AI当“私教”?生成式AI解锁个性化学习新方案

知网

检索式：

SU=(生成式AI+生成式人工智能+AIGC+ChatGPT+DeepSeek+GAI)*(个性化学习+个性学习+因材施教)

检索到277篇期刊论文，选择来源类别为“北大核心”，检索结果为37篇。

万方

检索式：

主题:(("生成式AI" or "生成式人工智能" or AIGC or ChatGPT or DeepSeek or GAI) and ("个性化学习" or "个性学习"or "因材施教"))

检索到690篇期刊论文，在获取范围选择“只看核心”，检索结果为193篇。

EBSCO

选择ASP、BSP、ERIC三个字库，检索式：

AB ("Generative AI" OR "Generative Artificial Intelligence" OR "AI-generated content" OR AIGC OR ChatGPT OR DeepSeek OR GAI) AND ("Personal* learning" OR "Individual* learning" OR "Adaptive learning" OR "Learner-centered learning" OR "Personal* study" OR "Individual* study" OR "Adaptive study" OR "Learner-centered study")

检索到428篇期刊论文，选择“同行评审”，检索结果为359篇。

Scopus

检索式：

("Generative AI" OR "Generative Artificial Intelligence" OR "AI-generated content" OR AIGC OR ChatGPT OR DeepSeek OR GAI) AND ("Personal* learning" OR "Individual* learning" OR "Adaptive learning" OR "Learner-centered learning" OR "Personal* study" OR "Individual* study" OR "Adaptive study" OR "Learner-centered study")

在Keywords字段，检索到356篇；在Title字段，检索到85篇。

（注：检索时间截至2025年12月30日）

自生成式AI出现伊始，教育界积极探索其与教育融合路径。截至2025年末，国外研究成果丰硕。聚焦个性化学习，开发与应用研究大致可以分成三个方向，一是作为自适应学习的工具，辅助学生调整学习路径；二是扮演虚拟导师的角色，提供智能反馈；三是结合如VR、AR等技术打造个性化学习环境。

值得注意的是，国外研究相较于国内格外关注伦理问题，这像是悬在生成式AI赋能个性化学习的达摩克里斯之剑。

1. 生成式AI促进个性化学习的新路径

1.1自适应内容生成与学习路径优化

个性化学习的核心是根据学生的兴趣和需要定制学习体验，生成式AI通过与对话动态调整所传递的内容，确保教育“旅程”的个性化。

Tasdelen and Bodemer(2025) 在德国小学课堂进行前后测实验发现，采用个性化资料学习的学生在内在动机、学习兴趣及学业表现均显著优于采用标准资料者^[3]。类似地，另有研究者在乌拉圭的两所小学进行实验，探讨ChatGPT-3.5在小学阶段进行个性化内容推送和动态调整的效果，结果发现其有效提升了学生的动力和表现，从而促进学习目标的达成^[4]。高等教育领域，Kestin等人在大学进行随机对照实验发现，AI辅助呈现内容可使大学生短时间内学到更多的知识，且情绪投入度更高^[5]。

AI与学生一对一的交流能及时捕捉到不同学生的不同困惑与需求、调整内容，为各阶段教育提供个性化学习的新路径。

1.2虚拟导师和智能反馈机制

生成式AI的对话模式使得其一问世便掀起了一场“AI替代教师”的危机论，但随之而来的是诸多质疑。如AI模型仅帮助学生快速完成任务，但无法培养批判性思维和创新性思维；其次，生成式AI的答案存在幻觉，却语气笃定，导致学生接受了许多错误信息而非经过筛选的有效知识^[6]。

对此，近几年许多学者着力开发具备教学方法和教育逻辑的教育型AI，致力于模拟与真人专家沟通的学习体验。如哈佛大学Kestin团队构建的AI智能体，可以实现人工智能系统促进主动学习、认知负荷管理、促进成长型思维、脚手架内容、确保信息和反馈的准确性等，从而为未来教育人工智能应用建立模型^[5]。McLaughlin等人在医学教育领域测试AI个性化反馈效果，证实其辅助制定研究计划的高效性，凸显虚拟导师潜力^[7]。

