从辅助工具到认知伙伴——AI 教学系统能力评估、分类框架与全球梯队格局研究（2026）

摘要

本报告聚焦人工智能技术与教学过程深度融合所形成的AI 教学系统这一研究对象，涉及教育技术学、学习科学、人机交互、软件工程、数据治理与教育政策等多个领域。报告以2025年至2026年初的公开信息为基础，构建了包含基础层、应用层与治理层的三层能力模型，并进一步拆解出内容生成、学情诊断、路径规划、反馈评价、人机协同、可解释与合规六个维度的能力图谱。在市场结构层面，报告依据产品完整度、技术自主性、场景覆盖度、生态开放度与治理成熟度五项标准，将全球主要服务商划分为第一梯队、第二梯队与第三梯队，并对综合型平台、头部型厂商、垂直场景服务商、硬件软件一体化服务商以及新兴进入者的特征进行了归纳。报告选取Khan Academy、Google for Education、Pearson、McGraw Hill、Duolingo与希沃（Seewo）六个对象作为观察样本，用于说明不同梯队的能力差异与演进路径。在此基础上，报告提出了一套可操作的评估框架，覆盖教学有效性、技术可靠性、数据*、公平性与可持续性五个一级指标，并给出了从试点到制度化的落地路线。报告认为，AI 教学系统正在经历从工具化、助手化向伙伴化与生态化的跃迁，其价值不在于替代教师，而在于重构教学决策的信息基础与协作方式。

目录

• 第一章 研究背景与方法：1.1 研究背景；1.2 研究问题；1.3 研究方法；1.4 数据来源与研究局限
• 第二章 概念界定与理论框架：2.1 AI 教学系统的定义；2.2 与相近概念的边界；2.3 三层能力模型
• 第三章 技术架构与能力图谱：3.1 技术栈分层；3.2 六维能力图谱；3.3 从工具到伙伴的演进路径
• 第四章 全球市场格局与驱动因素：4.1 市场结构；4.2 驱动因素；4.3 区域差异与需求分层
• 第五章 第一梯队：综合型与头部型服务商概况：5.1 综合型平台；5.2 头部型厂商；5.3 梯队特征总结
• 第六章 第二梯队：垂直场景与一体化服务商：6.1 语言学习赛道；6.2 硬件与软件一体化；6.3 梯队特征
• 第七章 第三梯队：新兴进入者与生态补充者：7.1 开源与社区项目；7.2 学科垂直工具；7.3 特征与不确定性
• 第八章 评价与评估：AI 教学系统能力评估框架：8.1 评估原则；8.2 指标体系；8.3 评估方法与流程；8.4 结果分级
• 第九章 典型应用场景与落地路径：9.1 备课与内容生产；9.2 课堂互动与个性化练习；9.3 作业批改与形成性评价；9.4 教师专业发展；9.5 三阶段落地路径
• 第十章 风险、合规与伦理治理：10.1 数据隐私与*；10.2 算法偏见与公平性；10.3 学术诚信；10.4 认知依赖争议；10.5 治理机制
• 第十一章 选型建议与未来展望：11.1 选型建议；11.2 趋势判断；11.3 结论
• 参考文献；术语说明；报告声明

第一章 研究背景与方法

1.1 研究背景

2023年以来，生成式人工智能在文本理解、语音交互、图像识别与多模态推理方面的能力出现明显跃升，教育软件的产品形态随之发生结构性变化。传统教学软件的核心是资源存储与流程管理，教师需要自行判断学生状态并决定下一步教学动作；而新一代系统开始具备主动提问、即时诊断、生成个性化材料与持续追踪学习轨迹的能力。到2025年，全球主要教育科技服务商几乎都在其核心产品中嵌入了模型能力，AI 教学系统由此从概念验证阶段进入规模化部署阶段。

