En forudsætning for adaptiv læring er læringsteknologi der kan indsamle data både før og under læringsprocessen. Avancerede systemer anvender komplekse algoritmer til statistik, analyse og evaluering af læringsfremdrift og understøtter læringskoncepter der har den lærende som et centralt element i læringsprocessen.
Et adaptivt læringssystem er i stand til dynamisk at forme individuelle læringsstier på basis af input fra brugerne. Systemet er konfigureret til at reagere på både de lærende’s interaktioner og præstationsniveau, og levere differencieret undervisning med indhold, længde og intensitet, der svarer bedst til den enkelte lærende læringstempo og -behov.
Forskningsresultater bekræfter (Ref.), at de lærende interager på forskellige måder i læringsprocessen og anvender ressourcerne på forskellige måder. Disse individuelle præferencer påvirkes også af det individuelle realkompetence niveau og det personlige læringsmål. Nogle af de mere avancerede systemer er også i stand til at registrere brugernes præferencer i anvendelse af medieindhold.
Interessen for adaptiv læring er steget betydeligt i løbet af de sidste år: Især efter softwarefirmaer som Knewton i samarbejde med Arizona State Univers har investeret mange millioner i projekter om adaptive læringssystemer. Komplekse systemer som f.eks. Knewton tilpasser læringsmaterialet på basis af respons og fejl.
Komplekse adaptive læringsplatforme blev udviklet i forskningsprogrammer som bl.a. DreamBox og Carnegie Math, hvor systemet beregner hvilke læringsressourcer skal præsenteres for den enkelte, på basis af analyse af personens læringsstil og forståelse for emnet.
Flere store forlag har udviklet egne adaptive læringsløsninger - som f. eks. McGraw-Hills LearnSmart-division eller Pearson, som samarbejder med Knewton om at konvertere Pearson’s læringsmaterialer til adaptive kurser og moduler.
CogBooks fra Skotland, udvikler løsninger, der giver de lærende mulighed for at følge en ikke-lineær læringssti der er tilpasset deres særlige styrker og svaghed.
Systemet smart Sparrow fra Australien understøtter simuleringer og virtuelle laboratorier og er ved at blive implementeret i flere lande.
Cerego fra Japan har implementeret løsninger, der fokuserer på optimering af hukommelse ved levering af skræddersyet indhold til de studerende. Systemet er baseret på en anerkendelse af det indhold de har mestret, samt en forståelse for hvordan hukommelse virker og hvordan læring kan optimeres ved at levere hjælp på de punkter hvor hukommelsen ikke er sin høje styrke.
Systemerne adskiller sig ved at have forskellige fokuspunkter, men har et fælles mål - at opsamle store mængder data som grundlag for en videnskabelig tilgang til planlægning, levering og evaluering af undervisning og læring.
Adaptive læringssystemer er data-drevet og algoritmebaseret og kan dynamisk og kontinuerligt udbyde de materialer og læringsaktiviteter der passer bedst til det individuelle behov. Tilpasningen sker løbende gennem hele undervisningsforløbet.