收稿日期：2023-05-01

修回日期：2023-06-19

终审日期：2023-06-19

网络首发：2023-07-18

自适应学习是实现高等教育学习革命、质量革命和高质量发展的战略选择和创新路径。我国强调高质量教育支撑体系构建的重点在于促进规模化教育与个性化培养有机结合。“中国大学MOOC”等在线教育平台为大学生自主学习提供良好平台条件，但也面临着“高注册率、低完成率”的问题，而自适应学习能判断在线学习者的优势和差异，从而匹配适合的学习资源，实现个性化学习，培养个性化人才。正是由于自适应学习在实现高等教育高质量发展方面发挥着重要作用，自适应学习已经成为教育技术研究界的一个重要学习范式。

尽管国际上关于自适应学习的实证研究逐年增加，但对于该实践对大学生学习结果的影响以及相关因素的作用方面，学界尚未达成一致的结论。例如，有研究表明自适应学习能显著促进大学生的认知发展，亦能提升其愉悦感、沉浸感等体验。然而，也有学者认为自适应学习引发了一些棘手的问题，诸如难以关照不同学习者的情绪、情感和价值观需求，尤其对于认知先决条件较弱学习者而言，可能对知识回忆和保留造成不利影响。现有关于高等教育自适学习的元分析研究主要从研究情境和方法论的宏观视角出发，然而，在技术增强学习环境中，还应从自适应策略和技术的视角扩展影响学习结果的潜在调节变量的范围。

基于自适应学习的研究热潮与当前学界关于自适应学习对大学生学习结果的影响存在的争议，本研究采用元分析方法，探究自适应学习对大学生认知和非认知学习结果的影响，并从研究情境、方法论、自适应策略和技术四方面进行调节效应分析，为我国自适应学习的产品研发、应用与评估提供“最佳证据”。

二、理论基础与分析框架

（一）自适应学习的定义

自适应学习（adaptive learning）的发展经历了六个阶段：程序教学机、计算机辅助教学、智能导学系统、智能代理教学系统、智能超媒体教学系统、智能化自适应学习系统。这些阶段在一定程度上反映了自适应学习概念的更新和迭代。本研究采纳Martin等人提出的最新定义，即自适应学习“是一种新兴的学习技术，可以动态地调整教学内容，为个人提供交互式和个性化的学习路径以促进学习”。从整体来看，自适应学习的价值和意义不仅仅在于实现教学的“量身定制”，更在于让更多学习者享受到规模化、个性化的普惠教育。从具体特征来看，自适应学习一般包含学习者模型、教学模型、内容模型、自适应引擎四个部分。

（二）有关自适应学习元分析的回顾

多项元分析探究了自适应学习和学习结果的因果关系。早期元分析有两个共同的特征，即主题都局限于智能导学系统，且纳入分析的研究大多发表于2012年以前。但随着自适应学习技术基本成型，有学者呼吁进一步纳入新一代自适应学习的因果实践，全面考察“适应性”的各个方面，并报告所用的自适应策略和技术。已有自适应学习研究的元分析存在以下不足：一是在学段上，仅有两篇元分析专注于高等教育领域，且计算得出的合并效应量差异较大。二是样本量偏小，最新的研究仅纳入了十余项研究，可能会产生严重的偏差。三是对学习结果的测量局限于认知领域，如考试成绩、技能等。四是主要聚焦于特定的学科领域，如数学、医学、教育游戏等。

（三）研究分析框架

本研究采取以下措施以提高研究质量：一是检索年限从2012年开始，检索策略相对完善，从多个来源搜集文献。二是自变量不局限于智能导学系统，关注更多类型的自适应学习。三是因变量同时考虑认知和非认知学习结果。认知学习结果指知识保留或回忆，以及智力能力和技能发展的情况。非认知学习结果则反映了学习者的情绪及其对自适应学习的体验和看法，以及学习者的个体行为或互动交流。四是基于已有的陈述性综述和元分析，从研究情境、方法论、自适应策略和技术等角度确定潜在的调节变量。由此，构建了本研究的分析框架（如图1），以回答以下两个研究问题：（1）自适应学习对大学生学习结果（认知学习结果、非认知学习结果）的影响如何？（2）哪些变量会对自适应学习和学习结果之间的因果关系产生调节作用？

图1  研究分析框架

三、研究设计

（一）文献检索策略

为获得全面的文献资料，我们在2021年5月进行了首次文献检索，并在2023年5月更新了数据。文献检索的来源包括两方面。首先对Web of Science、Elsevier、ERIC等英文数据库进行检索。以“adaptive learning”“adaptive feedback”“adaptive game”等为自适应学习的关键词，以“technology”“tool”“game”等为技术的关键词；以“student”为人口的关键词；以“experimental ”“quasi-experimental”为实验设计的关键词；以“assessment”“evaluation”“ post-test”“learning outcome” 等为学习结果的关键词。不同主题的关键词以布尔运算符“AND”连接，同一主题的关键词用布尔运算符“OR”连接。

其次，以“adapt”为关键词，对六个与教育技术学相关且影响因子均大于3的SSCI国际学术期刊官网进行检索，包括“Computers & Education”“Educational Technology & Society” “British Journal of Educational Technology”“Educational Technology Research and Development”“Interactive Learning Environments”“Journal of Computer Assisted Learning”。论文发表时间段从2012—2023年，最终得到6 293篇英文文献。

（二）文献纳入标准

本研究制定了6条纳入标准：（1）研究的对象应是高校大学生；（2）研究主题应是关于技术增强的自适应学习对大学生学习结果影响的实证研究；（3）研究方法应采用随机实验或准实验设计，实验干预为自适应学习；（4）研究的实验干预应使用独立的比较条件；（5）研究结果应测量自适应学习对至少一个学习结果的影响且提供必要的量化数据以便计算或估计效应量大小；（6）研究发表于2012—2023年之间的同行评审的期刊上，用英文撰写，并且可获得全文内容。

本研究遵循PRISMA声明，最终筛选出50篇文献，包括51项研究，具体文献的筛选流程如图2所示。

图2  文献筛选PRISMA流程图

（三）文献特征值编码

如表1所示，文献编码维度涉及原始文献基本信息等四个部分，共计34个特征值。

表1  原始文献信息编码

本研究从研究情境、方法论、自适应策略和技术四个方面确定了13个潜在调节变量，并对这些变量进行编码。

第一，研究情境。包括学段（本科生、研究生、混合）、学科（纯硬科学、纯软科学、应用硬科学、应用软科学）。参考托尼·比彻（Tony Becher）等人对学科知识的划分方式，将研究所应用的学科划分为四大类：纯硬科学（Hard-Pure）；纯软科学（Soft-Pure）；应用硬科学（Hard-Applied）；应用软科学（Soft-Applied）。

