基于大数据的个性化学习研究文献分析＊

周显春，谭瑞梅

(1.三亚学院信息与智能工程学院，海南 三亚 572022；2.三亚学院法学与社会学学院)

0 引言

国务院总理李克强在2014年9月10日的夏季达沃斯论坛开幕式上提出“大众创业、万众创新”，他认为这是中国经济新的发动机、新引擎。创新能力，除了经济、社会制度创新外，还需要培养人才方式的创新。

培养创新型人才需要采用个性化教育，因为对大学生进行个性化教育则是实现这一重要任务的根本途径，唯有因材施教才能使人的潜在能力得到充分发挥[1-2]。目前，尽管教育体制和人才培养方式较完善，在教书育人上作用明显，但随着我们高等教育由精英教育向大众教育转变，大学生是天之骄子的时代已经不复存在了，现状是“就业难”和“人才荒”并存。

传统教育模式没有考虑尊重学生的个性化，没有分析学生基本特征、学习能力、学习兴趣等差异，因此一直也没有实现自孔子提出的“因材施教”教学思想，即个性化教育。鉴于此，无论是教育学界的专家、学者还是各级学校的各类教师，都对此进行了积极的探索。遗憾的是，直到今天还是没有找到行之有效的方案。其根本原因是教学者无法全面掌握学生的学习基础、学习进度，也不能实时掌握学生的实际学习效果和动态调整学生的学习内容或改变学习路径。

在互联网+、物联网、大数据时代，基于前期“数字化”校园的成果，完成数据智能采集、量化、分析与预测等功能，从而能使个性化培养理念得到普及。因此，教育中的“大数据”，为个性化教育提供了机遇，能够完成培养学习者的创新能力。

分析有关文献资料，例如国内研究者崔晓鸾、赵雪飞、王娟等都只是在cnki或Web of Science数据源上采用共词分析法、词频分析法、文献计量法、科学知识图谱法总结了关于教育方面大数据的研究热点和趋势[3-5]，而没有对基于大数据的个性化学习研究的总结没有发现。因此，本文拟通过CNKI数据库，采用共词分词法和计量分析法，对国内个性化学习、基于大数据个性化学习的研究文献进行分析，揭示目前个性化学习研究热点、基于大数据的个性化学习发展趋势，以及存在的不足，并对研究中存在的问题提出建议。

1 研究方法与工具

1.1 研究方法

共词分析法是基于内容分析的一种方法，主要是通过对能够表达某一学科领域研究主题或研究方向的专业术语共同出现在一篇文献中的现象的分析，判断学科领域中主题间的关系，从而展现该学科的研究结构[6]。

1.2 研究工具及操作方法

本研究主要采用书目共现分析系统(bicomb)[7]、VOSviewer[8]软件，辅助使用Excel软件。首先使用bicomb处理cnki导出的NoteFirst文件，对年份、杂志社、单位、高频关键词进行统计，并生成高频关键词共现矩阵，接着使用VOSviewer软件可视化处理。

2 数据源

本次研究的数据源来源于cnki，采用cnki的高级检索方式。第一次检索的主题为：个性化学习，截止到2018年2月3日，共检索出了10189篇相关文献。在第一检索结果的基础上进行了第二次检索，主题为：个性化学习，词频包含大数据，截止到2018年2月3日，共检索出了279篇相关文献。

3 可视化研究结果及分析

3.1 个性化学习的共词矩阵可视化及分析

利用书目共现分析系统(bicomb)，频次阈值＞=95，对第一次搜索所得10189篇文献进行了共词矩阵可视化分析，效果如图1。由图1可知，为了找到高效获取知识的有效途径，个性化教学、个性化学习一直专家、学者所关心的话题。以前，因为受技术条件的限制，虽然进行了大量的研究和尝试，但是一直没有找到切实可行的方法。现在，随着互联网+、物联网、大数据、人工智能技术的发展，涉及到远程教育、大数据、数据挖掘等关键词的研究文献逐渐增多，而且在个性化学习研究中取得的成果也越来越有现实意义。