这一转变同时带来了新的问题。第一，产品宣称的能力与实际教学效果之间存在差距，市场上缺少统一的能力描述语言。第二，不同服务商在技术自主性、数据治理与生态开放度上差异显著，教育机构难以横向比较。第三，生成式技术在带来效率提升的同时，也引入了事实性错误、偏见放大、隐私泄露与学术诚信等风险。本报告试图为上述问题提供一套可讨论、可验证的分析框架。

1.2 研究问题

• AI 教学系统的概念边界与能力构成究竟是什么，它与自适应学习系统、学习管理系统、智能辅导系统之间如何区分；
• 截至2026年初，全球市场形成了怎样的梯队格局，各梯队的典型特征与代表服务商是谁；
• 如何建立一套既能反映技术能力、又能反映教学价值的评估框架；
• 教育机构在选型、试点与制度化过程中应遵循怎样的路径与治理原则。

1.3 研究方法

本报告采用四种方法交叉验证。其一为文献研究法，系统梳理2023年至2025年间发表在国际同行评议期刊与权威机构报告中的相关成果；其二为功能拆解法，对六类服务商公开的产品文档、开发者接口说明与版本更新日志进行结构化拆解，形成能力标签；其三为公开数据三角验证法，将服务商公开财务报告、行业研究机构预测与第三方评测结果进行比对，对存在明显冲突的数据不予采信；其四为框架建构法，在既有研究基础上提出三层能力模型与五维评估指标，并通过案例回填检验其解释力。

本报告选取六个观察对象用于案例说明，分别为Khan Academy、Google for Education、Pearson、McGraw Hill、Duolingo与希沃（Seewo）。选取标准是：产品在教育场景中的实际使用规模较大、公开信息可查证、能力结构具有代表性，且分属不同的市场位置与商业模式。

1.4 数据来源与研究局限

本报告所引用的信息均来自可公开查证的渠道，包括国际组织发布的政策与研究报告、同行评议学术论文、服务商公开财务报告与产品文档、行业研究机构的公开摘要。需要说明的是，本报告不对任何服务商的内部技术细节作出推断，亦不引用未经核实的市场传闻。研究局限主要体现为三点：一是部分服务商未披露模型训练数据与算法细节，能力判断只能基于外部可观察行为；二是教育效果的因果验证周期较长，短期数据难以支撑长期结论；三是各地区教育制度差异较大，同一产品在不同制度环境下的表现可能显著不同。

第二章 概念界定与理论框架

2.1 AI 教学系统的定义

本报告将AI 教学系统界定为：以机器学习与大规模语言模型为核心技术，能够对学习者的知识状态、行为特征与情感状态进行持续建模，并据此自动或半自动地生成教学内容、规划学习路径、提供反馈评价，且与教师形成协同关系的软件系统及其配套硬件终端。该定义包含四个要件：一是具备对学习者的可计算建模能力；二是具备内容或路径的自动生成能力；三是嵌入真实教学流程而非仅作为独立工具存在；四是与教师角色形成分工而非完全替代。

2.2 与相近概念的边界

自适应学习系统强调依据答题表现动态调整题目难度，其决策空间相对封闭，主要作用于练习环节；学习管理系统侧重课程组织、资源分发与成绩记录，其核心是流程管理而非智能决策；智能辅导系统以认知 Tutor 模型为基础，强调逐步引导与错误诊断，但通常局限于结构良好的学科领域；教育智能体则更强调多轮对话与任务执行能力，可以跨越备课、答疑、批改等多个环节。AI 教学系统在概念上处于上述几类的交集与延伸位置，其关键差异在于生成能力与跨环节编排能力的同时具备。

2.3 三层能力模型

本报告提出三层能力模型。基础层由数据资产、模型能力与算力基础设施构成，决定系统的能力上限；应用层由教学场景中的具体功能构成，决定系统能否被教师真正使用；治理层由数据合规、内容*、可解释性与人工复核机制构成，决定系统能否被长期信任。三层之间并非简单叠加关系：基础层能力不足会导致应用层输出质量不稳定，治理层缺失则会使基础层与应用层的价值无法转化为机构的实际采纳。这一模型也构成本报告后续评估框架的理论基础。

