分差距较大 ， 分别为 54.8分 、 50.4分 、 13.2分 ， RealizeIt小组的成绩极差更小 ， 整体更有稳定性 。 另外这项研究中学生 （ n=159） 对 Realizeit的评价良好 ： 89.4%的学生认为 Realizeit好用(“easy to use”) ， 91.2%的学生 表示它指令 清晰 ， 83.7%的 学生 表示 会 再次 使用； 82.8%的学生觉得 使用后能 更好地接受课程 内容 ， 86.9%的学生 认为它提供 的反馈对后续的学习有 帮助 ； 77.7%的学生 认为它的评估有效 ， 80.9%的学生 认为它的评估 准确 。自适应学习产品 RealizeIt已被证明有效来源 ： RealizeIt, 2014, 链接： info.realizeitlearning/ucf-adaptive-learning-study关于自适应学习产品 RealizeIt的 效果研究实例研究截 图：使用 RealizeIt的 学生考试通过率更高 研究截 图：使用 RealizeIt的 学生成绩极差小10©2018.2 iResearch Inc iresearch自适应学习的效果DreamBox Learning于 2006年 在美国华盛顿成立 。 DreamBox数学能为 K-8学生提供自适应的数学课程和激励式的学习环境 。 2010年秋季 ， 斯坦福研究院 (SRI International)对使用 DreamBox的三所学校做了一项效果研究实验 ， 被 试为学校中幼儿园 和小学一 年级的学生 ， 实验组 466人 ， 对照组 117人 。 在实验过程中 ， 两组学生每天都在教室里参加几分钟的面对面教学 ， 然后实验组继续用 DreamBox20-40分钟 ， 对照组则同时接受 20-40分钟的其他在线课程 （ 非自适应的 ） 。 4个月共计 70天后 ， 实验组的整体数学能力 、 测量和几何能力有显著提升 。K-8数学自适应学习产品 Dreambox已被证明有效来源 ： Dreambox, 2011, 链接 ： go.dreambox/rs/715-ORW-647/images/ef-2011-08-SRI_Rocketship_Evaluation.pdf实验组 对照组前测 后测 前后测差异显著性前测 后测 前后测差异显著性样本量 平均值 标准差 平均值 标准差 样本量 平均值 标准差 平均值 标准差整体数学能力 446 146.0 18.0 159.0 16.6 p < .05 111 144.7 15.0 156.2 15.1 不显著问题解决能力 444 147.0 19.3 161.4 16.3 不显著 109 144.7 17.1 159.8 15.2 不显著数感 444 146.9 20.0 159.6 18.9 不显著 109 143.4 16.6 157.0 17.2 不显著计算能力 438 147.5 22.4 163.0 20.7 不显著 108 147.0 19.8 158.8 19.5 不显著测量和几何 441 144.5 18.9 155.5 18.3 p < .05 109 144.8 18.4 151.8 18.1 不显著统计和概率 443 145.5 19.3 156.3 18.9 不显著 109 145.1 15.6 154.1 17.6 不显著2010年秋 斯坦福研究院关于 Dreambox效果实验的前后测差异11人工智能自适应学习概述 2中国人工智能自适应 教育 市场状况 3中国人工智能自适应教育行业典型企业 4中国人工智能自适应教育行业未来趋势 5国外的自适应学习 112©2018.2 iResearch Inc iresearch自适应学习的概念自适应促使学习方式 发生深刻 变革：每个人都有自己的路径自适应 (Adaptive)， 顾名思义是自我调节和匹配 ， 具体含义是指根据数据的特征 自动调整处理方法 、 顺序 、 参数和条件 ，以 取得 最佳处理效果 。 