第二，方法论。包括干预时长（0至1天、1天至4周、4周以上，如Sung等）、实验设计类型（准实验和真实验，如Hillmayr等）、教师效应（不同教师、同一教师、无教师，如Schmid等）、提取数据的方式（描述性统计和推断性统计，如Wang等）。

第三，自适应策略。包括学习者特征（认知、非认知、混合，如Major等）、自适应目标（内容、评估、导航、呈现、多种自适应目标，如Martin等）、反馈类型（结果反馈、正误反馈、详细反馈、混合式反馈，如Shute）、反馈时间（及时反馈和延迟反馈，如Deeva等）。其中，自适应目标（Adaptive targets）参考Martin等的定义和划分，即自适应目标是教学内容模型的一部分，表现为自适应发生的方式，包括内容（Content）、评估（Assessment）、导航（Navigation）、呈现（Presentation）以及多种自适应目标（Multiple adaptive targets）。

第四，技术。包括自适应技术（自适应学习系统或应用、自适应教学或设计方法，如Martin等）、对照组应用技术程度（无技术、有技术，如Sung等）、对照组处理（班级授课教学、个别教学，如Ma等）。

所有信息由两位研究者进行独立编码，总体的Kappa系数为0.936（95%CI [0.916,0.956]），表明编码的一致性较高。随后，两位研究者讨论并解决了 编码不一致的地方，并达成了一致意见。

（四）效应量计算

本研究以Hedges’s g作为效应量指标，采用软件CMA2.0计算研究的效应量（Effect Size，简称ES）。Cohen 认为，当效应值g为0.2、0.5和0.8时，则分别对应低度影响、中度影响和高度影响。在纳入的原始研究中，存在一些特殊情况。其中一种是涉及多重比较的研究，笔者通过敏感性分析来探究这些可能的影响。此外，本研究参照Wang等的分析方法处理数据独立性问题。为保证数据分析结果的稳健性，本研究只对包含等于或大于4个研究的变量进行调节效应分析。

四、研究结果

（一）发表偏倚和异质性检验

1.发表偏倚检验

本研究采用漏斗图法与剪补法进行检验。漏斗图显示了细微的不对称性，说明在认知和非认知学习结果的纳入研究可能存在发表偏倚。但漏斗图检验结果较为主观，因此进一步采用剪补法，认知学习结果表明，剪补前后的平均效应量均为0.588(95%CI[0.550, 0.953])；非认知学习结果结果表明，剪补前后的平均效应量均为0.506(95%CI[0.364,  0.721])。综合以上检验方法，认知和非认知学习结果的发表偏倚可能性较小，研究结果较为可靠。

2.异质性检验

本研究采用随机效应模型，并通过Cochrane Q检验和I²检验考察研究间异质性程度。分析结果显示，认知学习结果的Q值为822.150（p<0.001），非认知学习结果的Q值为99.229（p<0.001），说明研究间存在一定的异质性。I²检验结果显示，认知学习结果I2的值为90.999%，非认知学习结果I²的值为69.767%，说明研究间存在高度或较高的异质性。

（二）主效应检验

为回答研究问题1，本研究从认知和非认知两个维度对自适应学习的具体作用效果进行分析，涉及75个认知学习结果和31个非认知学习结果。认知学习结果的合并效应量为0.751（95%CI [0.550, 0.953]），非认知学习结果的合并效应量为0.542（95%CI [0.364, 0.721]）。

纳入的所有研究中有15项研究包含研究内组间的多重比较。通过敏感性分析，我们对每项研究仅纳入一个效应量进行分析来检查可能的影响。如表2所示，认知学习结果的异质性检验存在统计学意义（I2=65.595, p=0.033<0.05），这表明认知学习结果的变异程度较大，并且不能完全归因于随机误差。非认知学习结果无统计学意义（I2=0, p=0.541>0.05），这表明非认知学习结果的变异程度较小，可能更加稳定。由于存在多重比较的研究，需要谨慎解释可能的偏差或其他未知因素对认知学习结果的影响。

表2  自适应学习对学习结果的主效应检验

（三）调节效应检验

为回答研究问题2，本研究进行了调节效应检验。在认知学习结果方面，本研究发现了3个显著的调节变量（见表3）。第一个调节变量是自适应目标，不同自适应目标对大学生学习结果具有显著差异，按合并效应量大小排列，依次是内容、导航导航、评估、呈现以及多种自适应目标。第二个调节变量是反馈时间，及时反馈的效应量显著大于延迟反馈的效应量。最后是自适应技术，自适应系统或应用的效应量显著大于自适应教学或设计方法。

表3  潜在调节变量对认知学习结果影响的调节效应检验

在非认知学习结果方面，如表4所示，未发现显著的调节变量。

表4  潜在调节变量对非认知学习结果影响的调节效应检验

五、研究讨论与启示

（一）研究讨论

1.自适应学习对认知和非认知学习结果影响的主效应

与非自适应学习相比，自适应学习对大学生的认知和非认知学习结果有中等正向的积极影响。针对认知学习结果，本研究的主效应量为(g=0.751)（95%CI [0.550, 0.953]），显示中上程度的促进作用。然而，与其他研究相比，本研究的效应量较大或较小，可能受多个因素的综合影响。

首先，本研究聚焦于高等教育，而其他研究主要集中在中小学学段。中小学生和大学生之间存在学习能力和学习方式的差异，在自适应学习环境下中小学生容易出现注意力不集中和学习缺乏持久性的情况。因此，Steenbergen-Hu等和Major等的研究主要关注中小学领域，这导致它们的主效应量均低于本研究。

其次，技术的演进也可能导致研究结论之间的差异。例如，Knewton扩展了传统的项目反应理论，将学生的能力参数视为随时间变化的，并通过利用聚焦于概念层面的知识图谱对学生的能力进行评估和表征，从而优化了自适应学习的效果。因此，由于本研究纳入了新的自适应学习技术，其效应量高于Steenbergen-Hu等所纳入的仅涉及智能导学系统的元分析结果。

再次，学科的差异也可能导致研究结论之间的差异。Fontaine等的研究聚焦于医疗专业，观察到自适应学习在该硬科学领域中具有显著高效的效果。本研究也发现自适应学习应用在应用硬科学的效果比其他学科较好。但在综合考虑各个学科的综合研究结果时，本研究的效应量相对较低。

另一方面，本研究发现自适应学习对非认知学习结果具有中等程度的正向影响，整体效应量为0.542。目前只有Liu等的研究探究了自适应学习对非认知学习结果的影响，发现将适应性融入教育游戏中可以提高学生的学习参与度（g=0.405），但游戏表现方面有所下降（g=-0.273）。然而，他们的研究仅限于教育游戏，样本数量相对较小，可能存在发表偏误，这可能是导致两项元分析整体效应量不一致的原因之一。

