基于学习科学的GPLE 个性智能学习系统研究

教育部《中国教育现代化2035》提出”要建设智能化校园，统筹建设一体化智能化教学、管理与服务平台，利用现代技术加快推进教育组织形式、教学方式改革”。《“十四五”教育信息化发展规划》强调”以科技赋能教育高质量发展”，要求”建设基于人工智能和大数据的新一代教育治理体系”。这些政策文件明确表明，探索人工智能与个性化学习融合创新已成为我国教育信息化发展的重要方向。

一、个性化学习、人工智能技术及学习科学概述

1. 个性化学习概述

个性化学习强调以学生为中心，尊重其学习需求、方法、背景、兴趣及认知特点，通过定制化的学习路径和资源最大化学生的学习潜力。其理论基础主要源于建构主义学习理论、差异化教学理论及多元智能理论。建构主义强调学生通过自主探索构建知识体系，而个性化学习通过灵活的方式支持这一过程；差异化教学主张根据学生的能力和兴趣提供针对性内容；多元智能理论则提出人类拥有多种智能类型，个性化学习应根据学生的智能特点设计学习体验（李琳，2025）。

2. 人工智能技术

人工智能技术为个性化学习提供了强有力的支持。《教育传播与技术研究手册 （ 第四版 ）》第四部分 （ “一般教学策略”篇 ） 的第 34 章专门介绍了“促进个性化学习、教学和绩效的先进技术”。该章内容主要涉及三个方面：一是促进个性化学习的核心理论——学习者建模 ; 二是促进个性化学习的关键技术之一——人工智能；三是促进个性化学习的关键技术之二——教育数据挖掘（何克抗，2017）。

3. 学习科学概述

学习科学领域结合了认知心理学、神经科学和 AI，以加深我们对人类如何学习的理论理解并改进实际学习方法。Dunlosky et al.（2013）系统地讨论了十种经过实证检验的学习技术，并评估了它们的效用，比如间隔练习、检索练习、交错、阐述和个性化。

4. 关于三者融合的跨学科研究

国内外的积极探索正在使得三者融合成为可能。UniDistance Suisse 为参加神经科学课程的心理学学生提供了一个 AI tutor 应用程序。在使用 GPT-3 从现有课程材料中自动生成微学习问题后，AI 导师开发了一个动态神经网络模型，用于每个学生对关键概念的掌握情况。结果表明，积极与 AI 导师互动的学生取得了显着更高的成绩。与没有 AI 导师的平行课程相比，积极参与导致平均提高了 15 个百分点（Ambroise Baillifard，2023）。

面向个体的精准化教育，也是国内积极探索的探索主题。姬梁飞（2025）提出在人工智能视域下，可由“教师一学生 - 同伴一人工智能”四维向度重构数学个性化学习共同体。云岳（2022）从信息技术角度系统地综述并分析了当前个性化学习路径推荐的研究现状，归纳总结了当前研究中最为主流的核心推荐算法。

二、基于学习科学的GPLE 个性智能学习系统

本文探讨在学习科学指导下，面向基础教育阶段，以初一下学期数学为例，在个性化学习中的探索符合需求的个性化智能学习系统。

1. 对系统需求的理论基础

从学习科学角度，期待学习系统能基于大脑处理信息的神经机制设计，优化工作记忆负荷，避免认知超载；利用间隔效应和检索练习增强长期记忆；根据学生认知特点定制学习路径；通过神经可塑性原理强化知识记忆，实现精准的学习效果评估。

从人工智能角度，期待学习系统采集到相关数据，进行学生作业图像分析、课堂行为识别、学习进度跟踪、作答模式分析、个性化推荐和学习诊断。

从个性化学习角度，期待学习系统能够实现动态调整学习内容和难度，能够根据每个学生不同的学习风格和既有水平与能力，精准推荐学习资源及相关测试题，实时评估知识掌握状态并给与积极反馈答疑。

