近年来，无论中外，教育科技界对“自适应学习(adaptive learning)”的关注热度持续不减。根据培生(Pearson)和EdSurge联合推出的《解码自适应学习》的报告中定义，“自适应学习是一种教育科技手段，它通过自主提供适合每位学生的独立帮助，在现实中与学生产生实时互动。”每个学生都是独一无二的，教师可以根据每一个学生的学习风格采用个性化的教学策略将教学效果最大化。2000年前孔子就是提倡“因材施教”这个思想，自适应学习实质上是回归了教育的本质。
始于测评
教育或者在线教育离不开测评。在线教育平台很大程度上能够克服传统教育评价难以收集评价依据和评价信息单一化、片段化的问题，可以全过程、全方位采集教育数据。数据本身不会说话，只有对数据进行专业化的分析之后，数据的大价值才会充分体现。
在当代教育体系中，教育测评几乎涉及所有核心教学环节。简言之，如何进行教学管理乃至教育政策制定，如何判断课程体系是否符合课程标准、教学效果是否达到目标，如何了解学生能力水平、掌握了什么知识或技能，如何让教师更了解学生、因材施教，引导学生个性化学习，如何指导学生录取工作等，这些都是教育测评的最直接应用。
“单纯的慕课和简单粗暴的线下一对一都是耍流氓”，做了15年少儿教育的栗浩洋说，“教育行业需要产品升级，用更有效果和效率的方法提供学习服务。”
内容是瓶颈
目前对自适应学习研究比较完备的是美国、韩国和日本。其中，美国的研究成果最为显著,出现了Knewton、Realizeit、Aleks、Dreambox等知名自适应学习系统，得到了广大在线学习者的青睐。Knewton被誉为全球自适应学习平台的典范，其最大的优势在于强大的实时推荐引擎，用数据来看学生的学习行为，测量学生的水平，以此来预测学生未来的表现，提高学生的学习效果。
相对而言，我国自适应学习研究起步较晚，目前虽然也对自适应学习系统进行了相关的理论研究与设计开发，但其研究大体上仍局限于院校实验。
根据技术专家的观点，“自适应学习”的发展，可以分为三个阶段。
自适应测试：以IRT 模型动态调整题目，能够准确反映被测试者的水平，但不能深入到知识点的层面，无法对学生的学习起到指导作用;
自适应测量：运用更细致的标签和复杂的算法，找到学生在知识点和能力上的缺陷，但无法做到真正的“解决问题”;
自适应学习：在发现问题后，能够通过精确的内容推送解决个性化问题。
当前看来，自适应学习更像是做一道错题后在推送遇到同类题的“刷题产品”，想要迎来更大的爆发还需更多的玩家资源共享，将不同媒介的(字、图、音、视、VR、AR、AI...)、不同来源的、不同难度的、不同讲述风格内容汇聚，为提供真正的个性化学习提供可能。