2.研究情境、方法论、自适应策略和技术变量的调节效应

调节效应的结果显示，只有自适应策略和技术类别中的个别调节变量（即自适应目标、反馈时间和自适应技术）共同解释了自适应学习和非自适应学习之间关于认知学习结果的差异。首先，对于研究情境，本研究未发现显著的调节变量。已有元分析发现自适应学习受到研究情境的影响。例如，一项关于智能导学系统的元分析表明，学段和学科之间存在显著差异，对大学生和小学生的影响较为显著，而对中学生的影响相对较小；理工科的效应量显著高于文科。然而，在本研究专注于高等教育阶段时，未发现学段之间存在显著差异，并且在应用托尼·比彻（Tony Becher）等提出的知识领域分类框架后，也未发现学科之间的显著差异。

其次，在方法论方面，本研究未发现显著的调节变量。然而，根据研究结果，无论是认知还是非认知学习结果，在经过4周的干预后，效应量较小。对于认知学习结果而言，采用准实验设计，并且实验组和控制组之间存在不同的教师因素，这样的研究设计导致了较大的效应量。而对于非认知学习结果，采用真实验设计，并且实验组和控制组之间没有教师参与，这样的设计也导致了较大的效应量。基于这些结果，未来研究可以考虑将实验研究的严格程度作为一个重要的调节变量加以考虑。

再次，从自适应策略和技术的视角来看，自适应目标、反馈时间以及自适应技术均对大学生的认知学习结果起显著的调节作用。其一，自适应目标中的自适应内容、评估、导航、呈现均对认知学习结果具有高度正向影响，而多种自适应目标的影响并不显著。这一发现支持了认知负荷理论在解释大学生认知学习结果方面的重要性。自适应学习系统通过根据学习者的个体差异和学习需求调整教材的难度、深度和呈现方式，提供了更匹配学习者认知能力和学习风格的学习材料，从而减少内部认知负荷，提高学习效果。此外，自适应学习系统的个性化特征还能提供吸引人且导航性强的学习体验，帮助学习者组织和整合信息，减少外部认知负荷。这些结果也意味着自适应学习系统可能存在一定的交互效应或复杂性，使得多种自适应目标的组合并未带来额外的益处。未来研究可以探究自适应目标之间的相互作用以及其与学习者特征之间的关系，以更好地理解自适应学习系统的运作机制。其二，及时反馈的自适应策略比延迟反馈策略对认知学习结果更有效。这一发现与Ma等人的元分析结果存在差异，他们发现无论是否提供反馈，使用ITS都与统计学上显著的效应量相关。然而，我们的研究进一步探索了是否提供及时反馈这一调节变量，这在先前的元分析中尚未被探究。这种差异可能是由多个因素引起的，包括样本特征和所研究的自适应学习系统的差异等。我们的发现突出了反馈时效性对认知学习结果的重要性，并强调了及时反馈在自适应策略中的积极作用。其三，自适应系统或应用在认知学习结果上的合并效应量显著大于自适应教学或设计方法。这一发现与自适应学习系统或应用综合了计算机科学、教育科学、心理教育、语言学等多领域的支持密不可分。未来的研究可以进一步探索如何在自适应学习系统或应用中整合情感和动机因素，以更全面地支持学习者的认知学习过程。此外，值得深入研究如何平衡自适应技术与教师角色的互动，以促进有效的学习过程和教学实践。

（二）研究启示

1.基于“最佳证据”推动自适应学习系统的研发

“对学习的研究将需要一直与软件开发相伴”。为了最大限度地提高自适应学习系统的有效性，研发人员应当采用本研究中得出的证据来进行系统的开发、测试和应用。第一，强化学习活动的自适应目标。在设计自适应学习产品时，重点关注自适应内容、评估和导航功能。包括：引入多模态情感分析，提升情感分类性能，改进内容推荐；优化习题推荐算法的准确性，精简习题，让学生在最近发展区自我构建；结合游戏化设计和解锁式路径，提升产品吸引力，增加用户参与度和活跃度；根据学生需求和兴趣解锁拓展性课程和内容，帮助他们掌握学习节奏。第二，重视学习活动的“灵活反馈”。为了培养大学生独立思考、自主解决问题和元认知的能力，建议改进自适应技术中的反馈方式，采用“灵活反馈”。当答案与参考答案相似度高时，系统提供正误反馈，强化正向反馈；相似度低时，系统详细解释答案并推送类似难度的新内容。同时，在自适应学习系统中引入即时反馈机制，帮助大学生了解学习进展并调整目标、心态和计划。第三，推进以“学”为导向的自适应系统或应用。本研究发现自适应系统或应用对认知学习结果有积极影响，但自适应教学或设计方法的影响尚不明显。这强调了满足大学生学以致用需求的“以学习者为中心”原则的重要性。未来研发应更注重将自适应学习产品作为学习工具而非教学或设计工具，同时企业应挖掘自适应学习应用的新场景，推动高校教学理念和模式的创新，深化校企、人机的协同育人机制。

2.从组织层面引导大学生参与自适学习活动

自适应学习的教育价值、高校师生的心理准备和正确认知，以及高校管理者提供的全方位培训和强有力的技术保障，都对自适应学习的有效性产生重要影响。第一，挖掘自适应学习在多学科的应用潜力。尽管学科对自适应学习的效果没有显著调节作用，但不同学科仍有明显差异。特别是，应用硬科学和纯软科学表现出中等偏上的效应。在推进“新工科、新医科、新农科、新文科”建设背景下，高校选择自适应学习产品时应考虑实际需求和发展定位，与企业合作，进行计算机科学、英语等课程的前瞻性试点和科学布局，提升产品的实用性和适应性。成功的试点项目可以为其他学科提供借鉴，并逐步推动自适应学习在各学科中的大规模应用和推广。第二，完善人机协同的自适应学习生态环境。整合自适应技术到在线学习平台，提供个性化内容和体验，推动大规模个性化教育。人工智能技术在自适应学习中发挥重要角色，但在逻辑思维和深刻理解方面仍有局限。因此，教师的核心思想和与学生的有效沟通必不可少。未来教育是人机协同和共育的时代，教师应善用人工智能技术解决传统教学中的难题。高校管理者应提供培训和技术支持，加强师生的人工智能素养，构建自适应学习技术治理体系，营造良好的学习生态环境。

3.遵循科学的研究方法对自适应学习进行评估

作者—编辑—同行评议意见

第一轮审稿意见

尊敬的编辑和审稿人

我们已经一一回应了两位审稿专家提出的问题，并在回复中使用了蓝色字体进行标注。请您查看下文中的修改说明。此外，我们在文稿中采用了修订模式（见修订版）以及还提供了一份不保留修改痕迹的版本，并用黄色高亮标注出主要修改位置（见清版）。请您查看附上的论文修订版和论文清版，以获取详细的修改内容。修订说明中的所有页码均指的是论文清版中的页码。

