自适应学习（Adaptive Learning）是指学习系统根据学习者的表现调整后续教学的模式，目标是让每个人获得与自身状态相匹配的学习内容和学习方式。这个方向可以追溯到 1950 年代 B. F. Skinner 的教学机器与程序教学，后来发展为智能辅导系统。Benjamin Bloom 于 1984 年提出的问题为它确立了明确的目标：如何让规模化的集体教学达到接近一对一辅导的效果。
自适应系统包含三个环节：
- 采集学习者的表现数据：采集的数据可以只有答题的对错，也可以包括学习者的完整表述、犹豫的位置、修正的过程。
- 根据数据判断学习者当前的状态：判断可以只是“这道题会不会”，也可以是“学习者对这个概念的理解偏在哪里”。
- 调整后续的教学进度：调整的对象可以只是内容路径，决定接下来推送哪一段材料；也可以是教学方式本身，同样的内容用不同的讲解顺序、不同深度的提问、不同强度的支持来传递。调整的频率可以是每个模块一次，也可以是每一轮交互一次。
对企业培训的启发：企业培训中自适应最常见的形态是前测分层，学习者先做一份测评，系统据此分配学习路径。这个做法可以在一定程度上节省时间，尤其在覆盖人数多、水平差异大的合规类和产品知识类培训中。但是它决定的是学什么，不决定怎么教。
评估一套自适应学习系统能提供什么程度的个性化，可以关注三个层面：
- 系统采集的是什么数据，只有答案对错还是包括学习者自己的表述。
- 系统调整的是什么教学环节，只有知识点内容还是包括教学策略。
- 系统多久调整一次，一个模块一次还是每一轮一次。
这三个维度决定了系统究竟是在做内容的分发，还是在做教学的适应。在 UMU AGL 中，学习者的回答会被用于判断当前的理解状态，后续的讲解深度、提问方式和支持力度随之调整，调整发生在每一轮交互上。