2. 基于学习科学的GPLE 个性智能学习系统

基于以上跨学科理论与需求设想，本文试图利用现有的 AI 工具和技术、高效整合相关技术资源，从学习科学和个性化学习角度，支持学习者实现自我的学习目标。为此，本文以初中初一下学期数学学科为例，研究并提出了一个 GPLE（Graph-Planning-Learning-Evaluation）个性智能学习系统。该系统包括知识图谱搭建（G）、学习路径规划（P）、课程内容生成（L）和答疑评估反馈（E）四个模块。

（1）G（Knowledge Graph） ：利用 Obsidian 工具实现知识图谱搭建

知识图谱在教育领域得到广泛应用：Knowtium、Wolfram Research 和可汗学院等机构正在利用知识图谱构建跨学科的智能化教育资源和教学架构。知识图谱的构建主要包括以下几个环节：构建、知识获取、知识抽取、知识融合、知识存储、知识应用（李旭，2023）。Obsidian 的关系图谱视图将笔记间的双向链接转化为可视化图谱，通过将学科知识相关资料获取、抽取、融合并存储在 Obsidian 文件夹中，该软件将会自动生成可视化图谱，帮助学生快速了解学科知识概览及需要掌握的知识要点。

随着 AI 技术的发展，Deepseek、Grok 3 和 Gemini 2 . 5 p r o 等不断扩大文本阅读的字数上限，能大大压缩文本整理和拆分的时间和人工。以下是本文作者使用Grok 3 将初一下学期数学第一、二单元资料拆分成为的知识图谱。

（2）P（Learning Path Planning） ：利用 Cherry Studio 工具实现学习路径规划

本文尝试搭建基于学习科学的Cherry Studio 学习科学规划智能体，并将Obsidian 生成的知识图谱及学生学习过程中发现的缺漏发给学习科学规划智能体。该智能体的基本功能包括识别学生学习风格与认知发展状态、设计记忆强化轨迹、进行基于神经可塑性原理的训练等方面。

在智能体设计中，本文在学生学习认知发展状态方面会通过测评了解前运算、具体形象思维、形式运算和高阶认知等不同认知水平状态和学习风格；在记忆强化轨迹设计方面，会利用双重编码记忆策略、间隔强化周期等多个学习科学理论原则；在神经可塑性训练方面，通过错题递归训练、激活前额叶、训练工作记忆能力，通过题型变式生成、激活顶叶联合区、训练模式识别能力，通过实时反馈闭环、激活前扣带回、训练执行功能，并对每个训练活动给出了具体日训时长等方案，给与学生更加具体学习路径规划指导。

（3）L（Learning） ：利用秘塔今天学什么实现课程内容定制化生成

通过知识图谱和学习路径规划完毕后，本文尝试使用秘塔 AI 工具今天学什么功能生成针对学生个性化学习需求的课程内容。秘塔 AI 的“今天学点啥”功能通过主动教学模式颠覆传统 AI 工具的角色定位。其核心目标是将任意形式的内容（文档、链接、关键词）转化为结构化互动课程，整合 PPT 生成、TTS 语音合成、SVG 动画等多项技术，形成包含视觉、听觉和交互的沉浸式学习体验。

为了更好地实现个性化学习目标，学习者可以进行以下维度的个性化设置，比如在知识层级适配方面，提供初学者 / 进阶者 / 专家三级难度调节，在内容生成方面，可以利用知识图谱中识别出的学科薄弱点，将 obsidian 文件中相关知识点和资料上传至秘塔 AI 并根据个性化设置形成课程。AI 工具不仅能够生成课程内容，还可以根据内容生成针对性的测试题，以了解和评估学生的知识掌握情况。

（4）E（Evaluation and feedback） ：利用 obsidian 中 copilot 插件完成答疑评估反馈

在知识掌握度评估方面，学习者通过插件进行知识点自测（如生成填空题、选择题），插件根据答题结果分析薄弱环节。例如，若学习者多次答错 “一元一次方程应用题” 相关问题，插件可标记该知识点，并推荐复习路径（如链接到 “一元一次方程应用题” 笔记学习）。