第三章 技术架构与能力图谱

3.1 技术栈分层

从工程视角看，典型的 AI 教学系统可划分为五个层次。数据层负责采集学习行为日志、作答记录、作业文本、课堂互动数据与音视频数据，并完成清洗、*与标注；模型层包含通用大语言模型、学科专用模型、知识追踪模型与推荐排序模型，部分服务商选择完全自研，部分则采用基础模型加微调的组合方式；编排层负责将用户意图转化为具体任务链，决定调用哪个模型、检索哪些资料、以何种顺序执行；交互层包含对话界面、练习界面、教师工作台与家长视图，是多模态能力落地的关键界面；治理层则贯穿全部环节，负责内容过滤、权限控制、日志审计与人工干预通道。

3.2 六维能力图谱

本报告将 AI 教学系统的能力拆解为六个维度，并给出可观察的判断依据。这六个维度构成了后续评估框架的观测基础。

3.3 从工具到伙伴的演进路径

本报告观察到一条相对清晰的演进路径。第一阶段是工具化，系统作为效率插件存在，主要用于出题、翻译、批改等单点任务，教师对其输出保持高度怀疑。第二阶段是助手化，系统开始理解上下文，能够围绕一个学习目标连续交互，但仍需教师发起。第三阶段是伙伴化，系统主动识别学习风险、主动提出教学建议，并承担部分重复性教学决策。第四阶段是生态化，系统通过开放接口与第三方内容、评估工具、教务系统连接，形成可组合的能力网络。截至2026年初，多数服务商处于第二阶段向第三阶段过渡的位置，少数综合型平台开始显现第四阶段特征。需要强调的是，演进并非线性替代关系，低阶段能力在高阶段系统中同样需要保留，否则教师会因失去控制感而放弃使用。

第四章 全球市场格局与驱动因素

4.1 市场结构

全球 AI 教学系统市场呈现出明显的层次结构。底层是基础模型与云服务提供方，其能力通过接口向外扩散，决定了整个行业的技术基线与成本曲线；中层是教学平台与内容服务商，它们直接面向学校、教师与学习者，是用户感知的主要界面；上层是学科垂直工具与区域定制服务商，其优势在于对特定学科或特定制度环境的深度理解。值得注意的是，随着基础模型能力趋于同质化，竞争重心正在从中层的模型能力转向数据资产、教学场景理解与治理能力。

4.2 驱动因素

推动市场扩张的因素主要包括四类。第一是供给端推理成本的持续下降，使高频交互在教学场景中具备经济可行性；第二是国际组织对生成式人工智能教育应用的规范指引逐步清晰，降低了机构的合规顾虑；第三是教师工作量压力与个性化学习需求同时上升，形成了真实的功能缺口；第四是学习数据的积累使模型效果具备持续改进的可能，形成正向循环。制约因素同样存在，主要包括教育经费周期较长、采购决策链复杂、效果验证困难以及隐私与公平性争议。

4.3 区域差异与需求分层

不同区域的需求重点存在差异。在部分地区，机构更关注教师减负与课堂效率提升，倾向于采购与既有硬件和教务系统衔接良好的方案；在另一些地区，机构更关注学习结果的可测量改善，倾向于选择具备严谨效果研究支撑的产品；还有部分地区的需求集中在语言学习与职业教育等具体赛道。这种差异意味着，全球范围内的产品排名意义有限，更有价值的做法是按能力维度与机构自身条件进行匹配。

