在新加坡的一所學校中，演算法僅用三週時間便發現，某個五年級班級的 27 名學生中，有 18 人在解方程式時會混淆運算順序，儘管這些學生的平均成績均在水準之上。
《教育前沿》（Frontiers in Education）期刊的一篇文章彙整了歐洲與亞洲 47 所學校導入適應性平台後的五年觀察數據。作者追蹤並分析了人工智慧與學習數據分析如何影響教師的日常實踐以及學生的學習成果。
該系統會記錄每一次錯誤與答題時間，接著自動調整下一項任務，確保其既能鞏固已掌握的知識，又能針對性地彌補特定漏洞。教師看到的不再只是成績單，而是一份反映全班普遍難點的圖表，並能獲得一組現成的 10 到 12 分鐘微課程。這就像醫生利用監測數據來精準調整治療方案，而非僅僅開出通用的處方藥。
在 12 所學校進行的隨機研究顯示，一個學期內學生的學業成績提升了 0.3 個標準差。這種成效在數學與自然科學領域比人文學科更為顯著。
然而，在超過 30 人的大型班級中，這種增長幅度減半，且在網路不穩定的學校，平台經常斷線。目前尚無關於該成效在一年後是否能持續保持的長期數據。
常規診斷的自動化減輕了教師批改作業的負擔，轉而將重點放在數據解讀與課程設計上。與此同時，預算有限的學校卻面臨被邊緣化的風險：若缺乏穩定的網路連線與硬體設備，演算法便無法運作，進而加劇不同地區教育機會的差距。
當大部分的診斷工作交由演算法處理時，教師這一職業的未來將會如何演變？
