1. 引言
教育数字化转型背景下，开发新型数字教育资源对培养全面发展的人有重要意义。《教育强国建设规划纲要(2024~2035年)》强调“探索数字赋能大规模因材施教、创新性教学的有效途径”，因此，基于数智技术开展个性化学习被认为是实现大规模因材施教的必然手段[1]。个性化学习旨在通过现代教学技术，为学习者提供符合其目标、需求和能力的定制化教学[2]。技术支持的个性化学习强调通过数智技术对学习者进行全面评估以实现学习者建模，依据评估结果为其量身定制学习资源和学习策略，对学习者的自主学习能力培养有重要作用[3]。随着人工智能、大数据、学习分析尤其是生成式人工智能技术在教育领域中的应用，技术支持的个性化学习能够实时监测学生的学习行为和学习进度，尤其是随时可为学生提供一对一的支架式教学，使得个性化学习的应用日益广泛[4]。然而，技术支持个性化学习对学习效果的整体影响尚缺乏系统性评估。本研究采用元分析方法，梳理技术支持个性化学习的实证研究结果以探究其对学习效果的影响，还探究了样本量、学科领域、研究环境、干预持续时间、学习方法和学习者建模特征等因素对学习效果的影响。在此基础上，给出相应的对策建议，以期为数智技术赋能教学实践背景下开展技术支持的个性化学习提供借鉴。
2. 文献综述
技术支持的个性化学习源于技术支持型学习环境，强调技术手段对学习过程的个性化支持[5]。自适应学习与个性化学习都强调根据学习者个体差异推送最适合的学习资源和学习路径，被认为是技术支持型的个性化学习[6]。Hooshyar等人认为技术支持型个性化学习可以改善学生的认知技能和非认知技能(情绪管理、社交能力等) [7]。Zheng等人强调了技术支持型个性化学习既能提升学习成绩，又能改善学习感知[8]。在肯定个性化学习提升学习效果的基础上，研究者们开始探讨不同的影响因素对这种影响的调节效应。研究者认为不同学科领域应用技术支持型个性化学习会存在显著差异[9]。也有研究者认为，不同的研究环境[9]、学习干预的持续时间[7]，以及个性化学习开展过程中学习方法的使用也都会影响学习效果[10]。最后，学习者建模是个性化学习的关键核心[11]，如何建模决定了学习者个体差异是否被准确描述，也就从源头上决定了学习资源的推荐是否实现了最适合[12]。个性化学习通常以学习者的认知能力水平作为建模特征[13]，也有的研究以学习方式、学习风格等非认知能力为建模特征[14]，还有研究者同时考虑了认知和非认知特征用作学习者建模[15]。基于此，本研究采用元分析方法，探讨样本量、学科领域、研究环境、干预持续时间、学习方法和建模特征对技术支持个性化学习的调节作用，以全面揭示技术支持个性化学习对学习效果的影响。
3. 研究方法
3.1. 文献检索
本研究在国内外文献数据库中检索了2014年到2025年以“技术支持个性化学习”为主题的相关文章，中文文献的主要来源为中国知网，在该数据库内以“个性化”“自适应”“个体化”“定制”“技术”“计算机”“人工智能”“在线”“移动”“远程”“网络”“学习”“学习效果”“智能辅导系统”等关键词进行单独检索或组合检索，英文文献则来源于WOS、Scopus和Science Direct等数据库，以“personaliz*”“adaptiv*”“individualiz*”“customiz*”“learn*”“teach*”“instruction*”“experiment*”“quasi-experiment*”“technolog*”“computer*”“mobile*”“e-learning”“online*”“distance*”“web*”等为关键词进行检索，布尔运算符“AND”用于整合两组关键字，采用“OR”运算符在集合内连接。最终，本研究共检索到中英文文献1131篇。
3.2. 文献筛选
为了进一步对已有的文献进行筛选，本研究指定了以下文献筛选标准：① 文章主题应在教育领域内；② 所选文章应涉及技术支持个性化学习对学习效果的影响；③ 所选文章应采用至少包含一个实验组和对照组的实验或准实验设计，概念性文章应予以排除；④ 所选文章应报告关于学习成果的统计信息，例如参与者数量、平均值和标准差等数据。经过筛选，得到符合以上标准的文献共46篇，包括3篇中文文献和43篇英文文献，共得81个效应量(其中部分实验与准实验研究包括多个效应量)。
3.3. 文献编码
