AI-Driven Adaptive Learning Systems in Higher Education: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This systematic review investigates the implementation and impact of AI-driven adaptive learning systems in higher education, based on an analysis of 15 empirical studies published between 2020 and 2024. Following the PRISMA 2020 guidelines, the review addresses four core questions: (1) research trends and geographic distribution; (2) types of AI technologies and system characteristics; (3) implementation strategies in educational contexts; and (4) effectiveness and challenges encountered. The findings indicate a substantial increase in publications after 2022, with 73% of the studies published in 2023–2024. Geographically, research contributions span 15 countries, with the United States, China, and Europe as leading contributors. The predominant AI technologies identified include machine learning (40%), natural language processing (33%), and hybrid systems (27%), supporting real-time personalization and adaptive feedback mechanisms. Implementation strategies were observed primarily in STEM fields, language learning, and hybrid learning environments, with applications ranging from intelligent tutoring systems to LMS-integrated AI assistants. Effectiveness outcomes reported academic performance gains of 15–25% and improved learner engagement by up to 40%. However, challenges persist, including insufficient technical infrastructure, faculty readiness, ethical concerns (e.g., data privacy, algorithmic bias), and the underrepresentation of non-STEM disciplines. This review highlights critical considerations for successful integration of AI-enhanced adaptive systems and provides strategic guidance for institutions aiming to enhance personalization, equity, and scalability in higher 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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle