AI 辅导为什么总留不住学生？这篇新研究把「别劝退」写进了算法目标
你有没有过「兴致勃勃报了线上课，学了三天就再也没打开」的经历？全球在线教育的平均完成率不到 15%——是学生不够自律，还是学习系统的设计本身就在把人推走？
为什么你总是学不完一门线上课？
过去十几年，在线教育把课堂搬到了屏幕上，让任何人都能随时接触全球的学习资源 [5]。但随之而来的一个老问题始终没解决：绝大多数人根本坚持不到最后。
很多传统学习系统的设计逻辑其实很简单：追进度。你今天学了 10 个单词，明天就推 10 个新的；你做完了第一章，马上跳到第二章。它默认学习者是永远不会累、不会烦、不会忘的「机器人」——只要内容按顺序喂下去，就能全部吸收。
但真实的学习者不是这样。我们会忘，所以需要复习；我们会累，所以太难了会放弃；我们会觉得无聊，所以太简单了也会跑开。这里藏着三个永远在打架的目标：学新内容、巩固旧知识、让学生愿意回来。
传统系统要么只管往前冲（学新最多，但忘得也快，还容易劝退），要么只做间隔重复（复习很科学，但新内容推进慢，也没解决「不想学」的问题）。能不能让一个系统同时把这三件事都做好？
把「别让学生跑了」算进每一次推荐里
最近一项研究提出了一个叫 AI-Tutor 的强化学习系统，核心思路就是：把「学生会不会留下来」直接写进算法的目标里 [1]。
你可以把它的设计拆成三个好理解的比喻。
第一个比喻是知识地图。系统不是把知识点当成一堆孤立的卡片，而是先建了一张「知识图谱」——哪些词是另一些的基础，学会 A 更容易学会 B，都清清楚楚标在图上。给你推新内容的时候，它只从你已经掌握的知识的「邻居」里挑，就像打游戏开地图，从已探索的区域慢慢往外扩，不会突然把你扔到完全陌生的高级区。这样既符合学习规律，也缩小了算法的搜索范围 [1]。
当然，实际情况比这个比喻更复杂：这张知识图谱不是人工画的，而是结合课程结构和真实学习数据里的关联规则一起构建的，还用到了图神经网络来表示每个知识点和学习者的知识状态 [1]。
第二个比喻是增肌+巩固。学新内容像增肌，复习旧内容像巩固训练效果——只增肌不巩固，掉得快；只巩固不增肌，没进步。AI-Tutor 把每一次学习的收益拆成了两笔账：一笔是「以前不会现在会了」的知识获取增益，另一笔是「复习之后忘得更慢了」的知识保持增益，后者基于认知心理学的遗忘曲线半衰期模型，把「忘得慢」直接量化成奖励 [1]。
第三个比喻可能有点反直觉：AI 老师会主动「放水」防止你弃坑。传统系统总想着让你一次学最多，但这个 AI 每推一道题，都会算一算「给你推这道题，你下次还来的概率有多大」。如果内容太难会把人劝退，它宁愿选稍微简单一点的——因为「能坚持学下去」比「一次学很多」更重要。
具体到算法里，它没有用强化学习里常见的固定折扣因子，而是用动态估计的「学习者继续参与的概率」来计算未来价值。换句话说，算法的每一步决策都在权衡：这次学得多一点，会不会把人吓跑，导致后面再也没有「下次」了 [1]？
为了不在真实学生身上反复试错，研究者还先用 Transformer 训练了一个「学习者模拟器」，让 AI 先在模拟器里练熟了再用。整个系统用的是带熵正则化的 Soft Actor-Critic 框架，鼓励算法多探索不同的策略 [1]。
2300 万条学习记录验证了什么？
这套方法到底有没有用？研究者用了一个规模相当大的真实数据集来验证：来自在线语言学习平台 MaiMemo 的 33700 名学习者，总共 2300 多万条学习记录，知识图谱里包含 6180 个词汇节点 [1]。
评估的指标有三个核心维度：学习者的参与度（也就是会不会坚持来）、知识保持率（学了会不会忘）、最终的学习结果（测试分数和课程完成率）。AI-Tutor 在这三个维度上都全面优于现有的主流方法 [1]。
对比的基线包括几种常见的思路：比如只看眼前收益的短视贪心策略，比如现在很多背单词软件在用的间隔重复系统 FSRS，还有之前的深度强化学习基线。AI-Tutor 比这些方法表现都好 [1]。
研究者还做了消融实验——就是把系统的三个核心组件一个个拆掉，看看哪个影响最大。结果是：参与度建模、知识图谱引导、保持奖励这三样东西，每一个都对最终效果有贡献，缺了哪个都不行 [1]。
另一项关于数字教材中自动生成习题的大规模研究也从侧面印证了：对学生学习行为、坚持度和元认知反应的大规模数据分析，是理解和改进在线学习的重要基础 [2]。
不过这里要说明，因为公开的论文文本有截断，具体提升了多少百分比的数字没有完整呈现。我们能确定的是「全面优于基线」的结论方向，但精确的效果幅度还需要看完整论文 [1]。
自适应 AI 不是一个答案，是一类方法
AI-Tutor 属于一个更大的领域——自适应教育 AI。很多人以为「自适应」是一种统一的技术，但其实不同的系统，「适应」的逻辑完全不一样。