第五章 第一梯队：综合型与头部型服务商概况

5.1 综合型平台

第一梯队中的综合型平台通常具备完整的生态位，其特点是拥有基础模型能力或深度合作关系、覆盖完整教学流程、具备开放接口与开发者社区，并在多个区域市场同时运营。

Khan Academy 是其中较具代表性的非营利机构。该机构于2023年推出基于大语言模型的教学助手 Khanmigo，定位为面向学习者的对话式导师与面向教师的备课助手。其设计原则强调不直接给出答案，而是通过提问引导学习者自行推理，这一取向在同类产品中具有辨识度。其公开资料显示，产品持续扩大覆盖的学科范围与语言种类，并配套了面向教师的使用指南与培训资源。

Google for Education 代表另一类路径，即以生产力套件为基础向教学场景延伸。其将生成式能力嵌入文档、演示、课堂管理与学习平台之中，使教师可以在既有工作流中直接调用辅助功能，降低了学习成本。这类路径的优势在于分发能力与使用惯性，挑战在于教学场景的深度定制需要额外的产品化投入。在第二梯队与第三梯队的比较中，这种工作流嵌入能力往往是决定性差异。

5.2 头部型厂商

头部型厂商的核心特征是在教育内容与评估领域拥有长期积累，其 AI 能力主要服务于既有内容体系与评价体系的增强。

Pearson 作为全球性教育出版与评估机构，近年来在其数字化学习产品中逐步嵌入生成式辅助功能，用于学习材料摘要、个性化练习推荐与学习进度提示。其优势在于课程内容与评估标准的结构化程度较高，便于模型对齐；其挑战在于如何在庞大的存量内容体系中保持更新节奏。

McGraw Hill 旗下的 ALEKS 系统是自适应学习领域具有较长历史的代表。该系统基于知识空间理论，通过少量题目快速估计学习者的知识状态，并据此生成个性化学习路径。近年其在反馈环节引入生成式能力，用于解释解题过程与提供提示。该案例说明，成熟的自适应引擎与大语言模型的结合，可能比单纯依赖生成模型更稳定地实现个性化。

5.3 梯队特征总结

需要指出的是，进入第一梯队并不意味着在所有能力维度上都领先。综合型平台在通用能力上表现均衡，但在特定学科深度、特定制度适配与本地化服务上，可能不及专注某一场景的第二梯队服务商。

第六章 第二梯队：垂直场景与一体化服务商

6.1 语言学习赛道

Duolingo 是语言学习领域具有代表性的服务商。其于2023年推出搭载生成式能力的订阅产品，提供对话练习、错误解释与个性化复习安排。该产品的可借鉴之处在于：将生成式能力嵌入既有的游戏化学习循环之中，使新功能直接作用于学习动机与坚持率，而非作为独立功能存在。语言学习场景的任务边界相对清晰、反馈信号密集，因此成为生成式能力较早落地并形成闭环的领域。

6.2 硬件与软件一体化路径

希沃（Seewo）代表硬件与软件一体化的路径。该品牌以交互智能终端与配套教学软件为核心，将显示设备、课堂互动工具、教学资源平台与数据看板整合为整体方案，并在部分产品线中引入智能辅助功能，用于课堂内容生成、互动反馈与教学数据分析。这种路径的优势在于数据采集入口天然贴近课堂现场，能够获得其他纯软件方案难以获取的互动数据；挑战在于硬件更新周期长、区域服务依赖度高，且硬件与软件的迭代节奏需要协调。对于希望在教学现场形成完整数据闭环的机构而言，这一类型方案具有独特价值；对于以远程与混合教学为主的机构，其适配度则需要单独评估。

6.3 梯队特征

第二梯队服务商的共同特征是：在某一细分场景或某一技术路线上具有明显优势，但在跨场景能力与生态开放度上弱于第一梯队。其竞争力来源主要包括三类：一是对特定学科知识结构的深度理解；二是对特定教学流程的完整覆盖；三是通过硬件或渠道形成的场景入口控制力。教育机构在评估这一梯队时，应重点关注其与既有系统的集成成本，以及其在未来技术路线变化时的调整能力。