需要注意的是AI虚拟导师情感支持较弱，人机协同的新教学模式可能是未来实践的方向。

1.3结合多技术的沉浸式多模态学习体验

部分国外学者尝试将生成式AI与虚拟现实(Virtual Reality, VR)等沉浸式技术相结合，构建互动性更强的个性化学习环境。相较于仅依赖文本或对话的形式，此类研究强调通过多模态技术整合，为学习者提供具身化的学习体验。

已有实证研究表明，VR环境中融入AI个性化内容可显著提升学习参与度。在一项以VR学习情境为基础的实验研究中，研究者通过人工智能动态生成与学习任务相关的叙述内容与交互提示。研究结果显示，相较于以往的VR学习环境，AI支持下的VR学习环境在学习者的注意力投入、情境参与度以及认知投入水平方面均表现出更为积极的效果^[8]。另一项技能学习研究将AI嵌入VR系统中，动态生成指导性语言和学习支架，既增强互动性，又提升指导针对性与任务完成质量^[9]。

这表明，生成式AI与虚拟现实等沉浸式技术的融合，为个性化学习环境的构建提供了新的技术路径和实践可能。

2. 对伦理和隐私问题的关注

生成式AI在教育领域的应用始终伴随伦理与隐私争议，包括但不仅限于数据隐私、教育资源公平、算法偏见等尚未形成统一规范的领域。

秘鲁21所高校的调查显示，51.2%的教师和47.5%的学生对数据隐私和安全表示担忧；61.1%的教师和53.5%的学生认为人工智能系统缺乏透明度，凸显了建立区域性协作伦理框架的必要性^[10]。

微观层面，许多研究者或学校出于伦理考量提倡限制或规定学生使用AI。如Karl de Fine Licht在文章中论证大学在资源受限且无法保障数据治理与教学公平的情形下，禁止学生使用生成式人工智能的合理性^[11]；Saeed Awadh Bin-Nashwan等人指出，生成式 AI 的普及已对学术诚信构成实质威胁，成为高校制定限制性政策的重要原因^[12]；另有研究发现，美国排名前100的大学（n = 104）对生成式人工智能总体开放但谨慎，但没有一所对生成式人工智能工具实施了全面禁令，这可能是因为现实中几乎不可能禁止大学生使用生成式人工智能，也没有必要这样做^[13]。

综上，伦理问题是生成式AI教育应用的核心风险，我们作为教育研究者务必要在向前探索的道路上，坚守伦理底线，避免生成式AI的应用陷入缺乏理性的疯狂中。

（二）国内研究现状

国内学者普遍认为，生成式人工智能正从根本上重塑个性化学习的实现机制，推动其从基于大数据的“精准推送”模式迈向基于生成能力的“动态创生”模式^[14][15]。研究重点聚焦于智能导师系统的对话化升级、学习路径的实时自适应构建、诊断反馈的精细化以及教师学生的双向赋能四个层面，强调技术赋能下学习者主体性的彰显与教育情境的强生成性特征^[16]。

1. 个性化学习体验的实现与优化

1.1 自适应学习路径的构建

自适应学习（Adaptive Learning）是一种基于学习者个体特征动态调整教学内容、策略和路径的教育方法与技术系统。而基于AIGC的生成式学习为自适应学习路径的构建拓展了新的可能。其中生成式学习的“生成”有两层含义，非预设性和发展性，该特点强调强调个体学习者的“高自主性”和AIGC作为内容资源环境一体化的“高生成性”^[16]。“按需生成”的学习路径能够基于多模态交互数据，动态调整学习内容的难度和呈现方式^[15]，真正做到因材施教。

路径优化的另一个突破在于跨学科整合能力的提升^[17]。传统自适应系统受限于学科知识建模的复杂性，难以实现真正的跨领域学习。而通用大模型凭借其庞大的知识基底，能够自动关联不同学科的核心概念^[17]。