非常感谢您的耐心和指导意见。如果您有任何其他问题或论文需要进一步修改，请随时与我联系。

同行评议意见1

该文采用元分析的方法，针对学术界关于自适应学习能否以及在多大程度上能促进大学生学习这一争论开展研究，选题有理论价值和现实意义，篇章结构较合理，行文符合学术规范。但是，论文似乎更多地停留在技术形式层面，对研究问题的把握、研究启示的提炼不够到位，部分观点和含义解释值得商榷。下面是列出的几点问题，供参考：

1.论文题目《解码大学生自适应学习——基于59项实验和准实验研究的元分析》中的大标题似乎范围过大、含糊不清。在没有通读全文之前，不知道作者想要研究的问题到底是大学生自适应学习这一行为本身的形成（或实现）机制？还是自适应学习对大学生学习的作用效果？还是二者都包括抑或其他？

回应：感谢您的意见和建议！根据您的意见，同时结合第二位审稿人的意见，我们重新审视了论文的目标和内容。论文主要聚焦于自适应学习对大学生学习结果的影响，基于这一主题，我们对大标题进行了调整。

修改：已将论文题目修改为“自适应学习对大学生学习结果的影响研究——基于59项实验和准实验研究的元分析”。

2.核心概念“自适应学习”定义不清晰，存在用概念解释概念自身的问题，而且从作者的文献述评来看，又与“智能导学系统”甚至是“个性化学习”存在概念混淆的问题。另外，作者也忽略了大学生群体的特殊性。

回应：非常感谢审稿人对我们论文的意见和建议。我们对核心概念“自适应学习”的定义进行了重新审视，并根据审稿人的指导进行了调整，以解决存在用概念解释概念自身的问题。同时，我们认同金生鈜在《教育研究的逻辑》一书中的观点，即定义概念的过程，一是找出与概念最相近的概念类别，将概念置于其中，二是分析出概念的独特意义，因为只有与相似的概念相比较，才能凸显这个概念的意义。因此，在修改版中，我们先进行了自适应学习的定义，然后将其与其他相关概念，即智能导学系统、个性化学习，进行比较，以突显自适应学习的特殊性和独特意义。此外，我们也根据审稿人的建议，在全文中增加了对大学生群体特殊性的讨论。通过这些修改，我们努力确保读者能够更好地理解自适应学习的概念和意义，并避免了用概念解释概念自身的问题。

修改：请见正文p2, “（一）自适应学习的定义”部分。为方便您审阅, 我们将具体修改内容呈现如下：

自适应学习（adaptive learning）的发展经历了六个阶段：程序教学机、计算机辅助教学、智能导学系统、智能代理教学系统、智能超媒体教学系统、智能化自适应学习系统[9]。这些阶段在一定程度上反映了自适应学习概念的更新和迭代。本研究采纳了Martin等人[13]提出的最新定义，即自适应学习“是一种新兴的学习技术，可以动态地调整教学内容，为个人提供交互式和个性化的学习路径以促进学习”。从整体来看，自适应学习的价值和意义不仅仅在于实现教学的“量身定制”，更在于让更多学习者享受到规模化、个性化的普惠教育[16]。从具体特征来看，自适应学习一般包含学习者模型、教学模型、内容模型、自适应引擎这四个组成部分。然而，不同研究者对于自适应学习的命名存在差异，较为常见的术语包括智能导学系统（Intelligent tutoring system, ITS）和个性化学习（personalized learning）。尽管术语不同，但其目的是相同的，即为学习者提供适合其个体特征的学习支持，以便他们能够更快速、更有效地学习[4]。

为了准确理解自适应学习，我们应当明确区分它与其他相关概念的关系。具体而言，智能导学系统是一种特定的教学工具，利用人工智能和大数据等技术提供个性化的学习体验[1]。而个性化学习则可追溯到孔子时代，强调教师要从学生的个体差异出发运用“因材施教”的原则。一项关于个性化学习术语的综述指出，自适应学习和个性化学习是可以互换使用的[17]，二者界限不分明的主要原因在于他们之间的相似性，即均强调个体差异、表现和适应性调整，旨在满足学习者的多样化学习需求[18]。两者的不同在于，自适应学习特指技术增强学习环境中的自适应技术应用，需要借助人工智能和大数据等提供因人而异的个性化教学[17]。因此，智能导学系统可以被视为自适应学习的一种具体实现方式，而自适应学习则属于个性化学习范畴，并采用技术手段进行实现。

此外，对于自适应学习的研究和应用来说，综合考虑不同学习者群体的特征和需求是至关重要的。相比中小学生，大学生通常更具有自主性和独立性，在学习活动中也更加明确自己的学习目标，并关注专业化和职业发展的需求。然而，当前高校教师在教学改革中存在一些问题，如“惯性思维”和“路径依赖”，这导致教师的思维保守，教学方式呆板，并且与学生的课外沟通不足等，使得他们无法充分满足学生的学习需求[19]。因此，亟需构建专业“课程地图”，依托信息技术手段加强大学生学习活动中的个性化发展指导。

3.研究样本所选取的时间滞后。作者将检索时间跨度限定为2012年1月至2021年5月，没有充分理由，至少应更新至当前时间节点或者2022年。

回应：非常感谢审稿人提出的宝贵意见。我们同意将研究样本更新至当前节点，以包含最新的研究成果。通过从数据库和主要教育技术期刊中获取文献，我们新增加了15篇发表于2021年至2023年的同行评议文章，以确保结果的准确性和全面性。这些变化在论文中产生了一系列的调整。

我们已经在正文的第5页的“（一）文献检索策略”部分描述了整个更新过程，并通过使用新的PRISMA流程图展示了文献筛选的过程（见正文第5页的“（二）文献纳入标准”部分）。同时，由于纳入文献的变化，我们对最终的研究结果进行了相应的调整（见正文第7页的“四、研究结果”部分）。在纳入新的研究之后，认知学习结果和非认知学习结果的主效应量均有所增大。特别需要注意的是，在认知学习结果中，原先的四个显著的调节变量（干预时长、自适应目标、反馈类型、自适应技术）变为了三个（自适应目标、反馈时间、自适应技术），而非认知学习结果从一个（教师效应）变为了没有。因此，我们还相应地进行了讨论和启示部分的调整（见正文第12页的“五、研究讨论与启示”部分）。文中所有图表已经更新以反映这些修改的数据结果。

最后，我们发现在之前文本中关于纳入研究数量的描述存在错误，在此进行说明和更正。实际上，在此前的分析中，纳入了35篇文献，涉及了36项独立的研究，这些研究提供了59个有效效应量，而非59项独立的研究。综合两次检索结果，我们一共纳入了50篇文献，涉及51项研究。