为了分析效应量和调节因素的影响，本研究将样本量、学科领域、研究环境、干预持续时间、学习方法、学习者建模特征设为本研究的调节变量。其中，样本量包括1~50、51~100、101~500三个类别；学科领域编码为自然科学、社会科学、工程与技术科学三个类别；研究环境分为实验室、教室、其他三个类别；干预持续时间分为少于2周、2~4周、5~8周、9~24周四个类别；学习方法分为一种学习方法和两种学习方法两个类别；而学习者建模特征分为知识/技能、学习模式/偏好/行为和综合知识/技能和学习模式/偏好/行为三个类别。调节变量的编码情况如表1所示。
3.4. 数据分析
本研究通过元分析方法，首先对技术支持个性化学习对学习效果的影响为研究主题的实验与准实验
Table 1. Coding of the moderator variable
表1. 调节变量的编码情况
编码对象 |
编码情况 |
样本量 |
(1) 1~50； |
(2) 51~100； |
(3) 101~500 |
学科领域 |
(1) 自然科学(包括科学、数学、物理、生物、地理)； |
(2) 社会科学(包括政治、教育、心理学、语言学)； |
(3) 工程与技术科学(包括工程、计算机科学、教育技术) |
研究环境 |
(1) 实验室； |
(2) 教室； |
(3) 其他 |
干预持续时间 |
(1) 少于2周； |
(2) 2~4周； |
(3) 5~8周； |
(4) 9~24周 |
学习方法 |
(1) 一种(仅使用个性化学习方法)； |
(2) 两种(除个性化学习外，还有其他的学习工具，如基于概念图的学习和个性化学习) |
学习者建模特征 |
(1) 知识/技能； |
(2) 学习模式/偏好/行为； |
(3) 综合了知识/技能和学习模式/偏好/行为 |
编码对象 |
编码情况 |
研究执行编码操作，然后从中提取样本数、均值、标准差等数据来计算效应值，并通过效应值的大小来评估技术支持个性化学习对学习效果的影响程度。同时，本研究选择Hedges’s g作为本研究的效应值。此外，本研究采用Comprehensive Meta-Analysis 3.0作为元分析工具。
4. 研究结果
4.1. 发表偏倚检验
本研究采用了漏斗图、Egger’s检验以及失安全系数(Fail-safe Number)来评估发表偏倚情况。图1为本研究得到的发表偏倚漏斗图，根据观察可以看出代表研究样本效应量的点均匀地散布在合并效应值所在中轴线两侧，呈对称样，初步表明研究样本基本不存在发表偏倚。接着，本研究采用Egger’s检验和失安全系数进行评估，经过计算，本研究中p = 0.06 > 0.05，并且失安全系数为5169，远高于临界值5K + 10 (K表示效应量数目)，表明研究样本不存在发表偏倚情况。
4.2. 原始研究的偏倚风险评估
为保障纳入研究的内部有效性，本研究依据研究设计类型对46篇文献分层开展偏倚风险评估，以提升评估的针对性与严谨性。其中，30篇随机对照试验(RCT)参考《Cochrane偏倚风险评估工具(ROB2.0)》
Figure 1. Funnel plot for publication bias detection
图1. 发表偏倚检验漏斗图
的核心框架，从随机化过程、基线一致性及混杂控制维度开展评估；16篇准实验研究则参照《ROBINS-I工具》的逻辑，聚焦教育学领域高频偏倚问题(分组偏倚、基线一致性、干预实施)展开分析。
最终评估结果显示：低偏倚风险研究共42篇，占比91.30%；高偏倚风险研究4篇，占比8.70%。高偏倚风险研究的核心缺陷集中体现为非随机分组、基线特征未报告及混杂因素缺乏控制。
4.3. 基于偏倚风险的敏感性分析
为验证元分析结论的稳健性，本研究通过敏感性分析予以检验：剔除4篇高偏倚风险研究后，利用CMA软件重新计算合并效应量，以此评估低质量研究对核心结论的潜在干扰。全样本46篇文献的合并效应量为Hedges’s g = 0.734 (95% CI [0.631, 0.837], p < 0.001)，表明技术支持的个性化学习对学习效果存在中等程度的正向影响。进一步分析显示，剔除4篇高偏倚研究后，剩余42篇低偏倚研究的合并效应量为Hedges’s g = 0.713 (95% CI [0.608, 0.818], p < 0.001)；与全样本的Hedges’s g效应量相比，剔除高偏倚研究后的效应量差异仅为0.021，且仍维持中等程度的显著水平(p < 0.001)。
上述结果表明，技术支持个性化学习的正向效应未受到低质量研究的实质性干扰，元分析结论具有良好的稳健性。
4.4. 异质性检验
