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. 

I konteksten af Adaptive Learning er omfanget af projekt Adaptive AMU afgrænset til tilpasning af læringsforløbet på baggrund af resultater fra en formativ test inden kursusstart.

Derfor sker tilpasningen ikke dynamisk gennem hele undervisningsforløbet. Det er heller ikke tale om en tilpasning af det faglige niveau eller sværhedsgraden af kursusindholdet.

For at kunne gennemføre projektet er der behov for en læringsplatform (LMS) der tillader implementering af regelsæt for automatisk registrering af brugernes aktiviteter, opsamler brugerdata og giver relevant respons.

Tidligere TUP-projekter på HAKL’s området er blevet udviklet og gennemført på læringsplatformen AMUonline, som er baseret på Moodle LMS - et data-drevet læringssystem der har potentiale til at kunne anvendes i konteksten af dette projekt. 

Til dette projekt er anvendt VIArt’s platform online.viart.dk 

Læringsplatformen har værktøjer til registrering af brugerinput, samt mekanismer til automatiseret respons på brugerens aktiviteter.

Følgende registreringer er relevante i forbindelse med projektet:

• registrering af enhver brugerinteraktion med ID på den ressource der er klikket på (kan anvendes til at følge brugerens interaktionssti) 
• registrering af tidspunkt for hver interaktion
• registrering af IP adresse (kan anvendes til kontrol eller restriktioner for brugeradgang, hvis f.eks. en test kræver ekstra sikring af brugerens identitet.)
• registrering af besvarelser på testspørgsmål

Automatiseret respons på læringsplatformen tillader komplekse indstillinger der kan konfigureres efter behov. Responsen kan styres på forskellige niveauer i forhold til typer brugere - f.eks. kursist, underviser eller administrator.

Følgende systemrespons er relevant i forbindelse med projektet:

• Oversigt over testresultater - for alle
• Feedback på besvarelse på testspørgsmål - for alle
• Oversigt over alle besvarelser - kun for undervisere og administration
• Statistik og analyse af testresultater - for administration

Den automatiserede respons kræver et omhyggeligt forarbejde af testudvikleren for at implementere regler til den automatiske systemrespons. 

Det skal afklares hvilke kriterier og evalueringsstandarder for tilpasning der skal være gældende for projektet. 

En analyse af forholdet mellem indholdsstruktur, læringsmål og testmål på hvert enkelt kursus skal gennemføres før fastlæggelsen af regelsættet.