1 发展历史
1.1 创立与早期发展（2008-2012）
2008年，何塞·费雷拉（Jose Ferreira）在美国纽约创立了Knewton，核心愿景是利用大数据和算法重构个性化学习。初期团队以技术研发为主，构建了首个自适应学习引擎的原型。2011年，Knewton与亚利桑那州立大学合作，在数学课程中部署系统，首次验证了其在真实课堂中的效果：学生通过率提升18%，辍学率显著下降。这一成果成为早期关键里程碑，吸引了首轮投资，推动公司从初创实验室转向产品化。
1.2 快速增长与合作伙伴扩展（2013-2016）
2013年起，Knewton进入高速增长期。公司与培生（Pearson）、麦克米伦教育（Macmillan Education）等大型教育出版商签署协议，将其引擎嵌入主流教材中。合作伙伴覆盖K-12、AP课程及大学基础课，系统日均处理上千万条学生交互数据。2015年，Knewton推出全新的“Knewton for Schools”平台，支持学校定制化部署。截至2016年底，平台已服务超过1000万名学生，成为自适应学习领域最知名的品牌之一。
1.3 转型与收购（2017-2019）
1.3.1 从B2C转向B2B
2017年，受市场竞争和盈利压力影响，Knewton调整商业模式，放弃面向终端学生的直接服务，转向为出版商和学校提供后端技术授权（B2B）。此举虽切断了直接用户关系，但降低了销售成本，使公司能更专注于算法优化。2018年，Knewton推出“Knewton Alta”，一个面向高等教育的全定制课程产品，但其市场份额始终未能回到巅峰。
1.3.2 Wiley收购与整合
2019年5月，教育科技公司约翰·威利父子（John Wiley & Sons，简称Wiley）宣布收购Knewton，交易金额未公开。收购完成后，Knewton的核心技术、团队及品牌被整合进Wiley的在线学习部门。Knewton引擎成为Wiley旗下课程产品（如WileyPLUS、Knewton Alta）的底层驱动。这标志着Knewton作为独立公司的终结，但其技术遗产在Wiley生态中继续运作。
2 技术原理
2.1 知识图谱与能力模型
2.1.1 概念节点与关联关系
Knewton将学科知识拆分为数千个粒度极小的概念节点，例如“勾股定理”或“动词过去式变化”。节点之间以有向边连接，反映先修关系（如“整数运算”是“分数运算”的前置节点）。这种知识图谱由学科专家与数据科学家协同构建，并随着学生学习数据不断更新。
2.1.2 学习目标分解
每个课程或标准被分解为一系列可观测的学习目标。学生需在足够多的概念节点上达到预设的掌握概率（通常为85%），系统才判定该目标达成。这种分解使得学习路径可被算法精确规划。
2.2 实时数据采集
2.2.1 行为数据（答题时间、正确率、尝试次数）
系统记录学生每一次答题的耗时、正确/错误状态、解题步骤（若为交互式题目）、尝试修正次数等显性行为。这些数据是算法推断学生掌握状态的主要依据。
2.2.2 隐式数据（鼠标轨迹、停留时长）
除了显性数据，Knewton还捕捉鼠标移动轨迹、页面滚动模式、视频观看停顿点等隐式信号。例如，学生在某个概念页面停留过久但未作答，可能暗示困惑或犹豫。这些数据用于更细粒度地评估学习投入和潜在困难。
2.3 自适应算法
2.3.1 贝叶斯知识追踪（BKT）
BKT是Knewton早期核心模型之一，基于隐马尔可夫框架。它假设每个学生对于每个概念存在“已知”或“未知”的隐藏状态，通过观测到的答题结果更新后验概率。模型参数（如失误率、猜测率、学习速率）通过大量历史数据拟合。
2.3.2 项目反应理论（IRT）变种
Knewton改进了传统IRT模型，使其适用于多维度能力评估。每个题目被赋予难度、区分度和猜测参数，算法根据学生实时能力估计值选择最合适的题目。与传统IRT不同，Knewton的版本支持同时追踪多个相关能力维度（如计算能力与概念理解能力）。
2.3.3 动态路径推荐
综合BKT和IRT的输出，系统生成最优学习序列：优先推荐“最需巩固且先修已掌握”的概念，同时考虑学习效率（如一次掌握多个关联题目的可能性）。路径会随每次交互动态调整，确保每节课都为学生“量身定制”。
3 应用场景
3.1 K-12教育
3.1.1 数学与科学课程
在小学数学、代数、几何及中学物理、化学等学科中，Knewton被广泛用于课后练习、诊断性测试和个性化复习。系统能够识别学生常见的计算错误模式（如分数通分错误），并自动推送针对性微课程。
3.1.2 阅读与写作
在语言艺术领域，Knewton通过分析单词识别率、阅读理解和语法错误，为每个学生生成差异化的阅读材料。例如，系统会推荐略高于当前水平的文章，并嵌入词汇练习和写作提示。
3.2 高等教育