Q检验和I2检验为异质性检验的常用方法。Q检验的结果主要关注p值，若p值大于0.1，表示研究同质，反之则说明异质性存在。Higgins [16]等指出可将25%、50%、75%作为低、中、高异质性的临界值。经过计算，p = 0.000 < 0.1，I2 = 74.883%，如表2所示，表明异质性检验达到高异质性。根据这些数据，本研究选用随机效应模型进行合并效应值的计算。
4.5. 技术支持个性化学习对学习效果整体的影响
根据Cohen [17]提出的标准，0.2为小的效应值，0.5为中的效应值，0.8为大的效应值。效应值越大，表示效应越强，影响越显著。由表2可知，本研究所选择的随机效应模型的合并效应值为0.734，达到显著水平，并且合并效应值在0.5~0.8之间，为中度效应值，视为中度影响，随机效应模型的95%置信区间为[0.631, 0.837]。可以得出，技术支持个性化学习对学习效果具有显著且积极的中等程度的影响，即技术支持个性化学习可有效促进学习效果，利于学习成绩提高和学习质量的提升。
Table 2. Effects of technology-supported personalized learning on overall learning outcomes
表2. 技术支持个性化学习对学习效果整体的影响
模型 |
效应数 |
合并效应值
(Hedges’s g) |
95%置信区间 |
渐进 |
异质性检验 |
下限 |
上限 |
z值 |
p值 |
Q |
df |
p |
I2 |
固定效应模型 |
81 |
0.687 |
0.637 |
0.737 |
27.041 |
0.000 |
318.505 |
80 |
0.000 |
74.883 |
随机效应模型 |
81 |
0.734 |
0.631 |
0.837 |
13.969 |
0.000 |
|
|
|
|
4.6. 技术支持个性化学习对学习效果各维度的影响
研究从认知、行为、情感三个维度进一步分析技术支持个性化学习对学习效果的影响，得到表3所示的结果，认知维度、行为维度、情感维度的合并效应值分别为0.711，0.965，0.758。这表明，技术支持个性化学习在促进学生认知发展、行为提升和情感体验方面均具有显著的促进作用。相较而言，技术支持个性化学习对行为维度的影响水平要更高，具有高度影响作用，而在认知与情感层面相对较弱，影响程度处于中等水平。为了验证不同维度之间的影响是否存在显著差异，本研究进行了组间效应分析，得到QBET = 0.740，p = 0.691 > 0.05，结果显示并不存在显著差异。因此，可以认为技术支持的个性化学习在多个维度上对学生的学习效果具有均衡的促进作用。
Table 3. Effects of technology-supported personalized learning on various dimensions of learning outcomes
表3. 技术支持个性化学习对学习效果各维度的影响
维度 |
效应数 |
合并效应值(Hedges’s g) |
95%置信区间 |
渐进 |
组间效应 |
下限 |
上限 |
z值 |
p值 |
认知 |
61 |
0.711 |
0.614 |
0.807 |
14.409 |
0.000 |
QBET = 0.740 (p = 0.691) |
行为 |
4 |
0.965 |
0.368 |
1.562 |
3.170 |
0.002 |
情感 |
16 |
0.758 |
0.443 |
1.074 |
4.713 |
0.000 |
4.7. 调节变量的检验结果
本研究对样本量、学科领域、研究环境、干预持续时间、学习方法和学习者建模特征这六个调节变量进行了调节效应检验，经过计算，得到表4所示的结果。
Table 4. Results of the moderating effect test
表4. 调节效应检验结果
调节变量 |
维度 |
效应量 |
合并效应值 |
95%置信区间 |
渐进 |
组间效应 |
下限 |
上限 |
z值 |
p值 |
样本量 |
101~500 |
14 |
0.524 |
0.302 |
0.747 |
4.619 |
0.000 |
QBET = 4.772 (p = 0.092) |
1~50 |
18 |
0.832 |
0.642 |
1.022 |
8.582 |
0.000 |
51~100 |
49 |
0.776 |
0.640 |