修改：所有修改请见正文。为方便您审阅, 我们将研究方法和研究结果部分的主要修改内容呈现如下：

请见正文p5 ,“（一）文献检索策略”部分。下划线为主要修订内容。

为了获得更为全面的文献资料，我们在2021年5月进行了第一次文献检索，并在2023年5月进行了数据更新。设定文献检索的来源包括两个方面。首先是对Web of Science、Elsevier、ERIC、SAGE journals等高校购买的英文数据库进行检索。使用PICO标准来确定搜索字符串：人群（Population）、干预（Intervention）、比较（Comparison）和结果（Outcomes）。以“adaptive learning”“adaptive feedback”“adaptive game”“adaptive computer”“adaptive assignment”“adaptive difficulty”“adjustment”“intelligent adaptation”“adaptive testing”“adaptive assessment”“individualize”、“personalize”“formative”“assessment”“tailored”为自适应学习的关键词，以“technology”“tool”“game”“computer”“system”“program”“application”为技术的关键词；以“student”为人口的关键词；以“experimental ”“quasi-experimental”为实验设计的关键词；以“assessment”“evaluation”“post-test”“learning outcome” “learning result”“performance”“achievement”“gain”为学习结果的关键词。不同主题的关键词以布尔运算符“AND”连接，同一主题的关键词用布尔运算符“OR”连接。

其次，以“adapt”为关键词，对六个与教育技术学相关且影响因子均大于3的SSCI国际学术期刊官网进行检索，包括“Computers & Education”“Educational Technology & Society” “British Journal of Educational Technology”“Educational Technology Research and Development”“Interactive Learning Environments”“Journal of Computer Assisted Learning”。检索时间跨度限定为2012年1月至2023年12月，将通过上述两大来源检索到的文献导入Mendeley中，删去58篇重复文章，最终得到6293篇英文文献。

请见正文p5 ,“（二）文献纳入标准”部分

本研究遵循PRISMA指导[31]，最终筛选出50篇文献，包括51项研究，满足元分析对纳入研究的数量要求[32]，具体文献的筛选流程如图2所示。

请见正文p7-8 ,“（一）纳入研究的特征”部分

最终的数据集来自50篇期刊论文的51项研究，共涉及3699名大学生。发表自适应学习研究最多的期刊是Educational Technology & Society（n=10），2012年（n=8）是发表自适应学习实验研究的高峰期，研究数量最多的地区是中国台湾（n=19）。关于研究情境，大多数研究（n=42）调查了本科生的学习结果；应用硬科学（n=21）是研究得最多的学科，其次是纯软科学（n=16）；干预时间在4周以上（n=22）的研究数量最多，1天至4周（n=7）最少。关于方法论，研究采用真实验（n=23）和采用准实验（n=21）的研究数量大体相同；约一半的研究（n=25）在开展干预实验时未报告是否配备教师。关于自适应策略，在学习者特征上，超过一半的研究（n=31）选择适应学习者认知方面的特征；在自适应目标上，最多的是通过自适应内容（n=19）达到个性化学习，其次是自适应评估（n=18）；在反馈类型上，近一半的研究（n=23）未报告是否会通过反馈的方式为学生提供自适应学习。关于技术应用，超过五分之四的研究使用了自适应学习系统或应用（n=42）；有36项研究的对照组使用了技术进行传统教学。

请见正文p10 ,“（四）调节效应检验”部分

为回答研究问题2，即探究自适应学习在不同条件下对大学生学习结果的影响是否存在差异，本研究进行了调节效应检验。在认知学习结果方面，本研究在13个潜在调节变量中发现了3个显著的调节变量，如表4所示。第一个调节变量是自适应目标（Q=23.228, p<0.001），不同自适应目标对大学生学习结果具有显著差异，其作用效果按照合并效应量大小排列依次是内容（g=1.329, 95%CI[0.883, 1.774]）、导航导航（g=0.635, 95%CI[0.297, 0.973]）、评估（g=0.528, 95%CI[0.282,  0.773]）、呈现（g=0.333, 95%CI[0.011, 0.655]）以及多种自适应目标（g=-0.009, 95%CI[-0. 356, 0.339]）。第二个调节变量是反馈时间（Q=8.982, p<0.05），及时反馈的效应量（g=0.848, p<0.001）显著大于延迟反馈的效应量（g=0.180, p>0.05）。最后是自适应技术（Q=9.971, p<0.05），两类技术均能促进认知学习结果，但自适应系统或应用（g=0.855, p<0.001）的效应量显著大于自适应教学或设计方法（g=0.357, p<0.001）。

4.具体章节的写作是否妥当，可能需要再斟酌。比如，（1）第一部分“引言”不够凝练，实际上只要快速破题即可，而且所写内容更像是“问题的提出”。（2）第二部分“文献评述”只有一小节是对已有文献的回顾，而其他两节不属于文献评述。（3）第四部分“研究结果”的主效应检验这一小节，罗列图示不必要，反而拉长了篇幅。

回应：非常感谢您的宝贵意见和建议。首先，我们已经根据您的建议对论文第一部分进行了修订。具体而言，我们将标题改为了“问题提出”，以更好地反映所写内容。同时，我们删去了与大学生自适应学习无关的背景信息，并适当增加了与大学生自适应学习有关的文献。在修改版中，我们强调了自适应学习作为实现高等教育学习革命、质量革命和高质量发展的战略选择和创新路径的重要性。我们指出了自适应学习在解决MOOC中的低完成率问题以及促进大学生个性化学习能力和学习效果方面的优势。此外，我们提到了自适应学习对大学生学习结果的影响具有争议。最后，我们强调了本研究采用元分析方法来探究自适应学习对大学生认知和非认知学习结果的影响，并从研究情境、方法论、自适应策略和技术等方面进行调节效应分析，为自适应学习的产品研发、应用与评估提供最佳证据。

关于第二部分“文献评述”，我们分别对自适应学习的定义、相关元分析和本研究采纳的分析框架进行了介绍。我们认同您的观点，第二部分只有一小节是对已有文献的回顾。根据您的建议，我们修改了第二部分的标题，将其改为“自适应学习概述与研究分析框架”，以更准确地反映该部分的内容。

