در نظام آموزشی فنی و حرفه‌ای، پایش مستمر مهارت‌ها و ارائه بازخوردهای به‌هنگام، پیش‌شرط اصلی تربیت نیروی کار متخصص است. با این حال، رویکردهای سنتی ارزیابی به دلیل ماهیت تراکمی، زمان‌بر بودن فرآیند سنجش دستی و نسبت بالای فراگیر به مربی، در پایش دقیق ریزشایستگی‌های مهارتی و شخصی‌سازی مسیر یادگیری با چالش‌های جدی روبه‌رو هستند. پژوهش حاضر با هدف رفع این شکاف‌ها، به طراحی و تبیین یک «الگوی یادگیری تطبیقی مبتنی بر هوش مصنوعی» می‌پردازد که بر پایه معماری چهارلایه (Four-Layer Architecture) استوار است. این معماری با هدف ایجاد یک چرخه بسته (Closed-loop) از یادگیری و بازخورد، از چهار لایه اصلی تشکیل شده است:لایه اول، لایه جمع‌آوری ردپای دیجیتال(Digital Footprint Collection)، که وظیفه استخراج داده‌های خام عملکردی فراگیر را از طریق تعامل با شبیه‌سازهای مهارتی، تجهیزات IoT کارگاهی و سیاهه‌های وارسی دیجیتال بر عهده دارد؛ این لایه زیربنای داده‌ای برای تحلیل‌های بعدی فراهم می‌کند. لایه دوم، لایه تحلیل خطا و ردیابی دانش (Error Analysis & Knowledge Tracing)، که با بهره‌گیری از الگوریتم‌های پیشرفته‌ای نظیر ردیابی دانش بیزی(BKT)، به تحلیل الگوهای خطا، ارزیابی سطح تسلط و نگاشت دقیق پیشرفت‌های فردی می‌پردازد تا شکاف‌های مهارتی به‌صورت ریاضیاتی مدل‌سازی شوند. لایه سوم، موتور تصمیم‌گیری تطبیقی(Adaptive Decision Engine)، که بر پایه داده‌های استخراج شده از لایه دوم، وظیفه انتخاب و تجویز بهترین استراتژی آموزشی، ریزآموزش‌ها و سناریوهای جبرانی را به‌صورت خودکار و به‌هنگام بر عهده دارد تا مسیر یادگیری با نیازهای فردی همسو شود.لایه چهارم، لایه نظارت و مداخله انسانی(Human-in-the-loop Supervision)، که نقش هدایت‌گر را ایفا کرده و با ارائه داشبوردهای تحلیلی و بازخوردهای شناختی به هنرآموز، امکان مدیریت هوشمند کلاس و کارگاه را فراهم می‌سازد و اطمینان می‌دهد که فرآیند یادگیری از مسیر صحیح خود خارج نمی‌شود. یافته‌های این پژوهش نشان می‌دهد که استقرار این چارچوب، علاوه بر کاهش سوگیری در ارزیابی‌های سنتی، منجر به افزایش معنادار کارآیی یادگیری مهارتی، تقویت پایداری رفتارهای حرفه‌ای و ارتقای بهره‌وری آموزشی در هنرستان‌ها می‌شود، بدون آنکه نقش محوری و هدایت‌گر هنرآموز را سلب نماید.