0.913 |
11.126 |
0.000 |
学科领域 |
工程与技术 |
44 |
0.795 |
0.646 |
0.945 |
10.420 |
0.000 |
QBET = 4.145 (p = 0.126) |
社会 |
24 |
0.698 |
0.497 |
0.899 |
6.800 |
0.000 |
自然 |
13 |
0.587 |
0.452 |
0.722 |
8.523 |
0.000 |
研究环境 |
教室 |
55 |
0.660 |
0.549 |
0.771 |
11.672 |
0.000 |
QBET = 4.944 (p = 0.084) |
其他(在线学习环境或混合学习环境) |
8 |
1.233 |
0.725 |
1.741 |
4.756 |
0.000 |
实验室 |
18 |
0.751 |
0.537 |
0.965 |
6.885 |
0.000 |
干预持续时间 |
2~4周 |
4 |
0.528 |
0.235 |
0.820 |
3.536 |
0.000 |
QBET = 4.643 (p = 0.200) |
5~8周 |
14 |
0.703 |
0.443 |
0.962 |
5.309 |
0.000 |
9~24周 |
35 |
0.834 |
0.696 |
0.972 |
11.858 |
0.000 |
少于2周 |
28 |
0.655 |
0.466 |
0.844 |
6.797 |
0.000 |
学习方法 |
两种 |
9 |
1.219 |
0.766 |
1.672 |
5.275 |
0.000 |
QBET = 5.232 (p = 0.022) |
一种 |
72 |
0.678 |
0.578 |
0.778 |
13.336 |
0.000 |
学习者建模特征 |
综合 |
34 |
0.859 |
0.668 |
1.051 |
8.800 |
0.000 |
QBET = 8.042 (p = 0.018) |
学习模式/偏好/行为 |
26 |
0.749 |
0.590 |
0.908 |
9.214 |
0.000 |
知识/技能 |
21 |
0.536 |
0.394 |
0.678 |
7.396 |
0.000 |
4.7.1. 样本量
由表4可知，1~50的样本量效应值最大，其Hedges’s g = 0.832 > 0.8，属于高等效应值，表明技术支持个性化学习对1~50样本量的学习效果存在正向高度影响；其次是51~100 (Hedges’s g = 0.776)和101~500 (Hedges’s g = 0.524)。样本量为51~100和101~500的效应值同样对学生的学习效果有积极中度的影响。尽管如此，样本量的组间效应(QBET = 4.772, p = 0.092 > 0.05)显示，组间差异未达到显著水平，表明样本量不会对技术支持个性化学习下学习效果产生影响，不同样本量对应的学习效果没有显著差异。
4.7.2. 学科领域
由表4可知，技术支持的个性化学习对工程与技术科学学科学习效果的影响远远超过其它的类别，Hedges’s g = 0.795，具有统计学意义(p = 0.000)，且达到中度影响水平；对社会科学学科的影响作用次之，Hedges’s g = 0.698，同样具有统计学意义(p = 0.000)，即对社会科学学科的学习效果具有中度的正向影响；对自然科学(Hedges’s g = 0.587)学科也同样具有积极的正向影响。然而，学科领域的组间效应(QBET = 4.145, p = 0.126 > 0.05)显示，组间差异未达到显著水平，表明技术支持个性化学习对不同学科领域的学习效果均具有积极作用，并不存在显著差异。
4.7.3. 研究环境
由表4可知，其他(在线学习或混合学习环境)的效应量最大(Hedges’s g = 1.233)，其次是实验室(Hedges’s g = 0.751)和教室(Hedges’s g = 0.660)。通过数据可知，在线学习或混合学习环境对学习效果具有高度的积极影响，Hedges’s g = 1.233 > 0.8，实验室和教室对学习效果的影响具有中度影响。尽管如此，研究环境的组间效应(QBET = 4.944, p = 0.084 > 0.05)显示，组间差异未达到显著水平，表明不同研究环境对应的学习效果没有差异。
4.7.4. 干预持续时间