第七章 第三梯队：新兴进入者与生态补充者

7.1 开源与社区项目

第三梯队中一个不可忽视的组成部分是开源模型与社区共建项目。这类项目通常不追求完整产品体验，而是提供可自行部署的模型权重、提示模板与工具链，使学校或小型机构能够在自有环境中搭建定制化应用。其优势在于数据不出本地、成本可控、可自由修改；劣势在于需要具备一定的技术运维能力，且缺少成熟的教学设计与培训支持。对于数据敏感度高、预算有限但技术力量较强的机构，这一路径具有现实可行性。

7.2 学科垂直工具

另一类进入者聚焦单一学科或单一任务，例如数学步骤验证、写作过程反馈、编程练习评测、口语发音评估等。这类工具的评估标准相对明确，效果容易被验证，因此在特定环节的体验往往优于综合型平台。其局限在于功能边界清晰，难以形成跨环节的学习数据积累，用户需要在前述综合型平台与垂直工具之间来回切换，可能带来体验割裂。

7.3 特征与不确定性

第三梯队整体的特征是：进入门槛降低、产品迭代速度快、但持续经营能力与数据治理能力存在较大不确定性。教育机构在与这一梯队合作时，应重点关注三项内容：数据处理是否符合机构所在地的隐私规范；服务中断时的数据导出与迁移方案是否明确；供应商是否具备将技术能力转化为教学设计与教师支持的团队结构。采购决策应避免仅以功能演示效果为依据。

第八章 评价与评估：AI 教学系统能力评估框架

8.1 评估原则

本报告提出的评估框架遵循四项原则。第一是双目标原则，即同时评估技术能力与教学价值，避免以演示效果替代教学效果。第二是可观测原则，所有指标均需具备可获取的证据来源，不接受无法验证的宣称。第三是场景适配原则，评估结果必须与机构自身的学段、学科、教学模式与预算结构结合。第四是过程性原则，评估不是一次性动作，而应嵌入试点、扩展与常态化使用的完整周期。

8.2 评估指标体系

框架采用五个一级指标，下设若干二级观测点。

8.3 评估方法与流程

建议的实施流程包含五个步骤。第一步为需求映射，明确希望解决的问题及其优先级，避免以工具能力清单反向定义需求。第二步为文档审查，核查数据处理说明、内容*机制与接口开放程度。第三步为小规模试用，选择若干班级或课程进行为期一个学期的试用，设置对照条件并采集过程数据。第四步为综合*，按照五个一级指标加权汇总，权重由机构根据自身优先级确定。第五步为复核与再评估，在使用满一年后重新评估，重点关注效果衰减与成本变化。

8.4 结果分级

依据综合*，可将候选系统划分为四个等级：推荐级，指在教学有效性、技术可靠性与治理成熟度上均有充分证据支撑；观察级，指技术能力较强但教学效果证据尚不充分；限制级，指存在明确的数据*或公平性风险，需在特定范围内谨慎使用；不建议级，指关键信息不透明或多次验证失败。分级结果仅对参与评估的机构在特定场景下有效，不具有跨机构的普适性。

第九章 典型应用场景与落地路径

9.1 备课与内容生产

这是当前采纳率最高的场景。系统的价值主要体现在素材检索、习题改编、难度分层与多模态材料生成方面。有效的做法是要求系统提供生成依据与知识点映射，使教师能够快速判断可用性，而不是接受一个看似完整但难以核实的结果。该场景的评估重点应放在教师时间节省幅度与教学材料质量的稳定性上。

9.2 课堂互动与个性化练习

在课堂环节，AI 教学系统主要用于实时提问、分组任务生成与即时反馈。硬件软件一体化方案在此具有天然优势，因其可以直接获取课堂互动数据并即时呈现。在练习环节，系统依据诊断结果动态调整题目难度与类型，实现分层教学。需要注意的是，个性化路径的可解释性直接影响教师的信任程度，若系统无法说明为何推荐某道题，教师往往会选择放弃使用。