它 不是指某项具体 技术 ， 而是多种知识和 技术融合达成的一个结果 。 这个概念类似于 “ 共享经济 ” ，它不是指某个经济领域 ， 而是新场景 、 商业模式 、 技术等因素融合而成的一种经济现象 。自适应学习 (Adaptive Learning)在国内 引起 广泛关注是在 2015年 ， 彼时在线教育正野蛮生长 ， 一小批人注意到在线教育完课率极低 ， 这是因为在传统学习模式下 1） 不同学习内容之间的跳转逻辑是 线性 单一的 ， 学生 即使已经掌握 了某一块内容 ，还是 需要花费时间去学习； 2） 学生 有问题也不能得到即时的反馈和帮助 。 对此 ， 自适应学习致力于通过 计算机 手段检测学生当前的学习水平和状态 ， 并相应地 调整后面的学习 内容 和路径 ， 帮助 学生提升学习效率 。 然而 ， 学习 是一个复杂且隐性的过程 ， 简单的计算机编程很难实现好的效果 ， 运用人工智能技术来实现的 人工智能自适应学习 应运而生 。 这是对传统自适应学习的升级 ， 也是对新型学习方式的探索 ， 在教育领域意义重大 。传统学习模式与人工智能自适应学习模式对学习内容的排布来源：艾瑞咨询研究院自主研究绘制。学习内容 学习内容间的关联传统学习模式 人工智能自适应学习模式 学习内容切割成块 内容 块之间的关联较为简单，整体形成一条平面路径 所有 学生基本按照同样的路径来学习 学习路径 缺乏 调整逻辑 学习内容切割成点 内容 点之间的关联较为复杂，整体构成一个立体网络 每个学生都可按照自己的路径来学习 学习路径可以调整13©2018.2 iResearch Inc iresearch自适应学习产品有智能程度之分基于人工、基于计算机编程还是基于人工智能？当大多数人提起自适应学习时 ， 他们对自适应学习 产品的智能 程度缺少一个清晰的定义 。 看一个自适应学习产品 ， 需要判断它是基于人工的自适应 ， 还是基于计算机编程的自适应 ， 还是基于人工智能的自适应 。 目前人工智能总体 上 还处于初级阶段 ， 人工智能 +自适应学习又是一个新兴的领域 ， 相关人才和经验总体上处于匮乏状态 ， 因此市场上的人工智能自适应学习产品基本都属于弱人工智能的范畴 。 但即便是弱人工智能 ， 相比于基于人工的自适应和基于简单计算机编程的自适应来说 ， 也已经是一种进步 。 弱人工智能自适应学习进化到强人工智能自适应学习的突破口在于人工智能自适应技术的突破以及其在教育垂直领域的深度落地 。来源：艾瑞咨询研究院自主研究绘制。中国自适应学习产品的智能 等级 之分等级 命名 原理 技术范畴 是否为人工智能自适应1 基于人工的自适应 由人来判断学生的能力水平，系统根据预先设定好的条件指令推送相应的学习内容 人工劳动 否2 基于简单计算机规则的自适应 由计算机来判断学生的能力水平，并推送相应的学习内容计算机编程一般的计算机编程（技术水平为目前主流所应用）否3 基于人工智能算法的初级自适应由专家来构建知识体系（往往用知识图谱相关技术来构建），系统在此基础上判断学生的知识水平，并推送相应的学习内容 人工智能（技术水平远高于目前主流应用水平）是4 基于人工智能算法的中高级自适应由专家来构建能力体系，系统在此基础上测量学生的学习方法，评估学习能力，预测学习进度和效果是14©2018.2 iResearch Inc iresearch人工智能自适应学习的原理在大数据的基础上构建学习模型并输出学习 建议在现阶段 ， “ 搜集大 数据 构建学习模型 输出学习建议 ” 是实现人工智能自适应学习的基本步骤 。 