在知识答疑解惑方面，学习者可以通过 copilot 可以实现调用 deepseek、Grok 3 和 Gemini2 . 5 p r o 多种大模型工具。当学习者提出问题时，Copilot 会优先扫描Obsidian 个人知识库。通过语义搜索技术，不仅能定位相关笔记，还能智能提取笔记中的关键公式、图表、案例，并整合为结构化回答。例如，查询“如何用一元一次方程解决利润问题”，系统将自动关联笔记，并提炼出核心解题步骤。与传统 AI 问答不同，Copilot 支持“多轮对话式解惑”。学习者可对回答进行追问（“能否举一个数学场景的例子？”）、质疑（“这个公式的推导过程是否有漏洞？”）或扩展（“请推荐相关的进阶学习资源”），AI 则会根据上下文动态调整回应策略，模拟真实导师的互动过程。

三、GPLE 个性智能学习系统实践的挑战与应对

随着 GPLE 个性智能学习系统的实践应用，一系列亟待解决的现实挑战随着出现。在数据收集与隐私保护方面，需要建立严格的数据脱敏机制和分级授权管理体系，确保数据采集、存储和使用过程符合相关法规要求，保护学生隐私安全；在关于知识图谱的构建质量问题，AI 自动生成的知识图谱可能存在知识点关联不准确或内容缺失等问题，需要建立系统化的质量评估机制，通过持续迭代优化来完善知识体系架构；在学习路径规划方面，准确量化学生的认知特征和学习风格仍然面临挑战。此外，秘塔 AI 生成的课程内容可能存在知识准确性偏差和教学逻辑欠缺等问题，为此，需要对生成课程内容做严格审核。

通过持续的技术创新和管理优化，GPLE 系统在解决这些挑战的过程中不断完善，朝着为学生提供更优质个性化学习体验的目标稳步前进。未来，随着人工智能技术的进步和教育实践的深入，系统的功能和性能还将得到进一步提升。

参考文献

[1] 何克抗. 促进个性化学习的理论、技术与方法——对美国《教育传播与技术研究手册（ 第四版 ）》的学习与思考之三 [J]. 开放教育研究 ， 2017， 23 （02）： 13-21. DOI：10.13966/j.cnki.kfjyyj.2017.02.002.

[2] 姬梁飞 . 人工智能视域中数学个性化学习的发展张力、范式转向与实施路径 [J/OL].教育与教学研究 ， 1-15[2025-05-26]. https：//doi.org/10.13627/j.cnki.cdjy.20250515.001.

[3] 李琳 . （2025）. 个性化学习概述 .

[4] 李旭. （2023）. 知识图谱在教育领域的应用研究 .

[5] 刘勋 ， 伍海燕 . 心理学与脑科学 ：进展、思考和展望 [J]. 科技导报 ， 2017， 35 （19）： 12- 13.

[6]Sousa， D. A. （2020）. Mind， Brain and Education： Neuroscience Implications for the Classroom.

[7]UNESCO. （2020）. Personalized Learning： A New ICT-Enabled Education Approach.

[8] 云岳 . （2022）. 个性化学习路径推荐综述 .

[9]Distributed Learning： A Flexible Learning and Development Model. （2023）.

[10]OECD. （2023）. Digital Education Outlook 2023： Towards an Effective Digital Education Ecosystem.

[11]Proceedings of the International Conference on Engineering Education and Management （IC2EM’24）. （2024）.

[12]Ambroise Baillifard. （2023）. Effective learning with a personal AI tutor： A case study.

[13]Dunlosky， J.， Rawson， K. A.， Marsh， E. J.， Nathan， M. J.， & Willingham， D. T. （2013）. Improving students’learning with effective learning techniques： Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest， 14（1）， 4-58.

[14]Holmes， W.， Bialik， M.， & Fadel， C. （2019）. Artificial Intelligence in Education： Promises and Implications for Teaching and Learning.