关于第四部分“研究结果”的主效应检验这一小节，根据您的建议，我们已删除了图5和图6，以简化论文的篇幅，使其更加紧凑和易于阅读。

修改：为方便您审阅, 我们将第一部分“问题提出”的具体修改内容呈现如下：

请见正文p1 ,“一、问题提出”部分

自适应学习是实现高等教育学习革命、质量革命和高质量发展的战略选择和创新路径。随着学生在已有知识、学习方式、认知能力和情感状态方面的日益多样化[1]，以及技术在学习环境中的快速整合，关于从反对“一刀切”式的教育转向以自适应学习推动因材施教的教育革命，已成为全球热议的话题[2]。我国《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》，亦强调高质量教育支撑体系构建的重点在于促进规模化教育与个性化培养有机结合[3]。但以“中国大学MOOC”为首的在线教育平台为大学生自主学习提供良好平台条件的同时，也因“高注册率、低完成率”使得育人质量备受质疑，而自适应学习能判断在线学习者的优势和差异，从而匹配适合的学习资源，实现个性化学习，培养个性化人才[4]。正是由于自适应学习在实现高等教育高质量发展方面发挥着重要作用，自适应学习已经成为教育技术研究界的一个重要学习范式[5]。近年来，一些更新的具有多种适应性学习模式的自适应学习系统也被开发出来，并且由于其能够依据学习者特征为学习者提供适应性学习内容及个性化学习策略而越来越受到欢迎[6]。

尽管国际上关于自适应学习的实证研究逐年增加，但对于该实践对大学生学习结果的影响以及在自适应学习对学习结果影响中发挥作用的因素，学界尚未达成一致的结论。许多学者发现自适应学习对大学生学习结果能够产生积极影响，并主要体现在认知和非认知两个方面。例如，有研究表明自适应学习能显著促进大学生的认知发展[7]，亦能提升其愉悦感、沉浸感等体验[8]。然而，也有学者认为自适应学习引发了一些棘手的问题，诸如难以关照不同学习者的情绪、情感和价值观需求[9]，尤其对于认知先决条件较弱学习者而言，可能对知识回忆和保留造成不利影响[10]。现有关于高等教育自适学习的元分析研究主要从研究情境和方法论的宏观视角出发，选择调节变量进行探究，如学段、学科、实验设计、对照组处理等[11-12]。然而，在技术增强学习环境中，学习结果受到包括学习者模型和教学内容模型的自适应学习模型的影响，因此应从自适应策略和技术的视角扩展对影响学习结果的潜在调节变量的范围[13]。

基于自适应学习的研究热潮与当前学界关于自适应学习对大学生学习结果的影响存在的争议，有必要采用一种能够综合多个实验和准实验研究结果来考察总体效应的统计分析方法[14]。更重要的是，我国教育学界对自适应学习研究偏理论化，有关自适应学习在高等教育教学实践中的应用较少，导致自适应学习难以大规模落地[15]。因此，本研究采用元分析（Meta-analysis）方法，探究自适应学习对大学生认知和非认知学习结果的影响，并从研究情境、方法论、自适应策略和技术四方面进行调节效应分析，以明确与干预措施变化显著相关的调节变量，进而打开自适应学习促进大学生学习的黑匣子，为我国自适应学习的产品研发、应用与评估提供“最佳证据”。

5.整体上，研究讨论与启示的可读性不强。尤其是在对一些与预期不一致的结果的解释上，多处都有牵强附会之嫌。这里不再一一列举。

回应：感谢您的宝贵意见和建议。为了增强研究讨论与启示的可读性，我们重新审视论文的结构和语言表达，并对此部分进行了大幅修改和润色，以确保信息的传递更加直观和易懂。

在润色过程中，我们更加注重逻辑性和准确性。我们将研究讨论与启示部分的内容重新组织，使得每个研究启示都成为独立的段落，明确阐述每个启示的核心内容和意义，并与相关研究结果进行连接。这样的分段和逻辑性组织可以让读者更清晰地理解每个启示，并在整体上更好地把握研究的主要发现和意义。

同时，我们审慎地评估了每个解释，并与研究结果充分对应，避免了过度诠释数据和牵强附会的情况。我们力求用客观、清晰和准确的方式描述与预期不一致的结果，并提供更具说服力和可信度的解释。

再次感谢您的意见和建议，我们相信这些修改和润色将进一步增强研究讨论与启示的可读性和可信度。

修改：为方便您审阅, 我们将第五部分“研究讨论与启示”的具体修改及对应内容呈现如下：

第一处修改：我们进一步完善了关于主效应差异的讨论。在文中，我们主要从聚焦的学段、涵盖的技术、关注的学科等因素出发，解释了本研究的主效应量与其他研究之间的差异。我们意识到这些因素可能是导致效应量差异的关键原因，但鉴于涉及的因素众多且复杂，我们避免了主观性的推测，并明确指出这些解释是基于我们对现有文献和研究背景的理解和假设。此外，在修改中提到了本研究所得的自适应学习对认知学习结果的主效应量达到了0.751（95%CI [0.550, 0.953]）以及对非认知学习结果的住效应量达到了0.542（95%CI [0.364, 0.721]）以进一步明确了该效应量的统计显著性。通过加入置信区间信息，我们增强了结果的可信度和准确性。

请见正文p12-13,“研究讨论”部分的“1.自适应学习对认知和非认知学习结果影响的主效应”

元分析结果显示，与非自适应学习相比，自适应学习对大学生的认知和非认知学习结果均具有中等正向的积极影响。针对认知学习结果的影响，本研究的主效应量为(g=0.751)（95%CI [0.550, 0.953]），显示出中上程度的促进作用。与此相似的研究还包括Kulik等[20]和Ma等[21]的研究，其效应量与本研究相似。然而，与Steenbergen-Hu等[11][22]、Major等[26]以及Fontaine等[12]的研究相比，本研究的效应量较大或较小，这可能是由于多个因素的综合影响。

首先，聚焦的学段不同。本研究聚焦于高等教育，而其他研究主要集中在中小学学段。中小学生和大学生之间存在学习能力和学习方式的差异，中小学生可能缺乏较强的自主学习能力，在自适应学习环境下容易出现注意力不集中和学习缺乏持久性的情况。因此，Steenbergen-Hu 等[22]和Major等[26]的研究主要关注中小学领域，这导致它们的主效应量均低于本研究。

其次，涵盖的技术不同。技术的演进也可能导致研究结论之间的差异。本研究纳入了一些新的自适应学习技术，例如，Knewton扩展了传统的项目反应理论，将学生的能力参数视为随时间变化的，并通过利用聚焦于概念层面的知识图谱对学生的能力进行评估和表征[49]，从而优化了自适应学习的效果。因此，本研究的效应量高于Steenbergen-Hu等[11]（g=0.370）所纳入的仅涉及智能导学系统这一类自适应学习方式的元分析结果。

再次，关注的学科不同。学科的差异也可能导致研究结论之间的差异。Fontaine等[12]的研究中，他们主要关注医疗专业这一应用硬科学领域，因此他们所观察到的自适应学习结果的效应值较高（知识：g=1.070；技能：g=1.190）。与此相比，本研究也发现自适应学习应用在应用硬科学的效果比其他学科较好。然而，综合考虑各个学科的综合研究结果时，本研究的效应量可能会相对较低，因为不同学科的特点和要求可能会对自适应学习的效果产生不同程度的影响。