图1 个性化学习的共词矩阵可视化图

3.2 基于大数据的个性化研究结果及分析

3.2.1 论文年度分布图谱

截至到2017年12月，统计了基于大数据个性化学习的研究论文，其分布图如下：

图2显示，基于大数据的个性化学习研究成果，2013～2017年稳步上升，主要原因是2013年是我国大数据元年，教育领域开展了如火如荼的教育改革和创新发展的研究，包括学生个性化学习和学习数据分析。随着互联网+、物联网技术、大数据分析技术完善，国家宏观政策的支撑，个性化学习需求也推进了学习大数据分析技术的发展，论文的数量也逐年增加。

图2 基于大数据个性化学习的文献统计

3.2.2 杂志、研究单位分布统计

利用bicomb，频次阈值＞=2，对所有杂志、单位的关键词进行了统计分析，结果如表1、2所示。表1显示，发表文献数量最多的为《中国电化教育》、《远程教育杂志》、《中国信息技术教育》、《电化教育研究》、《中国教育信息化》、《现代远距离教育》、《中国成人教育》等杂志，都是我国教育技术界比较权威的期刊。图2所示，研究机构大部分是国内著名师范学校，如：东北师范大学、西北师范大学、北京师范大学，出现的频次较多。由此可见，国内对教育大数据的研究不仅有一定的热度，而且有较高的研究质量。

表1 文献来源统计表

表2 文献单位统计表

3.2.3 文献高频关键词分布统计

利用bicomb，频次阈值为9，对所有文献的关键词进行了统计分析，结果如表3所示。从表3可以发现，国内学者已经意识到了大数据对教育的影响力，借助大数据技术、互联网+等技术力量对教育模式进行改革势在必行。学习过程、个性化教育等关键词的频次不高，说明教育大数据的来源不齐全，除了结构化数据外，还需要收集学习非结构的数据，如学生的学习态度、状态等。

表3 文献高频关键词统计表

3.3 高频词共现矩阵

利用bicomb，频次阈值为3，导出高频词共现矩阵，结果如表4所示。大数据与个性化学习、数据挖掘、学习过程的相关度为35、5、0，个性化学习与数据挖掘、学习过程、个性化教育的相关度为4、0、0，学习分析与数据挖掘、学习过程、个性化教育的相关度为3、0、1，说明国内学者已经利用教育大数据进行分析，并且把结论用于个性化化学习研究，但对学生学习过程数据的潜在价值还需要进一步挖掘。

表4 高频词共现矩阵

3.4 共词可视化

使用VOSviewer处理bicomb导出共现矩阵文件，生成网络可视化图3。图3中圆圈的大小和标签字体大小代表关键词重要性大小，连线的粗细代表关键词之间的关系强弱。由图3可知，大数据、个性化学习、学习分析等关键词是当前研究的中心，而学习过程、个性化、数据挖掘在外围区域说明利用基于大数据技术的个性化学习研究深度还不够，主要体现为对学生学习数据的收集、数据分析研究不足。

4 结束语

本研究通过分析文献数据找到当前教育大数据在个性化学习中的热点和趋势。由于数据源单一，对于教育大数据收集、获取的途径还需要进一步拓宽。不仅要收集学生结构化数据，成绩和基本情况等数据，还要收集学生非结构化数据，如学生的心理活动、学习过程中的各种数据。此外，对数据挖掘能力的研究也需要进一步加强，而且没有利用其他文献统计分析工具进行对比分析和佐证。

图3 基于大数据个性化学习的共现矩阵可视化图

参考文献(References):

[1]刘继勇,邓敏.个性化教育:大学生创新能力培养的根本途径[J].江西社会科学,2001.5:129-131

[2]李伟光.当代大学生个性化教育与创新能力培养[J].长春师范大学学报,2016.35(5):141-143

[3]崔晓鸾,赵可云.大数据在教育领域的研究热点及发展趋势——基于共词分析的可视化研究[J].现代远距离教育,2016.4:79-85

[4]赵雪飞,乜勇.基于词频分析的国内外教育大数据研究现状分析[J].中国医学教育技术,2016.30(5):527-531

[5]王娟,陈世超,王林丽等.基于CiteSpace的教育大数据研究热点与趋势分析[J].现代教育技术,2016.26(2):5-13

[6]庞恩旭.我国核心期刊的现状分析与研究[J].图书馆论坛,2004.24(2):15-18

[7]崔雷,刘伟,闫雷等.文献数据库中书目信息共现挖掘系统的开发[J].现代图书情报技术,2008.24(8):70-75

[8]VOSviewer[EB/OL］.[2011-01-01］.http://www.vosviewer.