AI自适应学习系统对中学生数学成绩的影响研究

摘 要 为探讨AI自适应学习系统对中学生数学成绩的影响，文章对5个城市20所中学的2000名初中生进行问卷调查，通过数据分析发现，该系统可以显著提升学生的数学成绩，尤其在个性化学习和特定数学能力方面。研究还揭示了系统使用频率、学习动机变化与成绩提升的相关性。基于分析结果，文章提出了系统优化、教学模式创新和政策支持等建议，为AI技术在教育领域的应用提供了实证依据。

关键词 AI自适应学习系统；中学数学教育；学习成效分析

中图分类号：G434 " " " " " " " " " " " " " " 文献标识码：A " " DOI：10.16400/j.cnki.kjdk.2025.03.032

Research on the Impact of AI-Adaptive Learning System on Middle School

Students' Mathematics Performance

HUO Qinglu

（Tangshan Yilu Education Technology Co.， Ltd.， Tangshan， Hebei 063000）

Abstract To explore the impact of the AI-adaptive learning system on middle school students' mathematics performance， this article conducts a questionnaire survey among 2，000 junior high school students from 20 middle schools in 5 cities. Through data analysis， it is found that this system can significantly improve students' mathematics performance， especially in personalized learning and specific mathematical abilities. The research also reveals the correlations among the frequency of system use， changes in learning motivation， and performance improvement. Based on the analysis results， the article puts forward suggestions on system optimization， innovation of teaching models， and policy support， providing an empirical basis for the application of AI technology in the field of education.

Keywords AI-adaptive learning system; middle school mathematics education; learning effectiveness analysis

随着人工智能技术的迅速发展，其在教育领域的应用日益广泛。AI自适应学习系统作为一种新兴的教育技术，通过实时分析学生的学习行为和表现，为学生提供个性化的学习内容和进度建议，有望解决传统教学中个体化差异带来的挑战。在中学数学教育中，学生的抽象思维能力培养和个性化学习需求尤为突出。本研究旨在通过系统的问卷调查和多维度数据分析，深入探讨AI自适应学习系统对中学生数学成绩的实际影响，并基于研究结果提出优化策略，为推动教育信息化和提高数学教学质量提供科学依据和实践指导。

1" 调查问卷设计与实施

1.1" 问卷结构设计

问卷包含4个核心模块，共40个题项。学生背景模块（5题）涵盖年级、性别、数学基础等。AI系统使用模块（15题）详查使用频率（如“每周使用AI系统的天数？”）、时长（“每次使用时长？”）和功能偏好（“最常用的三个功能是？”）。学习体验模块（12题）采用李克特5级量表，评估系统易用性（如“AI系统的操作界面友好吗？”）、内容适配度（“推荐的习题难度是否合适？”）和个性化程度（“AI系统能否准确识别你的学习弱点？”）。数学学习策略模块（8题）探究自主学习能力（“使用AI系统后，你能更好地规划学习进度吗？”）和问题解决策略的变化。问卷通过专家评审和预试，确保题项清晰、全面，能有效收集所需数据。

1.2" 问卷调查实施流程

问卷调查在5个城市的20所中学中实施，覆盖不同地区和学校类型。样本量为2000名初中生，按年级和成绩水平分层随机抽样。实施前进行100人预试，根据反馈优化3个题项的表述。正式调查采用线上（问卷星平台）和线下（纸质问卷）相结合的方式，比例为7∶3。为确保参与度，研究团队与各校协调在固定课后时间集中填答，时长控制在20分钟内。研究人员现场解答疑问，同时监督学生独立作答。系统设置强制回答和逻辑跳转，提高完成度。实施过程中，研究人员每日检查回收情况，对异常数据立即进行核实[1]。最终回收有效问卷1920份，有效回收率达96%，超出预期目标（90%），为后续分析提供了充足的样本。

1.3" 问卷数据收集与初步处理

数据收集采用双人双次录入法，交叉核对确保准确率99.9%。初步处理使用SPSS" 26.0软件，包括数据清洗、缺失值和异常值处理。缺失值分析显示，单个题项最高缺失率为1.2%，采用多重插补法处理。异常值检测使用箱线图法，识别并核实7个极端值。描述性统计结果显示，AI系统日均使用时长1.8小时（SD=0.6），满意度平均分4.2/5分。经过异常值处理和数据清洗后，最终分析采用这一数据作为基准。信度分析中，Cronbach's" 系数为0.87，表明问卷具有良好的内部一致性。探索性因子分析提取4个主成分，累计解释变异量76.3%，验证了问卷的结构效度。初步分析还发现，系统使用频率与数学成绩改善呈中度正相关（r=0.58，" lt;0.01），为深入研究提供了方向。