另一方面，本研究发现自适应学习对非认知学习结果具有中等程度的正向影响，整体效应量为0.542（95%CI [0.364, 0.721]）。值得注意的是，目前只有Liu等[25]的研究探究了自适应学习对非认知学习结果的影响，发现将适应性融入教育游戏中可以提高学生的学习参与度（g=0.405），但游戏表现方面有所下降（g=-0.273）。然而，需要注意的是，他们的研究仅限于教育游戏，样本数量相对较小，可能存在发表偏误的风险，因此这可能是导致两项元分析整体效应量不一致的原因之一。

第二处修改：我们进一步完善了关于调节效应的讨论。需要注意的是，随着新研究的增加，显著的条件变量发生了变化。因此，在修改版中，我们仅对最新的研究结果进行了讨论。我们删除了与高等教育无关的文献，并主要将研究发现与同一学段的研究进行比较，或与相关理论进行讨论。同时，我们也适时增加了未来研究的方向。

请见正文p13-14, “研究讨论”部分的“2.研究情境、方法论、自适应策略和技术变量的调节效应”

调节效应的结果显示，只有自适应策略和技术类别中的个别调节变量（即自适应目标、反馈时间和自适应技术）能够共同解释了自适应学习和非自适应学习之间关于认知学习结果的差异。首先，对于研究情境，本研究未能发现显著的调节变量。尽管已有元分析发现自适应学习也受到了研究情境的影响。例如，一项关于智能导学系统的元分析表明，学段和学科之间存在显著差异，对大学生和小学生的影响较为显著，而对中学生的影响相对较小；理工科的效应量显著高于文科[24]。然而，当我们专注于高等教育阶段时，本研究发现学段之间并不存在显著差异，并且在应用英国学者比彻提出的知识领域分类框架后，我们也未发现学科之间的显著差异。。因此，未来的研究应该更加注重评估学习者的家庭背景，而不仅仅是他们的专业属性和年级。为了更好地支持自适应技术的规模化应用并适应不同的情境，Major等[26]建议未来研究可以考虑引入更多的人口特征，例如，社区类型（农村与城市）和社会经济地位。

其次，从方法论的角度来看，本研究未能发现显著的调节变量。然而，根据研究结果，无论是认知还是非认知学习结果，在经过4周的干预后，效应量较小。对于认知学习结果而言，研究采用准实验设计，并且实验组和控制组之间存在不同的教师因素，这样的研究设计导致了较大的效应量。而对于非认知学习结果，研究采用真实实验设计，并且实验组和控制组之间没有教师参与，这样的设计也导致了较大的效应量。基于这些结果，未来的研究可以进一步探究这些潜在的调节变量对学习结果的影响，并考虑将实验研究的严格程度作为一个重要的调节变量加以考虑。这样的探索有助于我们更准确地了解自适应学习的效果，并为教育实践提供更加全面、具体和有针对性的指导。

再次，从自适应策略和技术的视角来看，自适应目标、反馈时间以及自适应技术均对大学生的认知学习结果起显著的调节作用。其一，自适应目标中的自适应内容、评估、导航、呈现均对认知学习结果具有高度正向影响，而多种自适应目标对认知学习结果的影响并不显著。这一发现为认知负荷理论在解释大学生认知学习结果方面提供了强有力的支持。自适应学习系统通过根据学习者的个体差异和学习需求调整教材的难度、深度和呈现方式，提供了更匹配学习者认知能力和学习风格的学习材料，从而减少内部认知负荷，提高学习效果。此外，自适应学习系统的个性化特征还能提供吸引人且导航性强的学习体验，帮助学习者组织和整合信息，减少外部认知负荷。因此，在设计自适应学习系统时应重点关注对认知学习结果具有最显著影响的目标，并避免不必要的复杂性。这些结果也意味着自适应学习系统可能存在一定的交互效应或复杂性，使得多种自适应目标的组合并未带来额外的益处。未来研究可以探究自适应目标之间的相互作用以及其与学习者特征之间的关系，以更好地理解自适应学习系统的运作机制。

其二，给予学生及时反馈的自适应策略相比于延迟反馈的自适应策略，在认知学习结果方面表现更佳。这一发现与Ma等人 [22]的元分析结果存在差异，他们发现无论是否提供反馈，使用ITS都与统计学上显著的效应量相关。然而，我们的研究进一步探索了是否提供及时反馈这一调节变量，这在先前的元分析中尚未被探究。这种差异可能是由多个因素引起的，包括样本特征和所研究的自适应学习系统的差异等。尽管存在差异，我们的研究为教育技术领域提供了新的见解。我们的发现突出了反馈时效性对认知学习结果的重要性，并强调了及时反馈在自适应策略中的积极作用。本研究结果表明，及时反馈能够直接关联到学习行为，帮助学生纠正错误和改进学习策略，从而提升认知学习的效果。。

其三，自适应系统或应用在认知学习结果上的合并效应量显著大于自适应教学或设计方法。这一发现与自适应学习系统或应用综合了计算机科学、教育科学、心理教育、语言学等多领域的支持密不可分[50]。未来的研究可以进一步探索如何在自适应学习系统或应用中整合情感和动机因素，以更全面地支持学习者的认知学习过程。此外，值得深入研究如何平衡自适应技术与教师角色的互动，以促进有效的学习过程和教学实践。这些努力将推动人机协同的发展，并为教育领域提供更加有效的学习工具和方法。

第三处修改：我们对研究启示部分的第二级和第三级标题进行了修改，以更准确地反映文本内容，并删去了与研究发现关联度不高的建议，同时增加与研究发现更相关的建议。

请见正文p14-16,“研究启示”部分。由于此部分篇幅较长，此处仅提供修订后的框架：

1.基于“最佳证据”推动自适应学习系统的研发

第一，强化学习活动的自适应目标。

第二，重视学习活动的“灵活反馈”。

第三，推进以“学”为导向的自适应系统或应用。

2.从组织层面引导大学生参与自适应学习活动

第一，挖掘自适应学习在多学科的应用潜力。

第二，完善人机协同的自适应学习生态环境。

3. 遵循科学的研究方法对自适应学习进行评估

第一，采取严格实验设计。

第二，丰富研究实施情境。

第三，加强调节效应分析。

审稿结论：如果作者愿意且作出重大修改，可修后再审。

同行评议意见2

论文研究思路清晰，方法规范严谨，研究结论可靠。但有两点建议：

1.一是题目不够具体，“解码大学生自适应学习”没有显示出明确的问题指向，建议题目可以具体一点，如“自适应学习对大学生学习结果的影响研究”。

回应：感谢您的意见和建议！根据您的意见，同时结合第一位审稿人的意见，我们重新审视了本研究的目的和内容。论文主要聚焦于自适应学习对大学生学习结果的影响，基于这一主题，我们对大标题进行了修改。

