Adaptiv læring betegner læringsprogrammer, der løbende tilpasser sig den lærendes viden, tempo og fejl. Softwaren analyserer svarene og vælger derefter passende øvelser, forklaringer eller repetition. Det bruges i skoler, på universiteter og i virksomhedsuddannelse – for eksempel når en platform automatisk tilbyder et lettere mellemtrin, efter at en opgave er besvaret forkert. Inden for maskinlæring beskriver begrebet også modeller, der løbende tilpasser sig nye data.
AI-baseret feedback til elever betegner kommentarer til opgaver, afleveringer eller projekter, som et AI-system genererer ud fra fastlagte kriterier. De lærende får hurtigere fingerpeg om styrker, struktur, argumentation eller sprog, og lærerne aflastes for gentaget rettearbejde. Vurderingen bør være gennemsigtig og kriteriebaseret; karakterer og afgørelser om præstationer forbliver lærernes ansvar. Eksempel: Et udkast til en opgave får forbedringsforslag før aflevering.
I maskinlæring er en indlæringskurve et diagram, der viser en models ydeevne eller fejl over træningstid eller mængden af træningsdata, som regel adskilt for trænings- og valideringsdata. Dens form afslører, om en model underfitter eller overfitter, og om flere data sandsynligvis vil hjælpe. Hvis valideringsfejlen f.eks. forbliver klart over træningsfejlen, peger det på overfitting. I dagligdags sprog beskriver begrebet også, hvor hurtigt mennesker mestrer en ny teknologi.
Maskinlæring er en gren af kunstig intelligens, hvor computere udleder mønstre af data i stedet for at få hver regel programmeret eksplicit. Afhængigt af opgaven lærer modeller af mærkede eksempler (overvåget), af umærkede data (uovervåget) eller gennem belønninger (reinforcement). Anvendelserne spænder fra spamfiltre og efterspørgselsprognoser til produktanbefalinger. Kvaliteten afhænger i høj grad af mængden og kvaliteten af træningsdataene.