由表4可知，9~24周的效应量最大(Hedges’s g = 0.834 > 0.8)，达到高度影响水平。其次是5~8周(Hedges’s g = 0.703)、少于2周(Hedges’s g = 0.655)和2~4周(Hedges’s g = 0.528)，具有中等程度的影响，并且达到了统计学意义上的显著水平(p = 0.000 < 0.001)，其对9~24周的学习效果的影响更为显著。然而，干预持续时间的组间效应(QBET = 4.643, p = 0.200 > 0.05)显示，不同持续时间的学习干预效果没有显著差异。
4.7.5. 学习方法
由表4可知，两种学习方法的应用效应量最大(Hedges’s g = 1.219)，其次是一种学习方法(Hedges’s g = 0.678)。但无论是两种还是一种学习方法，都对学习效果有明显的促进作用。然而其QBET = 5.232, p = 0.022，由于其p值是小于0.05的，学习效果在使用一种或两种学习方法下呈现出明显的差异性。由此可看出，使用两种学习方法开展个性化学习对学习效果的作用强度要远高于使用单一学习方法。
4.7.6. 学习者建模特征
由表4可知，综合认知特征(知识/技能)和非认知特征(学习模式/偏好/行为)的学习者建模特征的效应量最大(Hedges’s g = 0.859 > 0.8)，具有高度正向的影响。其次是学习模式/偏好/行为(Hedges’s g = 0.749)和知识/技能(Hedges’s g = 0.536)。其QBET = 8.042，p = 0.018 < 0.05，表明学习者建模特征会影响到个性化学习的学习效果。
5. 结论与建议
5.1. 研究结论
5.1.1. 技术支持个性化学习对学习效果有正向影响
本研究通过元分析方法，系统地探讨了技术支持个性化学习对学习效果的影响，并发现技术支持个性化学习对学习效果产生了中等影响，可以有效促进和提升学生的学习效果。这一发现与先前实证研究结果一致，这些研究结果报告了技术支持个性化学习对包括学习成绩、元认知能力、学习动机等各种方面学生发展的积极影响[8] [18]。当学生参与个性化学习时，浏览学习与他们的技能水平相匹配的学习材料可提供量身定制的挑战，从而促进他们的认知发展。自我决定理论[19]表明，提供最适合的挑战可满足学生的自主心理需求，从而提高他们的内在动机和学习参与度。总之，技术支持个性化学习对学生学习成果的影响，从认知、行为和情感三个维度凸显了个性化学习技术赋能学生全面发展的潜力。
5.1.2. 样本量、学科领域、研究环境、干预持续时间对学习效果不起调节效应
研究发现，技术支持个性化学习在不同样本量水平下均表现出对学习效果的积极影响。尽管小样本量组的效应值相对较高，但样本量的组间差异未达到显著水平，表明样本量大小未对学习效果产生显著影响。本研究认为这是因为技术支持个性化学习的核心价值具有普适性，其通过精准匹配个体学习路径发挥作用，而这一过程与样本规模无本质关联。此外，发现小样本量(1~50)比大样本量(101~500)具有更大的效应量，主要原因可能是小样本因发表偏倚与教学情境同质性，效应量显著高于大样本[20]。因此，技术支持个性化学习在不同规模的样本中均具有一定的有效性，其效果不受样本量的限制。
学科领域层面上，社会科学、工程与技术科学和自然科学均显示出技术支持个性化学习对学习效果的积极作用。虽然不同学科领域的效应值存在差异，但组间效应分析未显示显著差异，表明技术支持个性化学习对不同学科领域的学习效果均具有普遍的促进作用，而学科领域之间的差异并不显著。本研究认为这可能是因为技术适配个体差异的底层机制具有跨学科适配性，Xie等人[9]的研究中梳理的70项研究覆盖工程/计算机、自然科学、语言等多学科，且均报告正向成果。技术通过数据匹配需求的逻辑，在结构化(如工程原理)与非结构化知识(如语言思辨)场景中均生效，仅因学科知识属性不同，效果显化程度与方式存在差异。
对于研究环境方面，技术支持个性化学习在不同环境研究(如实验室、教室和其他环境)中均能取得积极的学习效果。其中，被归类为“其他”环境的大部分研究是在在线学习环境或者混合学习环境中开展的，在线学习环境或混合学习环境的效应量远远超过其他两种研究环境，本研究认为这是因为在线学习环境和混合学习环境能够提供更加灵活和个性化的学习体验。在线学习环境中，学生可以根据自己的时间安排自主学习，同时通过网络平台与教师和同学进行互动交流，获取及时的反馈和支持[21]。混合同步学习环境通过结合线上和线下的优势，满足了不同学生的学习需求，显著提高了学生的学习动机和认知投入，从而有效提升了学习效果。这种学习环境不仅丰富了学生的学习体验，还通过学生自定步调的学习方式，培养了学生的自主学习能力、自我调节能力以及自我效能感，从而促进了学生的全面发展[22]。尽管某些研究环境的效果量略高，但组间差异未达到显著水平，说明技术支持个性化学习在不同学习环境下获得的学习效果具有一定的稳定性。