1.2 学习诊断与反馈

国内研究者指出，生成式AI在学习诊断领域的核心价值在于实现了从“结果评价”到“过程理解”的深化^[15]。传统的诊断方式多使用提问、做题等手段得到一个非针对学习者个体的粗粒度诊断，而大模型能够对学习者的学习过程的全链条进行微观细致分析^[18]。通过学习行为数据分析，系统不仅能判断知识点的掌握与否，还能识别理解深度、误区类型及能力短板^[15]。

其次是思维过程的显性化呈现^[19]。基于“超长思维链”技术，生成式AI能通过演绎文本解读，将学生的认知路径分步骤可视化，揭示其推理逻辑与问题表征方式^[18]。这种技术可以帮助学生积极主动建构学习内容，发展批判性思维等，对于诊断高阶思维能力尤为关键。

最后是反馈的即时性与情境性^[15]。区别于传统滞后的作业批改，生成式AI能实现“边学边评”的伴随式反馈^[15]。多模态反馈形式（文本、语音、可视化图示）的应用，使反馈更贴合不同学习者的接受偏好，增强了指导的有效性^[17]。通过这及时反馈，赋能学习者从而促进学习。

1.3 智能导师系统ITS的升级

智能辅助系统（Intelligent Tutoring System, ITS）可以通过模拟专业导师的角色，利用人工智能实现高度个性化学习支持^[20]。传统智能辅助系统受限于领域知识固化、自然语言理解能力不足等，而生成式人工智能技术的兴起，特别是大语言模型的出现为智能导师系统的发展提供了新可能。例如，有学者提出的“苏格拉底游乐园”系统，通过精心设计的提示词工程，使大模型能够围绕复杂知识点展开多轮追问，引导学习者自我反思与批判性思考，而非直接提供答案^[20]。这种对话模式不仅增强了学习过程的沉浸感，更关键的是将教学目标从知识传递转向思维训练^[20]。

与此同时，国内研究特别强调情感计算与人文关怀的融入。生成式人工智能在可以根据心理学框架为学习者提供提供情感支持，帮助改善学习过程中的负面情绪。如华东师范大学的EduChat教育大模型，其核心功能之一便是可以为学习者提供个性化诊断和情感支持^[17]。

1.4 教师和学生的双向赋能

国内研究呈现出明显的“双向赋能”特征，既关注生成式AI在教师端减轻负担、提升教学质量的应用，也聚焦学生端作为认知工具激发主体性的实践^[14][21]。

国内学者普遍将教师视为生成式AI应用的关键节点，在这场人工智能系统带来的教育变革中技术和教师正在协同发展。AI对教师的赋能应从自动出题、自动批改等初级阶段，逐步深入到教学的核心环节，如利用AIGC辅助课程内容的结构化设计，生成大单元教学主题活动框架^[15]。同时，研究者开始关注AI对教师专业发展的促进作用，如AI生成的课堂对话分析报告能帮助教师识别自身提问模式中的“低阶问题占比过高”问题，从而针对性地改进教学策略，更好地进行教师教学反思^[20]。不仅如此，AI还可模拟不同认知风格的学生反应，为教师提供“虚拟教学演练”环境，以此提升新手教师的情境应对能力^[20]。

国内研究对AI赋能学生的探讨，核心在于如何借助AI更好地彰显学习者主体性。学者们普遍认为，生成式AI不应是“答案呈现者”，而应成为激发学生主体性的“认知推动者”^[16]。这一理念在“师生智能体”概念中得到集中体现：学生作为学习主体，其“内脑”负责创造性思维与价值判断，AI作为“外脑”承担信息检索、模式识别等辅助功能，二者构成“协同共生”的复合认知体^[16]。研究发现，当学生掌握提示词设计能力后，其问题意识与元认知水平显著提升，能够主动通过追问、质疑与AI展开深层次对话，实现从被动接受到自我引导的范式转换^[15]。