2" 多维度数据分析与结果呈现

2.1" AI自适应学习系统使用情况分析

AI自适应学习系统使用数据显示，学生平均每周使用系统5.3天（SD=1.2），日均使用时长1.8小时（SD=0.6）。使用频率呈现周期性波动，周一至周五（2.1小时/天）显著高于周末（1.2小时/天）。功能使用分析显示，“个性化题目推荐”最受欢迎，占总使用时间的42%，其次是“错题分析”（28%）和“知识点讲解”（18%）。高频率使用者（gt;6天/周，占35%）的平均数学成绩提升（14.2分）显著高于低频率使用者（lt;3天/周，5.6分），t（1918）=8.76，Plt;0.001。时间分布分析发现，44%的学生倾向于在晚上8―10点使用系统，该时段也是学习效率最高期。聚类分析识别出3种使用模式：密集型、专注型和应急型。密集型用户在持续进步方面表现最佳，而应急型用户虽短期内成绩有所提升，但长期效果不佳。这些发现为优化系统设计和制定个性化使用建议提供了依据。

2.2" 数学成绩变化趋势分析

数学成绩分析基于系统使用前的基线测试、使用期间3次阶段性测试和最终总结性测试。整体而言，参与者平均成绩从72.5分（SD=15.3）提升到83.6分（SD=12.1），净增11.1分，t（1919）=22.45，Plt;0.001。成绩提升呈非线性趋势，前6周提升最显著（7.3分）。分层分析显示，起点分数底层25%的学生平均提升19.6分，远高于中等水平学生（9.8分）和顶层25%的学生（5.2分），表明该系统在缩小学习差距方面效果显著。特定能力领域分析显示，“代数运算”和“几何问题解决”进步最大，分别提升16.4%和14.7%。多元回归分析表明，系统使用频率（ =0.42，lt;0.001）和个性化学习路径完成度（ =0.38，Plt;0.001）是预测成绩提升的最重要因素，共同解释成绩变异的47.6%。这些发现不仅证实了AI自适应学习系统的整体效果，还为功能优化指明了方向。

2.3" 学习体验与系统效果关联分析

学习体验问卷（李克特五级量表）的平均满意度得分为4.2分（SD=0.7）。主成分分析提取3个关键维度：系统易用性（4.5分）、内容相关性（4.1分）和个性化程度（3.9分）。这3个维度与数学成绩提升均呈中度正相关，相关系数分别为0.48、0.53和0.61（ Plt;0.001）。中介分析显示，个性化程度通过提高学习动机（ =0.45，Plt;0.001）和延长使用时间（ =0.39， Plt;0.001）影响学习成效。潜在剖面分析识别出4类学习体验模式：全面满意型（32%）、内容导向型（28%）、易用性驱动型（24%）和低满意度型（16%）。全面满意型学生成绩提升最显著（平均15.7分）。内容导向型学生尽管对易用性评分较低，但因内容认可度高，仍取得可观进步（12.3分）。这强调了优质内容对学习效果的关键作用。低满意度群体成绩提升最小（3.1分），使用频率也显著较低，凸显了提升用户体验的重要性。

2.4" 数学学习策略演变分析

学习策略问卷（LSQ）对比显示，学生自主学习能力从3.2分提升至4.1分（满分5分），t（1919）=19.87， Plt;0.001。问题解决策略多样性（2.8分至3.9分）和元认知策略使用频率（2.5分至3.7分）提升最为显著。因子分析揭示4个主要变化维度：时间管理、资源利用、自我监控和问题解决。自我监控能力提升最大（37%），与系统实时反馈功能高度相关。多元回归分析显示，自我监控能力提升是预测成绩进步的最强指标（ =0.51， Plt;0.001）。纵向分析发现，76%的学生在使用系统前8周经历快速策略调整，随后进入稳定期。聚类分析识别3种策略演变路径：快速适应型（32%）、渐进改善型（45%）和波动调整型（23%）。快速适应型学生迅速调整策略并保持高效；渐进改善型学生持续小幅调整，最终达到良好效果；波动调整型学生在适应新学习方式时面临较大挑战。这些发现为个性化学习指导和系统优化提供了重要依据。