最近一篇对比研究梳理了三种完全不同的自适应 AI 架构 [3]。第一种是多智能体系统，让多个专门的 AI 代理分工合作、交叉检查来完成任务——它适应的是推理的结构，但很少直接测量对学习者的实际效果。第二种是脑机接口（BCI），直接通过生理信号测量学习者的认知负荷，然后调整内容——它测生理信号测的很准，但目前最强的对照研究显示，这种精度还没能可靠地转化成更好的学习结果。第三种是对话代理，通过不断积累的交互历史来自我改进——它的适应质量很大程度上取决于人工设计的选择，不是完全自动的 [3]。
这篇研究的核心结论是：「自适应 AI 系统」不是一个单一的设计模式，而是一大家族不同的方法，它们对「适应」的定义不同，衡量效果的证据标准也不一样 [3]。
放在这个脉络里看，AI-Tutor 属于「基于行为数据的强化学习自适应」这一路——它不靠生理传感器，也不靠多智能体分工，而是从学习者的历史行为里建模，用强化学习优化长期目标。
光有好算法还不够：用对方式才提分
算法做得再好，就一定能让学生学得更好吗？不一定。最近一项在智利某顶尖大学做的随机对照实验，给我们提了个醒 [4]。
研究者在 7 个班级里做了两组实验：一组只是鼓励学生用 AI 工具（提高使用率），另一组则引导学生怎么用——比如把 AI 当成辅导老师来互动，而不是直接抄答案。结果很有意思：只是鼓励使用的那组，学生确实用得更多了，但期中成绩没有任何提升；而有使用引导的那组，学生觉得 AI 更有用了（感知有用性提升了 0.38 个标准差），期末考试成绩也提高了 0.21 个标准差 [4]。
这个发现很重要：成绩提升的关键不是学生用不用 AI，而是怎么用。算法是工具，工具的效果取决于使用方式。如果学生只是拿 AI 来抄作业，再聪明的算法也帮不了学习；但如果引导他们用对话式的、辅导式的方式互动，效果就会显现出来 [4]。
这也给高校和教育平台提了个醒：光买个 AI 系统扔给学生没用，配套的使用引导和教学设计，可能比算法本身更重要。
还有哪些问题没解决？
说了这么多，我们得诚实地划一下当前研究的边界。
首先，AI-Tutor 目前只在英语词汇学习这个场景下验证过效果。词汇是典型的离散知识项，有清晰的结构，有明确的「会/不会」判断。但如果换成数学推理、编程技能、论文写作这类需要深度理解和练习的场景，这套方法还能不能用？目前还不知道 [1]。
其次，这项研究的评估是基于历史数据的离线仿真——也就是用训练好的学习者模拟器来测试算法，而不是在真实平台上做 A/B 测试。仿真的问题在于，它假设学习者的行为模式和历史数据里一样，但如果算法真的变了，学习者的行为可能也会跟着变，真实效果可能和仿真结果有出入 [1]。
第三，知识保持的测量依赖学习者自我报告「是否认识单词」，而不是客观的延迟测试。人对自己的记忆判断不一定准，可能存在报告偏差 [1]。
第四，关于内在动机的长期影响还是个问号。AI 现在靠调整难度让学生留下来，但长期来看，这种「被设计出来的坚持」会不会反而削弱学生的内在学习动力？研究者自己也把这个问题列在了未来方向里 [1]。
第五，从更广泛的自适应教育领域来看，不同技术路径之间还没有统一的证据标准，很难公平比较谁好谁坏 [3]。而在高校场景里，AI 辅助学习的长期效果、跨学科的可扩展性、和其他教学方法比的成本效益，也都还在探索中 [4]。
如果你只记住一件事
在线学习的高辍学率，不全是学生的问题——很多时候是系统设计只追进度、不管人的结果。AI-Tutor 这项研究最有价值的地方，不是它用了多么花哨的技术，而是它把「别把学生劝退」这件事，从一个运营问题、一个德育问题，变成了一个可以写进算法目标的工程问题。
参考文献
- Towards Sustainable Learning in Online Education: A Reinforcement Learning Approach（arXiv、2026、全文精读）
- Advancing Intelligent Textbooks with Automatically Generated Practice: A Large-Scale Analysis of Student Data（OSF Preprints (OSF Preprints)、2026、仅摘要）
- Architectures for Adaptive and Assistive AI Systems: Multi-Agent Reasoning, Brain-Computer Interfaces, and Conversational Agents in Education and Healthcare（SSRN、2026、仅摘要）
- Guidance Over Adoption: Experimental Evidence on AI-Assisted Learning in HigherEducation（SSRN、2026、仅摘要）
- A Foundation For Educational Research at Scale: Evolution and Application（Digital WPI、2018、仅摘要）