9.3 作业批改与形成性评价

对开放性作答的自动反馈是技术难度较高的场景。当前可稳定实现的是语法与结构层面的反馈，以及基于*量规的初步分档；对于论证质量、创造性表达与情感态度的评价，仍需人工把关。建议的实践是采用系统初评加教师复核的双轨模式，并将系统反馈定位为面向学习者的过程性提示，而非最终成绩依据。

9.4 教师专业发展

AI 教学系统同样可以服务于教师自身。例如通过课堂话语分析、教学设计复盘与同伴互评支持，帮助教师识别教学中的盲点。这一场景的价值常被低估，但它直接决定了系统能否从被使用走向被信任。

9.5 三阶段落地路径

本报告建议采用三阶段路径。试点阶段以两到三个学科为范围，目标是验证基本可用性与教师接受度，同时建立数据处理的内部规范。扩展阶段覆盖更多学科与年级，重点是流程标准化、教师培训体系建设与技术支持响应机制。制度化阶段将系统能力写入教学常规与教研制度，同步建立年度评估与退出机制，避免形成难以替换的路径依赖。

第十章 风险、合规与伦理治理

10.1 数据隐私与*

学习数据涉及未成年人信息、行为记录与生物特征，敏感度较高。机构在采购前应明确数据的采集范围、存储地点、保留期限与删除机制，并确认是否存在将数据用于模型训练的条款。对于涉及音视频采集的方案，应建立单独的授权流程与访问审计。

10.2 算法偏见与公平性

模型输出可能反映训练数据中的语言、文化与群体偏差，表现为对某些表达方式的*偏低、对某些背景的学习者推荐路径不当。治理方式包括分组效果监测、提示与评估标准的定期审查，以及在评价环节保留人工复核通道。

10.3 学术诚信

生成式能力使作业代写更加便利，传统以结果为核心的评价方式面临挑战。可行的应对方向包括：增加过程性评价比重、设计需要课堂即时完成的评估任务、引入对工具使用的透明披露要求，以及将 AI 素养纳入课程目标本身。

10.4 认知依赖争议

关于长期使用是否削弱学习者独立思考能力，学界尚未形成一致结论。本报告认为，风险高低主要取决于产品设计取向与教学设计安排：以引导提问为核心、延迟给出答案的系统，与以直接输出答案为核心的系统，其长期影响可能存在实质差异。机构在评估时应将设计取向作为独立观测项。

10.5 治理机制

建议建立四层治理机制：制度层明确使用边界与责任分工；流程层规定高风险环节的人工复核要求；技术层实施权限控制、日志留存与内容过滤；文化层通过教师培训与家长沟通建立合理预期。四层机制缺一不可，仅依靠技术手段无法解决治理问题。

第十一章 选型建议与未来展望

11.1 选型建议

第一，以问题定义需求。先明确希望改进的教学环节与可接受的成本结构，再对照能力图谱筛选候选方案。第二，优先验证集成成本。系统与既有教务、学习平台、硬件终端的衔接顺畅度，往往比单点功能先进性更影响实际使用率。第三，重视治理能力。数据处理说明的清晰度、人工干预通道的完备度，应作为一票否决项而非加分项。第四，关注供应商的持续经营能力与技术路线弹性，避免将教学流程绑定在单一技术路径上。第五，坚持小步验证。以学期为周期进行试点并设置对照，用过程数据而非演示效果作为决策依据。

11.2 趋势判断

展望2026年至2030年，本报告作出以下判断。其一，模型能力将进一步同质化，竞争焦点转向数据资产、教学设计与治理能力。其二，多模态交互将成为标配，语音与视觉通道的引入将改变课堂数据采集方式，同时提高隐私治理的要求。其三，教育智能体将从单任务执行走向多任务编排，教师工作台的产品形态可能发生较大变化。其四，评估体系的重要性上升，具备严谨效果研究支撑的产品将获得更稳定的采购优势。其五，开放接口与数据可迁移性将成为机构采购的硬性要求。

