在自适应学习中使证据可操作化

自适应学习往往精准诊断但干预力度较弱，导致帮助时机不当或与实际需求不匹配。本研究提出了一套由讲师主导的反馈回路，将概念层面的评估证据转化为经核查的微型干预。该自适应学习算法包含三重保障措施： adequacy 作为覆盖缺口的硬性保证，attention 作为时间与冗余性的预算约束，diversity 作为防止过度依赖单一资源的保护。我们将干预分配形式化为一个二进制整数规划问题，其中包含覆盖约束、时间约束、由能力估计决定的难度窗口、由概念矩阵编码的先决条件，以及通过 diversity 实现的反冗余。贪心选择适用于低丰富度和紧延迟场景，梯度化松弛适用于丰富资源库，混合方法沿着丰富度-延迟边界过渡。在仿真实验以及一场包含 1204 名学生的初等物理课程部署中，两种求解器均在有限监视时间内几乎为所有学习者实现了完整技能覆盖。梯度化方法相对于贪心方法将冗余覆盖降低约 12 个百分点，并在 slate 中和了难度分布；贪心方法在资源有限的场景下以较低的计算成本实现了可比的 adequacy。松弛变量局部化缺失内容，支持有针对性的精选，维持了子群的充足性。最终实现了一个可计算且可审计的控制器，完成了诊断-教育闭环，实现了规模为课堂水平的公平、负载感知的个性化学习。