学习模型的构建过程非常复杂 ， 常人难以理解 ， 通俗来说 ， 它是在 “ 借鉴 ” 人类大脑的思考 过程 ， 通过 成千上万个函数点互相传导 信息 ，用穷举的方式从千丝万缕的函数嵌套关系中找出学习规则 ， 并不断进化模型 。 它的输出由三部分要素有机结合而成：学习材料 （ 如：一段教学视频 、 一道练习题 ） ， 用来测评学生是否掌握 学习 材料的标准 ， 学习材料的推送顺序 。 这三部分的内容和时长都由人工智能算法来决定 。 学生使用系统的时间越多 ， 留下的行为数据越多 ， 系统的效率就越高 。人工智能自适应学习来源：艾瑞咨询研究院自主研究绘制。知识水平错误 模型元认知能力认知特征情感特征计算机科学 数据科学 机器学习 认知科学 教育 测量学 学习心理学 训练模型学生大数据获取训练样本学科模型教学方法模型学生模型知识空间理论 信息论技术 逻辑斯蒂回归 遗传算法 贝叶斯网络分类树 教育数据挖掘模糊逻辑 学习 分析 图论用于构建理想情况下学生要掌握的内容用于深度 模拟优秀教师的教学过程及策略模型的核心组成部分，用于了解学生在认知、情感方面的个性特征转化并输出要素输出学习材料，推送给学生自适应内容Content对学习材料掌握情况的测评与反馈自适应测评Assesment学习材料背后知识 点的组织顺序自适应序列Sequence分析学生 正答率 、 用时 、 对学习目标的熟悉程度 、 学习相似内容的表现 、 自信度 等多维数据人工智能自适应学习系统的基本原理贝叶斯知识跟踪理论 项目反应理论概率图模型 深度学习 神经网络自适应学习所采用的 AI技术15©2018.2 iResearch Inc iresearch人工智能自适应学习系统的 运行流程像优秀教师一样“思考”和“行动”老师 是以经验 驱动 教学的 ， 整个过程虽然遵循一定的节奏 ， 但每一步的 “ 火候 ” 非常依赖于教学经验的积累 ， 因此刚毕业的老师往往适合于答疑 ， 而在教学的体系化上有所欠缺 ， 教龄长的老师往往擅长全盘把控 ， 而在亲和力上稍显不足；不同老师对学生学习情况的判断是不一样的 ， 从而导致他们所规划的学习路径不同；两个老师即使经验值相等 ， 还会在性格脾气 、 教学风格 、 薪酬期待上有所差异 ， 从而影响教学效果 。 人工智能自适应学习系统旨在聚集并量化优秀教师的宝贵经验 ，以数据和技术来驱动教学 ， 最大化地减小老师水平的差异 ， 提高整体教学效率和效果 。完整的人工智能自适应学习系统对优秀教师教学过程及策略的量化模拟来源：艾瑞咨询研究院自主研究绘制。初步了解学生情况 备课 评估 教学 效果自适应测评 智能 规划学习路径 自 适应测评大数据平台用户基础智能推送练习内容智能推送学习内容自动 挖掘 问题让学生做练习讲授发现问题人工智能自适应学习系统人类教师人工智能算法 录播视频 直播 图文材料 课堂练习 课后作业 项目实践16©2018.2 iResearch Inc iresearch测评练习、作业教学辅助教、学认知、思考在线作业自适应与人工智能 +教育的关系人工智能在教育领域的落地应用是大势所趋 。 目前已有的智能产品包括拍照 搜 题 、 分层排课 、 口语测评 、 组 卷阅卷 、 作文批改 、 作业布置等工具 ， 这些工具应用了先进的人工智能技术 ， 但应用场景只停留在学习过程的辅助环节 上 ， 而不会直接带来 教学质量和 效果的提升 。 人工智能 自 适应则能够把人工智能技术 渗透 到教学的核心环节中 ， 既有助于从根本上改进学习的理念和方式 ， 也有助于产品打通商业模式 ， 直接面向 C端用户销售变现 。