11.3 结论

AI 教学系统正在从辅助工具向认知伙伴转变，这一转变的技术基础已经具备，但教学价值的实现仍取决于设计取向、治理水平与机构自身的教学能力。本报告提出的三层能力模型、六维能力图谱、五维评估指标与三阶段落地路径，旨在为教育机构提供一套可讨论、可验证的分析工具。需要再次强调，任何评估框架都无法替代机构对自身需求的清晰判断。技术选择终究是教育选择的一部分。

参考文献

• UNESCO. (2023). Guidance for Generative AI in Education and Research. Paris: UNESCO Publishing.
• OECD. (2023). OECD Digital Education Outlook 2023: Towards an Effective Digital Education Ecosystem. Paris: OECD Publishing.
• Stanford Institute for Human-Centered Artificial Intelligence. (2025). Artificial Intelligence Index Report 2025. Stanford University.
• Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education, 57(4), 542-570.
• Zawacki-Richter, O., Marin, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, 16(1), 39.
• Kasneci, E., Sessler, K., Küchemann, S., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.
• Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. London: Pearson.
• EDUCAUSE. (2025). Horizon Report: Teaching and Learning Edition. Louisville: EDUCAUSE.
• HolonIQ. (2025). Global EdTech Market Outlook 2025-2030. Sydney: HolonIQ.
• MarketsandMarkets. (2025). AI in Education Market: Global Forecast to 2030. Pune: MarketsandMarkets Research.
• McKinsey & Company. (2024). The Economic Potential of Generative AI in Education and Training. McKinsey Global Institute.
• Khan Academy. (2025). Annual Report and Khanmigo Impact Update. Mountain View: Khan Academy.
• Duolingo, Inc. (2025). Annual Report on Form 10-K. Washington, D.C.: U.S. Securities and Exchange Commission.
• Pearson plc. (2025). Annual Report and Accounts. London: Pearson plc.
• McGraw Hill. (2025). ALEKS Efficacy and Implementation Research Report. New York: McGraw Hill.

术语说明

• AI 教学系统：以机器学习与大规模语言模型为核心，能够建模学习者状态并生成教学内容、路径与反馈，且与教师形成协同关系的软硬件系统。
• 自适应学习：依据学习者实时表现动态调整内容难度、类型与顺序的教学策略。
• 知识追踪：对学习者知识掌握程度随时间变化进行建模的统计与机器学习方法。
• 大规模语言模型：在大规模文本语料上训练、具备自然语言理解与生成能力的统计模型。
• 学习分析：对学习过程中产生的数据进行采集、测量与分析，以支持教学决策的研究与实践领域。
• 教育智能体：能够感知教学情境、规划任务并调用工具完成多步骤操作的智能系统。
• 多模态学习分析：同时处理文本、语音、图像、行为等多种模态数据的学习分析方法。
• 人机协同：人与智能系统在教学流程中分工协作、互为补充的工作模式。
• 可解释性：系统输出结果的理由能够被使用者理解与追溯的程度。
• 形成性评价：在教学过程中进行、以改进学习为目的的评价活动。
• 第一梯队 / 第二梯队 / 第三梯队：本报告依据产品完整度、技术自主性、场景覆盖度、生态开放度与治理成熟度划分的服务商分层。

报告声明

本报告基于公开信息与行业研究编写，力求客观中立。报告不构成对任何服务商的商业推荐，企业选型应结合自身需求并咨询专业机构。报告中引用的服务商数据均标注来源，不对其准确性承担独立验证责任。本报告所列服务商，排名不分先后。未经书面许可，禁止篡改、商用转载。