对于干预持续时间方面，不同持续时间的效应值虽有差异，但组间效应分析未显示显著性，表明干预持续时间的长短对技术支持个性化学习的效果影响不显著。这说明技术支持个性化学习可以在较短或较长的干预时间内均取得一定的学习效果，其有效性不依赖于干预时间的长短。此外，研究发现，持续9~24周产生的效应量最大，而持续时间少于两周产生的效应量最小。本研究认为主要原因是个性化学习需通过较长时间了解学习者特征、追踪学习过程并评估成果，短期干预难以完成完整适配闭环；但技术可通过快速捕捉初始学习数据实现基础适配，使短期干预也能起效，两者核心逻辑一致，故组间无显著差异。
5.1.3. 学习方法和学习者建模特征对学习效果起调节效应
对于学习方法方面，分析结果表明使用两种学习方法还是一种学习方法均有显著影响，但对使用两种学习方法的学习效果更胜一筹。具体而言，采用两种学习方法时，其效应量显著高于仅使用一种学习方法。这表明结合多种学习方法能够显著提升技术支持个性化学习对学生学习效果的促进作用。本研究认为，多种学习方法的结合能够从不同角度激发学生的学习兴趣，满足不同学生的学习偏好，提供更丰富的学习体验，从而更有效地提升学习效果。
学习者建模特征方面，综合学习者认知特征(知识/技能)和非认知特征的(学习方式/偏好/模式/行为)这两个维度作为学习者画像，可提供最符合学生个人需求的内容或学习材料。相对于仅以学习者认知特征或非认知特征进行建模，同时包含认知和非认知特征可实现对学习者多特征、动态演化的全景化建模，实现基于学习者的外显行为和内隐特征的精准刻画，也可以综合学习过程中多模态数据的采集来分析学习者认知、情感的动态演化机理。这一发现为个性化学习系统的设计提供了见解，应综合外显行为和内隐状态精准描述学习者特征，从而为个性化学习提供精细的客观依据。
5.2. 研究建议
5.2.1. 积极推广技术支持个性化学习
鉴于技术支持个性化学习对学习效果的积极影响，教育工作者应积极引入先进的数智技术工具，如生成式人工智能、智能辅导软件和在线协作平台等，为学生提供个性化的学习路径和资源。这些工具能够根据学生的学习进度和能力差异，提供定制化的学习内容和反馈，更好地满足不同学生的学习需求，提升学习效果。
5.2.2. 优化学习方法的组合与设计
本研究发现，学习方法对技术支持个性化学习的效果具有显著的调节作用。因此，建议教育工作者在教学设计中注重学习方法的多样化组合。例如，可以将在线自主学习与线下小组协作学习相结合，或者将基于问题探究式学习与基于项目的合作学习相融合。这种多样化的学习方法能够从不同角度激发学生的学习兴趣，满足不同学生的学习偏好，提供更丰富的学习体验，从而更有效地提升学习效果。同时，教师应根据具体的教学目标和学生特点，灵活调整学习方法的组合，以确保其适应性和有效性。
5.2.3. 探索多样化学习环境
研究发现，不同的学习环境对技术支持个性化学习效果具有一定的影响。尽管各种环境下的学习效果均呈积极趋势，但其他环境(在线学习环境和混合学习环境等)能够提供更为灵活和丰富的学习体验。因此，建议教育工作者尝试将在线学习环境或混合学习环境等融入教学实践。例如，可以设计部分课程为在线学习模块，供学生在课外自主完成；同时保留课堂时间用于面对面的讨论、答疑和实践活动。此外，还可以探索其他创新的学习环境，如虚拟现实或增强现实学习环境，以进一步丰富学生的学习体验，提高学习效果。在实施过程中，应注重收集学生反馈和学习数据，以评估不同学习环境对学生学习效果的影响，并根据实际情况进行调整和优化。
5.2.4. 实现可解释性的学习者建模
研究发现，综合认知特征和非认知特征进行学习者建模可提高学习效果。然而，在实际在线学习中，技术支持个性化学习是可以持续评估学习者能力水平，并动态调整学习资源的。通过学习过程中的动态调整，确保技术支持个性化学习能够持续优化，以适应不同学生的学习需求，提升整体学习效果。建立可解释性的学习者建模有助于对学习者行为、学习者模型、学习者学习机理进行解释，使得学习资源的推荐更有针对性和合理性，最终实现可理解、可接受的个性化学习干预。