自适应在人工智能 +教育中的角色自适应能够深入教学核心环节，而其他 AI技术不一定能深入来源：艾瑞咨询研究院自主研究绘制。最外围学习环节次外围学习环节次核心学习环节最 核心 学习环节获取学习资料、陪伴、沟通、教务、管理规划学习路径推送学习内容侦测能力缺陷预测学习速度自适应应用场景与关键人工智能技术 /课题 学习环节 拍照搜题 图像识别陪伴 机器人 语音交互分层排课 智能搜索判断学习态度 情绪识别口语测评 语音 识别 组卷阅卷 图像识别、自 然语言处理作文批改 图像识别、自 然语言处理 作业布置 自适应虚拟场景展现 VR/AR17©2018.2 iResearch Inc iresearch人工智能自适应在教育过程中的应用各个环节均有可为，教学环节最核心，全流程应用最高级完整的教育流程可划分为内容开发 教学 （ 学习 ） 练习 测评 管理五个环节 ， 这些环节中都存在人工智能自适应学习可以应用的场景 。 其中 ， 自适应内容开发是其他 4个环节的基础 ， 需要耗费巨大的工作量 ， 目前国内少有公司专门以这项工作为主要业务 ， 大多数公司往往只把它作为一项内部产品开发的前续工作；自 适应 管理指的是通过分析教学 、作业 、 测评环节的学生数据 ， 对用户进行智能预警 、 提醒和跟踪 ， 是其他 4个环节成功应用后的附加产物 。 人工智能自适应学习技术在 教学 、 练习和测评 三个环节的应用能够直接面对 C端用户 ， 市场广阔 ， 是目前主要的三个应用环节 ， 而其中教学 环节的应用对学习效果的影响作用最大 ， 也是整个教育流程中最核心 、 最复杂 、 最难的一环 。 随着用户对个性化和效果的需求越来越强烈 ， 不同环节之间出现 了一定 的界限模糊 ， 市场上也出现了能在五个环节同时应用的 全流程 自适应学习系统 。 中国人工智能自适应教育产品可应用的教育环节来源：艾瑞咨询研究院自主研究绘制。可应用的教育环节自适应教学 自适应测评学习材料开发学情诊断沟通管理自适应内容开发遗忘遗忘感觉记忆环境刺激短时记忆长时记忆复述编码提取知觉注意消退前提环节：内容 核心环节：教、学、练 辅助 环节：测评全流程自适应学习系统人类大脑认知学习的过程教学与学习 练习相应的应用自适应练习其他环节：管理自 适应管理18©2018.2 iResearch Inc iresearch深入应用到教学核心环节难度较大需要 先有教学环节的有效数据，不能仅有练测环节的数据来源：艾瑞咨询研究院自主研究绘制。教学 环节对 学习效果 的影响作用 最大 ， 也是整个教育流程中最核心 、 最复杂 、 最难的一 环 ， 而测评 、 练习环节相对外围 、轻量 、 简单 ， 因此自适应学习产品最先在测评 和 练题场景中得到应用 。 如果把不同的人工智能自适应学习产品分为 “ 只应用到测评环节 ” （ 自适应测评 ） 、 “ 只应用到测评和练习环节 ” （ 自适应练习 ） 、 “ 同时应用到测评 、 练习和教学环节 ”（ 自适应教学 ） 三类 ， 那么自适应教学是其中数据获取难度和产品功能等级最高的一类 。 自适应教学产品的开发需要有教学环节的有效数据 ， 而这些数据的获取难度高 ， 具体体现在： 1） 自然状态下 ， 教学过程数据是非结构化的； 2） 数据可挖掘的维度多 ， 不限于测试成绩和作业情况 ， 还包括学习路径 、 内容 、 速度 、 偏好 、 规律等深度数据； 3） 不同数据点之间的关系复杂 。