修改：已将论文题目修改为“自适应学习对大学生学习结果的影响研究——基于59项实验和准实验研究的元分析”。

2.二是文章的落脚点部分，教育类刊物文章的落脚点一般是解决教育问题、提出教学建议、改进工具使用理念或者方法，然而本文的落脚点是一个产品开发的建议，不太适合本刊定位。

回应：非常感谢您对本文提供的指导意见。我们已经仔细考虑了您的建议，并对文章进行了相应修改以更好地契合刊物的定位。我们理解您的担忧，即文章的落脚点是一个产品开发的建议。然而，我们强调该建议与本研究发现密切相关的事实。在本研究中，我们发现了一些显著的调节变量与认知学习结果之间的关系，其中包括自适应目标、反馈时间和自适应技术。这些调节变量的发现为自适应学习系统的研发提供了支持和实证依据。这也与《人是如何学习的》一书中所强调的“对学习的研究需要一直与软件开发相伴”观点相契合。因此，我们将建议修改为基于“最佳证据”的产品，推动自适应学习系统的研发，以更准确反映内容和契合刊物定位。我们也意识到这些建议在与传统的教育问题解决和教学建议有所不同，但我们认为它对于解决教育问题具有紧密相关性。通过提供这些自适应学习系统研发相关的建议，我们希望能够推动教育领域的创新和改进。具体的建议包括：第一，强化学习活动的自适应目标。第二，重视学习活动的“灵活反馈”。第三，推进以“学”为导向的自适应系统或应用。这些建议有助于促进技术与教育的深度融合、自适应学习系统应用和大学生学习效果改善，并与本刊物的定位相契合。

修改：请见正文p14-15,“1. 研发基于“最佳证据”的产品，推动人工智能技术加速落地”部分。为方便您审阅, 我们将具体修改内容呈现如下：

“对学习的研究需要一直与软件开发相伴”[51]。为了最大限度地提高自适应学习系统的有效性，研发人员应当采用本研究中得出的证据来进行系统的开发、测试和应用。

第一，强化学习活动的自适应目标。基于大学生学习内容广、难度大、节奏快的现实情况，在设计自适应学习产品时，研发人员应将重点放在以自适应内容、自适应评估和自适应导航为核心的各种自适应功能。就自适应内容而言，产品研发者可以考虑引入多模态情感分析，综合利用多个模态的数据，消除歧义或者不确定性，提高自适应学习模型的情感分类性能，从而达到更好的内容推荐效果，还可结合高等教育学科的知识图谱，精准定位学习者的薄弱知识点，为学生提供更精准的学习方案。此外，心流理论认为当任务难度适中，且与技能相适应时，学习者能够产生“心流体验”，从而享受完成任务的过程。因此，研发人员应当努力提高习题推荐算法模型的精度，使习题从繁而杂向少而精转化，最终让学生在“最近发展区”内自我构建。例如可以使用深度知识追踪模型对学生知识建模，再结合协同过滤方法，将一定难度范围内的习题推荐给学生。就自适应导航而言，可以采用游戏化设计和解锁型路径相结合的方式。将游戏化元素和游戏设计技术融入进自适应学习，增强产品的吸引力，激发学习者的兴趣，从而提升用户粘度和活跃度。而对于拓展性课程和内容，学生可以按需求和兴趣进行解锁，这将有助于学生按照个人学习情况把控学习节奏。

第二，重视学习活动的“灵活反馈”。基于本研究发现的包含正误反馈和详细反馈的混合式反馈以及及时反馈能够为大学生的认知学习表现具有积极影响。因此，笔者提出根据具体情况为大学生提供“灵活反馈”的建议。为了培养大学生独立思考、自主解决问题和元认知的能力，建议改进自适应技术中单一的反馈方式改进为“混合式反馈。当学生的答案与参考答案相似度高时，系统可以提供正误反馈，告知学生回答正确，并给予正向强化；当相似度低时，系统应提供详细反馈，向学生解释答案并推送类似难度的新内容。此外，笔者建议在自适应学习系统中引入即时反馈机制，帮助大学生迅速了解他们的学习进展，并调整自己的目标、心态和计划。这种实时性的反馈能够为大学生提供所需的支持和指导，促进他们进行深度学习并发展元认知能力。

文章经过重大修改后有明显改善，基本能够回应审稿人的问题。但通读全文后，希望作者重点在语言表述和文字表达方面再推敲、斟酌，增强可读性。

因此，建议还要在编辑老师们的严格把关下发表该文。

回应：非常感谢您提供的宝贵意见和仔细审查！根据您的建议，我们认真阅读全文，并对相关数据进行了重点检查。在此基础上，我们对几个地方进行了调整，主要修订处用下划线表示。

修改：第一，将论文的中英文副标题中的“59”均修改为“51”。

第二，将表4中p值为“0.000”修改为“<0.001”。

第三，将“调节效应检验”部分的“第二个调节变量是反馈时间（Q=8.982, p<0.05）”修改为“第二个调节变量是反馈时间（Q=8.982, p=0.003）”。

第四，将“调节效应检验”部分的“及时反馈的效应量（g=0.848, p<0.001]）显著大于延迟反馈的效应量（g=0.180, p>0.05）”修改为“及时反馈的效应量（g=0.848,95%CI[0.465, 1.230]）显著大于延迟反馈的效应量（g=0.180,95%CI[-0.031, 0.391]）”。

第五，将“调节效应检验”部分的“最后是自适应技术（Q=9.971, p<0.05），两类技术均能促进认知学习结果，但自适应系统或应用（g=0.855, p<0.001）的效应量显著大于自适应教学或设计方法（g=0.357, p<0.001）”修改为“最后是自适应技术（Q=9.971,p=0.002），两类技术均能促进认知学习结果，但自适应系统或应用（g=0.855, 95%CI[0.612, 1.097]）的效应量显著大于自适应教学或设计方法（g=0.357, 95%CI[0.166, 0.548]）”

第六，将“研究讨论”部分的“调节效应检验结果显示，自适应学习对学生学习结果的影响存在一定的边界条件，主要体现在自适应策略和技术等调节变量的影响上”修改为“调节效应检验结果显示，自适应学习对学生学习结果的影响存在一定的边界条件，主要体现在自适应策略和技术等调节变量的影响上”。

此外，我们还对个别文本进行了适当修改，这里不再一一列举。

编辑部定稿会终审意见

审稿结论：修改后录用。

录用后责编意见

  《重庆高教研究》投稿及审稿要求