Adaptive Learning Systems: Bridging Instructional Technology and Personalized Pedagogy through Design Thinking
Notice bibliographique
Résumé
This review explores how adaptive learning systems, when guided by the principles of design thinking, can bridge the gap between instructional technology and personalized pedagogy. While technology continues to transform education, its impact remains limited when introduced without focus on learner-centered teaching practices. This study argues that technology alone cannot drive meaningful change in the classroom unless it is thoughtfully integrated into the learning process through pedagogical strategies informed by the needs of learners and teachers. The review examines major instructional challenges in contemporary classrooms, including large class sizes, learner diversity, insufficient digital literacy, and inadequate feedback mechanisms. It discusses how design thinking through its stages of empathizing with learners, defining their needs, generating ideas, prototyping solutions, and testing them in the classroom offers a structured yet flexible approach to addressing these challenges. Within this framework, adaptive learning systems emerge as powerful tools for personalizing instruction, delivering differentiated learning pathways, providing real-time feedback, and supporting data-driven decision-making. The review proposes a step-by-step pathway to harmonize technology with pedagogy, emphasizing the importance of empowering educators with analytics and tools, tailoring instruction to individual learners, and creating inclusive environments where learners progress at their own pace. The findings reveal significant implications for practice and policy. It concludes that the fusion of design thinking and adaptive learning has the potential to transform technology from a detached tool into an integral part of teaching and learning, creating more equitable, learner-centered environments that reflect the realities of diverse classrooms and the demands of digital education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».