自适应练测与自适应教学的功能差异检测 出知 识 薄弱点自适应测评产品功能等级居中 诊断学习 水平 检测出薄弱知识 点 推送 包含这些知识点的练习题产品功能等级低 诊断学习水平 检测出薄弱知识点产品功能等级高 诊断学习水平 检测出薄弱知识点 推送包含这些知识点的 练习题 推送包含这些知识点 的学习内容 规划学习路径和速度 追踪过去的知识漏洞 评估学习能力教学黑箱练黑箱测黑箱自适应练习自适应教学教学黑箱练学测练教学黑箱练黑箱测练19©2018.2 iResearch Inc iresearch在线作业人工智能自适应 教育 的 本质在教育行业 ， 老师是核心生产资料 ， 但优质老师非常稀缺 。 从 理论上讲 ， 一 位优质的 老师可以通过互联网同时 面对无限数量的 学生 ， 从而解决优质师资稀缺的问题 ， 但这个过程缺乏有效的师生互动 ， 而且老师 分 配给每个学生的个性化服务时间极少 。 这是人工智能自适应教育从业者的基本共识 。传统面授教育 的 优缺点都非常明显 。 在过去几年间蓬勃生长起来的在线教育所做出的贡献 ， 更多的是把传统面授教育的模式搬到了线上 ， 而本质上并未改变 。 人工智能自适应教育的雄心在于以数据和技术为驱动力 ， 实现规模化的个性化教育 。人工智能 自适应 教育的特点本质是数据驱动的、可规模化的个性化教育来源：艾瑞咨询研究院自主研究绘制。传统面授教育 录播 /直播模式的在线教育 人工智能自适应教育教师资源 优质师资非常稀缺教学效果参差不齐 优质师资比较稀缺教学效果参差不齐 普通老师得到系统辅助，整体教学效果的下限被拉高、差距被缩小 ,缓解优质师资稀缺和教学效果参差不齐的问题教学过程 老师需要备课、凭经验授课 以老师为中心 老师仍需要备课、凭经验授课 以老师为中心 老师备课工作量大大降低，学习路径、内容和顺序由系统规划， 以学生为中心教学反馈 不即时、不具体 不一定即时、不一定具体 即时、具体效果评估 依赖教师经验和考试分数统一评 估，评估维度单一、粗糙 依赖教师经验、考试分数、学习 过程数据，测评维度比较全面 依赖学习过程数据、考试结果等来测评，测评比较全面、精准，并 能够支持学习过程的动态优化，有助于教学效率的提升技术需求 不需要技术支持 需要一定的数字化技术支持 需要高级的数字化技术及智能技术的支持个性化程度 低 中 高20©2018.2 iResearch Inc iresearch在线作业人工智能自适应教育的价值人工智能自适应 教育是一次行业改革实验 ， 对机构 、 对学生 、 对老师三方都具有降本提效的价值 。 其核心价值是把教育行业从劳动密集型的农业时代带向成本更低 、 效率更高的工业时代 。 农业化向工业化 发展的 趋势是不可阻挡的 ， 即使不通过人工智能自适应教育来实现 ， 也会通过其他渠道来实现 。人工智能自适应教育的价值核心价值 是 降本提效，促进行业升级来源：艾瑞咨询研究院自主研究绘制。 提高 教学质量：人工智能 自适应学习系统能为教师赋能，降低机构对教师的能力要求，从而降低教师招聘的难度，同时提高机构教学质量的下限，这一点 对于人才匮乏的中小城市机构 来说尤其具有 价值 改善成本结构：人工智能自适应学习系统能够降低教师薪资成本，提高课程的边际效益 增强扩张能力：成本结构的改善和产品标准化能力的增强有利于机构走出教育培训行业扩张受限的“魔咒”，扩大机构规模 维护团队 稳定 ：教师对系统的依赖有利于降低机构对单个教师的依赖性，增强机构抵抗名师出走风险的能力对机构 及时、精准地知道自己的薄弱知识点 拥有一套个性化的学习方案，避免因为学习方案的不匹配而产生挫败感、浪费时间 清晰地知道自己与同龄人的学习行为差异 得到系统提供的标准化服务，不因老师的个人喜好而受到差别对待，也不因自己对老师的爱戴程度而影响学习态度对学生 拥有一个教学助手：减少作业批改、错题统计等重复劳动， 减轻负担；系统协助授课，提高上课效率 拥有一个教学伙伴：借助人工智能自适应学习系统，准确 知道学生的薄弱知识点、不