智能时代的快速变革使世界各国教育越来越重视对多样化创新型人才的培养,也正是在以培养多样化创新型人才为目标的教育理念指导下,尊重学习者的多元化差异、促进学习者全面发展的个性化教学,成为未来教育发展和课程教学改革的重要方向。在开展个性化教学过程中,如何精准诊断学习者对知识内容的掌握情况,始终是具体实施教学的重要基础和前提,然而目前国内外个性化教学研究中主要采用基于规则空间模型、DINA模型、机器学习等的认知诊断测试来对学习者的知识掌握情况进行评估,往往忽视了学习者在非线性学习过程中答题的长时依赖性,无法反映学习者在学习中知识掌握状态的动态变化情况,难以实现对知识状态的长时性动态建模和连续诊断。为此,研究首先引入以循环神经网络及其变体为建模方法的深度知识追踪,以期利用其内部高维连续的潜在状态演化来按照学习过程中的答题时序,建模学习者的知识状态变化过程实现知识状态的动态连续诊断;其次选择个性化学习理论、最近发展区理论、认知负荷理论作为研究的理论支撑,构建了基于深度知识追踪的个性化教学模型,该模型从整体上划分为教学准备、知识状态追踪、补救教学三个阶段,并在每个阶段中明确了教师和学习者如何在教学辅助系统支持下开展形式多样的个性化教学活动;最后为验证提出的个性化教学模型在实际教学应用中的有效性和合理性,选择以某师范院校的《Python程序设计》课程为例设计实施了为期九周的模型教学应用,并对知识状态追踪结果的准确性和动态性、个性化教学效果、学习者对模型在教学应用中的满意度等相关数据进行了收集分析。基于深度知识追踪的个性化教学模型在教学应用中的结果表明:个性化教学模型生成的知识状态追踪结果报告,在教学应用初期就具备较好的准确性并随着教学应用的深入准确性不断提高,能够动态连续反映学习者知识状态在学习过程中的持续变化;通过对学习者知识状态的动态准确诊断,让教师和教学辅助系统能够根据学习者的最近发展区实施教学,降低学习者的内在认知和外在认知负荷,有效提升学习中的关联认知加工,使得学习者的知识水平测试成绩显著提升;学习者对模型在教学应用中涉及到的辅助系统友好性、追踪方法实用性、资源推荐适合性、补救学习有效性、教学实施合理性都具有较高的满意度。未来,研究将围绕主观题自动测评的实现、模型冷启动问题的改善、知识缺陷溯因的优化、优质教学资源库的建立等做进一步探索和实践。