適応学習システムは、伝統的に別々のコンポーネントまたは”モデル”に分割されてきました。 異なるモデルグループが提示されていますが、ほとんどのシステムには以下のモデルの一部またはすべてが含まれています（場合によっては異な:
- エキスパートモデル–教えられる情報を持つモデル
- 学生モデル–学生について追跡して学習するモデル
- 教育モデル–実際に情報を伝えるモデル
- 教育環境–システムと対話するためのユーザーインターフェイス
Expert modelEdit
エキスパートモデルは、教示されている材料に関する情報を格納します。 これは質問セットの解決策と同じくらい簡単ですが、レッスンやチュートリアル、より洗練されたシステムでは、質問へのアプローチを説明するための専門家の方法論も含めることができます。
エキスパートモデルを含まない適応学習システムは、通常、これらの機能を教育モデルに組み込んでいます。
Student modelEdit
学生のスキルレベルを決定する最も簡単な手段は、CAT(computerized adaptive testing)で採用されている方法です。 CATでは、被験者には、被験者の推定スキルレベルに関連した難易度に基づいて選択された質問が提示されます。 テストが進むにつれて、コンピュータは、継続的に難易度の狭い範囲から質問を選択することにより、スコアを微調整し、彼らの答えに基づいて、被験者のスコアを調整します。
CATスタイルの評価のためのアルゴリズムは実装が簡単です。 質問の大規模なプールは、専門家の分析、実験、または二つの組み合わせを通じて、難易度に応じて蓄積され、評価されます。 その後、コンピュータは本質的にバイナリ検索を実行し、常にコンピュータがすでに被験者の最大と最小の可能なスキルレベルであると判断したものの間の中間にある質問を被験者に与えます。 これらのレベルは、問題の難易度のレベルに調整され、被験者が正しく答えた場合は最小値を再割り当てし、被験者が間違って答えた場合は最大値を再 明らかに、被験者の答えが彼らの本当のスキルレベルを示すのではなく、単に偶然であるシナリオを可能にするために、エラーのための一定のマージン 難易度の一つのレベルから複数の質問をすると、誤解を招く答えの確率が大幅に減少し、範囲が想定されるスキルレベルを超えて成長することを可
概念の面で弱点を特定するさらなる拡張は、不正解を分析するために学生モデルをプログラムすることです。 これは、複数の選択肢の質問に特に適用されます。 次の例を考えてみましょう。
Q.Simplify: 2×2+x3{\displaystyle2x^{2}+x}{\displaystyle2x^{2}+x}^{3}}
a)単純化することはできませんb)3×5{\displaystyle3x^{5}}
c）。.. d）。..
明らかに、(b)と答えた学生は指数を追加しており、同様の用語の概念を把握できていない。 この場合、誤った答えは、それが間違っているという単純な事実を超えて追加の洞察を提供します。
Instructional modelEdit
instructional modelは、一般的に、技術が提供しなければならない最高の教育ツール（マルチメディアプレゼンテーションなど）を、プレゼンテーション方法の専門家の教師 教育モデルの洗練されたレベルは、学生モデルの洗練されたレベルに大きく依存します。 CATスタイルの学生モデルでは、教育モデルは単に質問プールのランクに対応してレッスンをランク付けします。 生徒のレベルが十分に決定されると、教育モデルは適切なレッスンを提供します。 概念に基づいて評価するより高度な学生モデルには、概念ごとにレッスンを整理する教育モデルが必要です。 教育モデルは、弱点のコレクションを分析し、それに応じて授業計画を調整するように設計することができます。
学生モデルによって不正解が評価されている場合、いくつかのシステムは実際の質問に”ヒント”の形でフィードバックを提供するように見えます。 生徒が間違いを犯すと、”数字の記号を注意深く見る”などの有用な提案がポップアップ表示されます。 これも教育モデルの領域に分類され、概念の弱点に基づいて一般的な概念ベースのヒントが提供されるか、ヒントが質問固有の場合、学生、教育、専門家のモデルがすべて重複する可能性があります。