数字技术的飞速发展为我们描绘出一个从未有过的万物互联的世界，但是这个繁杂世界的背后已然存在着一个无法忽视的问题——数据和隐私泄露。在使用生成式AI时，大语言模型可能捕捉用户输入时的敏感信息，并在生成内容时无意识暴露。通过片段信息推断用户个人特征，构建用户画像。尤其是考虑到学生群体隐私保护意识相对淡薄，在未来，继续升级安全框架，完善使用标准以及提升学生的数据和隐私保护意识将至关重要。

智能时代已然到来，一方面AI可以通过远端教学、智慧教育平台等技术赋能边远、农村等地区，使优秀的教育资源更好地覆盖这些地区。但同时越来越多学者开始思考，生成式AI等先进技术同时也将产生“数字鸿沟”，成为教育公平的隐形威胁。当今数字素养日显重要，如何在利用这些先进技术直接赋能教育资源相对匮乏的地区以外，兼顾当地教师和学生数字素养的培养，实现数字技术赋能和数字素养培养的共同发展，是我们必须面临和处理的重要问题。

生成式AI的普及，将教师从备课、作业批改等重复性事物中解脱出来，使其从“知识的传授者”转变为“高阶思维的引导者”、“情感和价值观的传递者”。师-机-生三元协作的教育互动模式正在重塑着育人场景，但不容忽视的是便捷的人机交互同时也挤占了师生之间的真实沟通空间，真实情感培育场景被压缩。受限于技术碎片化的师生交流，也让师生之间的情感联结逐渐弱化。教师需通过制度设计与实践操作平衡课堂生态，利用AI解放的时间助力个性化关怀，发挥其在育人环节中情感引导、价值观塑造和道德示范等“技术无法企及”的核心职能。

生成式AI的便捷性与高效性使得学习者有时不经思考，直接采用AI生成的答案，这导致人的创造性思维、批判性思维等核心能力的退化，与当前教育提倡培养创新人才的核心目标相悖。我们期待未来人类仍然可以作为知识建构和价值判断的主导者，而AI则作为激发人类潜能的催化剂，实现真正意义上的人机协同。

中文文献搜索的时候，我们尝试用知网AI和万方AI筛选文献，但筛选出来的文献质量不高，和本小组需要的选题关联度低，这可能是由于国内学者对关键词的设置不够严谨。故最后使用小组成员人工筛选的方式。

国内文献综述撰写时，我们分别借助Kimi、DeepSeek、Gemini生成了初步的国内研究现状的撰写框架结构。但此时生成的结构具有很强的“AI味”，如过于对仗的标题、奇怪的用词和莫名其妙的比喻句。好在小组成员能够理解并提炼其表述中真正可用的观点，最后在Gemini和Kimi提供的框架上修改形成最后的框架结构。

在国外研究现状的写作过程中，认识到了不同类型数据库带来的不同支持。如WOS作为高录用标准的引文数据库，可以快速筛选到高质量高影响因子文献；Scopus和WOS收录文献的学科侧重不同，Scopus更倾向于文科、工科、交叉学科等，与研究问题更加契合；ScienceDirect作为全文数据库则可以提供文章全部内容供研究者浏览；谷歌学术虽然是一个综合检索工具，但是可以快速实现跨平台搜索。在写作过程中真正感受到了不同数据库的不同魅力，只有互相结合着用，才能真正做好一篇文献综述，这一过程为其他需要进行外文文献搜索的研究奠定了基础。

小组尝试用AI对外文参考文献进行格式调整，但是发现AI无法完全正确地输出GBT 7714-2015的格式。可以看到AI目前并不能完美处理参考文献的格式指令，最好还是直接在官方网站上引用或手动核对调整。

AI的确有助于我们快速了解不熟悉的领域，但随着我们小组成员一次次地检索与阅读，AI直接生成的内容逐渐变得“单薄”、“不可用”。我们意识到，借助AI或许有助于快速入门，但生成的内容还是需要人的润色与加工。

参考文献