根据前文的梳理可知，机器学习能够结合学生的知识、行为和情绪等有效地支持个性化自适应学习平台的构建。其中，在知识维度，机器学习支持学生建模，能够对每个学生的知识进行建模和跟踪，支持生成形成性评价，为学习者推荐自适应的课程和资源。在行为维度，机器学习支持学习行为建模，根据学生不同学习表现的行为模式对学生自动分组，提供相应的学习支持;通过分析学习历史(如，活动日志、学习结果等)和人口特征等数据，来预测学生的学习表现和成绩。在情感维度，机器学习能够发现学习者情绪状态与学习行为、结果的相关性，从而根据学生的情绪状态推荐课程资源。
目前，Knewton、DreamBox、ALEKS、Gooru等个性化自适应学习平台，结合机器学习技术已经得到了广泛应用。其中，Knewton作为目前影响力最大的自适应学习平台，能够为学习者提供自适应学习体验和预测分析，来提高学生的学习成就。在技术层面，平台使用机器学习方法作为核心技术，构建了分析引擎和推荐引擎，分析引擎结合内容数据和学生响应数据实时地对学生能力进行推断，然后，推断结果与学生学习结果结合，支持预测学生的学习表现，从而为学习者生成下一步的个性化学习路径。
随着收集的数据越来越多，基于机器学习的推荐引擎和分析引擎模型和参数会不断修改与更新，让预测更加精准。Knewton在学习过程中主要提供三种工具和三种核心服务，其中，工具包括个别化指导、预测分析和学习报告;服务包括为学生提供个性化推荐、为教师和学生提供分析、为应用和内容创建者提供内容解读。通过使用Knewton自适应学习平台，学生的通过率、退出率、提早完成率均有显著变化。
五、机器学习应用于智慧教育的几点建议
机器学习作为人工智能的核心技术作用于教育大数据，将帮助我们更好地理解数据、信息、知识与智慧之间的关系。但机器学习教育应用在技术方面尚不成熟，在教育框架下也没有规模化。因此，基于智慧教育框架，对机器学习的教育应用提出以下建议：
(一)跨界方面——支持智慧教育与机器学习的融合创新
1、机器学习与智慧教育的跨界融合
机器学习与智慧教育的融合存在跨界问题。一般情况下，懂教育的未必懂技术，懂技术的则未必深度理解教育。这就容易导致技术人员对数据挖掘结果无法从教育的本质出发进行解读，而教育者无法从技术的角度对机器学习应用提出准确需求，对预测结果也无法充分理解。因此，研究教育领域与机器学习和人工智能领域如何深度融合非常必要。例如，加大两个领域人员的合作、交流和协同开发等;在高校中加大机器学习与学习科学的跨学科人才培养;目前，利用可视化技术开发人机界面，可有效帮助教育者理解机器学习和人工智能系统，以促进跨领域深度融合。可视化学术交互平台也能支持教育领域人员更好地理解机器学习，例如，谷歌日前联手OpenAI等发布了一个交互视觉化期刊平台Distill，支持读者理解机器学习的研究成果。
2、机器学习应用的教学场景提炼
机器学习助力智慧教育发展的潜力和价值是毋庸置疑的，但目前缺少机器学习教育应用的成熟案例，尤其是在不同教学场景中的应用，这将是机器学习应用发展的一大短板。机器学习虽然本身具有智能性，但是也具有一定局限性，尤其表现为容易被复杂的场景所迷惑，人们可能很容易完成的场景分析，对于机器来说却依旧困难。如果一直强调机器学习技术本身，而不直接面向教育应用提供整体的解决方案，随着技术壁垒越来越低，其教育应用的未来价值可能会越来越小。因此，基于智慧教育框架梳理和提炼机器学习不同教学场景应用的案例，将有助于体现机器学习的教学应用价值。
(二)技术方面——支持智慧环境的技术创新
1、教育大数据治理
教育大数据是机器学习应用研究的基础，其大量的、复杂的和凌乱的特点，给数据的采集和存储带来了难度。同时，在数据共享方面通常涉及数据隐私和伦理问题，如何保护人们隐私又最大化地合理利用数据支持科学研究，也是当前面临的挑战。因此，需要协同多方开展教育大数据治理，以提升教育数据质量、保障数据合理使用、保护数据隐私安全，以及促进数据合法共享。例如，建立健全的教育大数据治理模式，制定教育数据质量标准和管理规范，规范化采集和汇聚、共享不同平台的数据，形成智慧教育数据中心等。