3" 基于数据分析的优化策略与未来展望

3.1" AI自适应学习系统优化建议

基于数据分析结果，AI自适应学习系统的优化应聚焦于3个核心方面：算法精进、界面优化和内容丰富。算法方面，引入深度学习模型，如长短期记忆网络（LSTM），能更精准地捕捉学生的长期学习模式和短期状态变化，从而提供更个性化的学习路径[2]。可将学生的历史作答数据、时间分布和错题模式等输入LSTM模型，实时预测学习瓶颈和最佳学习内容。界面优化应着重提升用户体验，采用A/B测试方法，对比不同设计方案的留存率和学习效果。例如，引入游戏化元素如进度条、成就徽章等，以增强学生的学习动力。内容丰富化策略包括引入协作式内容生成机制、鼓励优秀教师和学生贡献高质量题目和讲解、通过机器学习算法筛选和推荐等。同时，可通过整合虚拟现实（VR）技术，为学生学习抽象数学概念提供沉浸式学习体验，如通过VR演示立体几何变换。

3.2" 教学模式创新策略

AI自适应学习系统的引入催生了创新教学模式的需求。“AI+教师”协同教学模式是一个富有前景的方向，它重塑了教师角色和课堂结构。在这种模式下，AI自适应学习系统承担个性化练习、实时评估等任务，教师则专注于高阶思维培养、情感互动和创新教学。

教师可以设计“翻转课堂2.0”，学生通过AI自适应学习系统预习核心知识，课堂时间用于深度讨论和问题解决。通过建立数据驱动的精准教学机制，教师根据AI自适应学习系统生成的学情报告，有的放矢地开展小组教学。同时，教师发展跨学科项目式学习，利用AI自适应学习系统的数据分析能力，设计跨越数学、物理、信息技术等学科的综合性项目，培养学生的综合应用能力。教师还可实施“智能导师制”，AI自适学习系统与人类导师配合，为学生提供全方位的学习指导[3]。

3.3" 学校管理与政策支持建议

为充分发挥AI自适应学习系统的潜力，学校管理和政策支持至关重要。在学校层面，建议实施“数字化学习生态系统”战略。学校可以构建校园智能网络基础设施，确保高速、稳定的系统访问，同时设立“AI教育创新实验室”，鼓励教师参与系统优化和创新教学实践。此外，学校应改革评价体系，将AI自适应学习系统数据纳入学生综合素质评价，强调过程性评价和能力导向。政策支持方面，相关部门应出台“AI赋能教育”指导意见，明确AI系统在教学中的地位和规范[4]。具体建议包括：设立“AI+教育”专项基金，支持学校采购和开发适合本地化需求的AI系统；制定数据安全和伦理使用指南，保护学生隐私，确保AI应用的公平性；将AI教育技能纳入教师培训和评价体系，提升教师的数字素养；建立区域性“AI教育资源共享平台”，促进优质教育资源的均衡分配。

3.4" 未来研究方向与展望

AI自适应学习系统的研究前景广阔，未来研究可从以下几个方向深化：①智能情感识别系统的整合。利用计算机视觉和自然语言处理技术，实时识别学生的情绪状态，调整学习内容和节奏，提升学习体验。②跨文化自适应研究。探索自适应学习系统如何适应不同文化背景学生的学习习惯和认知模式，推动教育国际化。③终身学习模型的构建[5]。开发能够跟踪和适应学生长期学习轨迹的AI自适应学习系统，为个人提供从基础教育到高等教育，乃至职业发展的持续学习支持。④教育脑科学与AI的结合。利用脑成像技术，研究AI辅助学习对大脑认知网络的影响，优化学习算法。⑤群体智能与个性化学习的平衡。探索如何在保证个性化学习的同时，促进学生群体协作和集体智慧的发展。

4" 结语

本研究通过系统的问卷调查和多维度数据分析，深入探讨了AI自适应学习系统对中学生数学成绩的影响。研究结果不仅验证了该系统在提升学生整体数学成绩方面的积极作用，还揭示了其在促进个性化学习、提高特定数学能力和转变学习策略等方面的潜力。基于这些发现，本研究提出了从技术优化、教学模式创新到政策支持的全方位建议，也指出了长期效果评估、跨学科应用探索和伦理考量等未来研究方向。研究为教育决策者、教师和技术开发者提供了参考，有望推动AI技术在教育领域的深度融合，最终实现教育质量和学习体验的双重提升。

参考文献

[1] 李振，周东岱，童婷婷.基于ISSM和TAM模型的自适应学习系统评价指标体系构建[J].图书馆工作与研究，2022（S1）：10-17，32.

[2] 王建伟，王鑫，董树森，等.数据挖掘技术在自适应学习系统中的应用研究[J].电子元器件与信息技术，2022，6（8）：121-124.

[3] 王晓晨，张景.大数据下开放教育自适应学习系统的构建[J].山西广播电视大学学报，2021，26（3）：23-26.

[4] 梁永丁.基于OBE理念的“中学数学学科教学论”课程教学改革与实践[J].兴义民族师范学院学报，2024（1）：102-108.

[5] 郭清林.生本教育理念下的中学数学教学探究[J].亚太教育，2023（1）：7-9.