3.2.1 大学先修课程（AP）
Knewton与多个AP课程出版商合作，为AP微积分、AP统计学、AP生物等课程提供自适应题库和模拟考试。系统根据学生薄弱点自动生成针对性练习，帮助备考。
3.2.2 商科与工程基础课
在会计学、经济学、微积分、线性代数等大学入学基础课中，Knewton被集成进WileyPLUS等平台。学生可自主安排学习进度，系统根据掌握情况调整作业难度，教师则通过仪表盘监控班级整体进展。
3.3 职业培训与企业学习
3.3.1 合规培训
在金融、医疗等行业的强制合规课程中，Knewton确保学员按需掌握安全规范、法律法规等内容。系统通过间隔重复和测试，缩短培训时间同时保持高通过率。
3.3.2 技能提升与再培训
针对职场人群的编程、数据分析、项目管理等技能培训，Knewton提供自适应路径。学员可基于自身已有知识水平跳过已掌握模块，专注于薄弱环节。
4 产品与功能
4.1 教师端
4.1.1 学习仪表盘与预警系统
教师可实时查看班级整体掌握热力图、学生个人进度报告、常见错误排行榜。预警系统自动标记出“高危学生”——即连续多日未学习或掌握率下降明显的个体，便于教师及时干预。
4.1.2 内容创建与课程编排
教师可在平台上自建习题、视频、阅读材料并关联到知识图谱节点。系统支持按周/月编排课程计划，自动同步自适应引擎的推荐顺序。
4.2 学生端
4.2.1 个性化学习路径
学生登录后，系统显示一个“待学列表”，其中任务根据当前掌握状态排序。学生可随时查看自己的知识雷达图，了解优势和短板。
4.2.2 即时反馈与提示
每道题作答后，学生立即获得对错结果、详细解析以及相关概念的视频讲解。对于连续答错的任务，系统会弹出“提示”按钮，提供分步指导而不直接给出答案。
4.3 内容管理系统
4.3.1 第三方内容导入
Knewton支持教师将自己的PDF、Word文档、YouTube视频等外部资源上传并标记概念标签。系统可处理多种格式并整合到自适应流程。
4.3.2 自适应习题库
内置数万道经过参数标定的题目，覆盖从小学到大学的多个学科。题目难度、区分度、猜测参数均由算法自动计算，并随学生数据优化更新。
5 争议与批评
5.1 数据隐私与安全
5.1.1 学生数据收集范围
Knewton采集的数据不仅包括答题结果，还包括鼠标轨迹、网页浏览时间甚至键盘输入节奏。批评者认为，这种“监控式”收集超出了教学所需，且对于未成年学生尤具争议。
5.1.2 数据所有权与第三方共享
Knewton曾与出版商共享匿名化学生数据，用于优化商品题目。部分家长和学校担心，学生数据可能被用于商业用途或泄露给第三方。尽管公司声明遵守FERPA（美国隐私法），但缺乏透明的审计机制加剧了信任危机。
5.2 算法公平性与偏见
5.2.1 不同学生群体的表现差异
有研究指出，Knewton的算法可能对英语非母语学生或学习障碍学生产生不利影响。例如，题目中隐含的文化背景假设可能导致不准确的掌握估计，进而给这些学生推荐不适当的内容。
5.2.2 对学习动机和创造力的潜在抑制
过度强调“掌握概率”和“最短路径”可能使学生只关注唯一正确答案，忽视批判性思维与探索过程。一些教师反映，长期使用后学生表现得更倾向于“刷题”而非深度学习。
5.3 过度依赖技术的风险
5.3.1 教师角色的弱化
当系统完全接管了练习、诊断和复习环节，传统教师的地位可能被降格为“故障处理员”。部分学校过度依赖自适应平台，减少了面对面教学时间，引发教育界对“技术控制课堂”的担忧。
5.3.2 系统故障与学习中断
Knewton引擎运行于云端，网络中断或服务器故障会导致数万学生无法立即继续学习。虽然后勤团队有备份方案，但此类中断在偏远地区或考试高峰期仍会造成实质性影响。
6 影响与遗产
6.1 对自适应学习领域的推动
Knewton率先将工业界的数据驱动方法大规模引入课堂，迫使传统出版商和科技公司重视个性化学习。其知识图谱+贝叶斯追踪的架构成为后来数十个同类项目（如Aleks、DreamBox、Smart Sparrow）的参考模板。
6.2 对教育科技商业模式的启发
Knewton的B2C转B2B历程揭示了自适应教育“直接服务学生”模式的高成本与低留存率。后续多数自适应公司选择与学校或出版商合作，而非直接面向个人。
6.3 后续平台（如Wiley Knewton Alta）的演变
被Wiley收购后，原Knewton引擎被重构为“Knewton Alta”——一套包含完整课程、教学法和评估的混合产品。Alta保留了自适应核心，但强调教师可编辑性，并加入了人类教学设计师的干预。如今的Wiley Knewton Alta仍在全球数百所高校使用，但已非当年独立的“智能学习系统”，而是化身为大型出版集团数字战略的一个组件。