본 연구는 개념 수준의 평가 정보를 검증된 마이크로 개입으로 변환하는 교사 관리 피드백 루프를 제시한다. 적응형 학습 알고리즘은 격차 해소 보장, 시간 및 중복 제한, 단일 리소스 과적합 방지 등 세 가지 안전 장치를 포함한다. 개입 할당은 coverage, time, 난이도, 선행 지식 및 중복 방지 제약 조건을 갖는 이진 정수 프로그램으로 공식화된다. Greedy 선택은 자원이 부족하고 지연 시간이 짧은 환경에 적합하며, gradient-based relaxation은 풍부한 저장소에 적합하고, 하이브리드는 풍부도-지연 시간 경계에 따라 전환된다. 시뮬레이션 및 1204명의 학생을 대상으로 한 물리 강의 적용에서 두 솔버 모두 제한된 학습 시간 내에 거의 모든 학습자에 대해 완전한 기술 적용을 달성했다. Gradient-based 방법은 greedy 방법 대비 중복 적용을 약 12% 포인트 줄였고, greedy 방법은 자원 부족 환경에서 더 낮은 계산 비용으로 유사한 적절성을 제공했다. Slack 변수는 누락된 내용을 찾아내고, 특정 큐레이션을 유도하여 학생 하위 그룹 전반에 걸쳐 충분성을 유지했다.
