教育领域中的深度学习研究热点和研究趋势分析

魏利　黄慧敏　钱鸣静

摘 要：以中国知网（CNKI）近10年收录的409篇有关教育领域中深度学习的期刊论文为研究对象，通过Bicomb 2.0对相关数据进行提取、统计等操作，并利用SPSS 21.0和UCINET 6.0对关键词分别进行了聚类和共现分析，绘制出教育领域中有关深度学习的研究热点知识图谱。根据以上获得的数据分别对研究文献的形式特征和内容特征进行了分析，发现我国教育领域中关于深度学习发文数量呈持续增长的趋势，其研究热点和趋势主要集中于三个方面：在微课、慕课和翻转课堂的学习过程中如何促进学生深度学习；关注深度学习的过程与评价；利用相关技术促进学生深度学习，如人工智能、大数据等技术。

关键词：深度学习；Bicomb 2.0；UCINET 6.0；研究热点

中图分类号：G434 文献标志码：A 文章编号：2096-0069（2018）02-0022-06

收稿日期：2017-07-20

基金项目：全国教育科学“十三五”规划2017年教育部重点课题“基于力触觉反馈的在线虚拟手术交互式教学训练平台研究”（DCA170302）

作者简介：魏利（1994— ），女，四川绵阳人，硕士研究生，研究方向为教育技术及数字几何处理；黄慧敏（1993— ），女，河南确山人，硕士研究生，研究方向为教育技术及三维重建；钱鸣静（1992— ），女，安徽芜湖人，硕士研究生，研究方向为教育技术及科学计算可视化。

一、引言

在教育領域中关于深度学习的文献数量呈增长趋势，不同的学者关注角度存在差异，梳理和明确目前研究现状及热点可促进深度学习在教育领域中的良性发展与应用。基于此，本文借助Bicomb 2.0、SPSS 21.0和UCINET 6.0等工具，通过关键词聚类和共现分析对从中国知网获取的期刊论文以可视化的方式分析了我国教育领域中深度学习的研究热点和趋势，以期为同类研究提供参考。

二、研究设计

（一）数据来源

本文以中国知网作为数据来源，以“深度学习”为主题，检索了从2007年至2017年近10年属于教育领域学科的相关文献共计414篇，数据下载时间为2017年6月9日。由于检索到的论文包含会议通知及其他与主题相关性不大的论文，笔者对其进行了二次筛选，最后共选取409篇有效文献以Note First 格式导出保存至本地，导出的文件保存有每篇文献的题目、作者、文献机构、期刊名称、关键词以及摘要等，以便后续分析文献信息。

（二）研究方法与工具

1.研究方法

本文主要采用关键词共现与关键词聚类两种方法分析深度学习研究热点和发展趋势。关键词共现（Co-word analysis）是一种常用的内容分析法，其利用现代统计技术对某领域的某些词（一般为主题词或关键词）在文献中的出现频次加以分析，进而归纳出该领域的研究热点。关键词聚类是将不同关键词分类到不同的类或者簇的过程，同一类中的关键词有很大的相似性，而不同类中的关键词有很大的差异性。

2.研究工具

本研究通过Bicomb 2.0书目共现分析系统对文献中的文献作者、期刊、文献机构、发表时间及关键词进行统计分析，并利用统计分析软件SPSS 21.0和社会网络分析软件UCINET 6.0分别进行了共词聚类和关键词共现，得出了关键词的聚类分析树状图和关键词网络分析图，进而从文献的形式特征和内容特征两个角度分析我国近10年有关教育领域中深度学习的研究热点和发展趋势。

（三）研究流程

本文研究流程主要分为数据收集、数据整理、数据统计与数据分析四个阶段。其中数据采集阶段主要工作为将从中国知网中检索出来的409篇有效文献导出至本地。在数据整理阶段，将第一阶段导出的文件导入Bicomb 2.0软件并提取关键词，因关键词存在同义词的现象，因此对部分关键词做了如下替换：将“深度学习研究”替换为“深度学习”，将“教育人工智能”替换为“人工智能”，将“微课制作”“同步性微课”“微课程”“微课堂”替换为“微课”，将“翻转学习”替换为“翻转课堂”，将“大数据学习”替换为“大数据”，将“MOOC平台”“慕课”“MOOC资源”替换为“MOOC”。数据统计阶段即可利用Bicomb 2.0导出发文时间统计表、发文机构统计表、文献来源分析表、关键词频数统计表、关键词的词篇矩阵和共现矩阵。数据分析阶段主要利用SPSS 21.0和UCINET 6.0分别对第三阶段获得的词篇矩阵和共现矩阵进行分析，得到关键词聚类分析树状图和关键词网络分析图。

三、研究文献的可视化分析

文献特征包括文献的形式特征和文献的内容特征两大类，两者主要的区别是与文献信息主题内容关系是否密切，若密切相关即为文献的内容特征，反之即为文献的形式特征。对文献的形式特征分析有助于对某一领域的某一主题研究热度、各个机构关注度等有一个清晰的了解，分析文献的内容特征可了解到该领域的研究热点。

（一）文献的形式特征可视化分析

1.文献的时间分布

通过对深度学习的文献数量统计与计算来描述和预测未来的文献数量发展趋势。从统计数据可以看出从2007年至2017年发文量一直在增长，截至本文数据统计时间，2017年发文量仅上半年已有56篇，并且可以判断教育领域中有关深度学习的研究正在进入一个快速发展期。2017年《地平线报告》（高等教育版）指出，深度学习作为关键的长期发展趋势之一，将对中国高等教育技术应用进程施加关键的影响。据此也可以预测教育领域中有关深度学习的发文数量应是总体呈上升趋势的。[1]

2.文献的机构分布

我国有关深度学习发文量较多的是扬州大学新闻与传媒学院、陕西师范大学教育学院、西南大学教育学部、华东师范大学教育信息技术系、上海师范大学数理学院等10家机构，共计44篇，文献累计贡献率为8.10%，其中以扬州大学新闻与传媒学院和陕西师范大学教育学院最多，均为6篇。此外发文机构主要分布在高校，且这些高校多为实力雄厚的师范类院校。其中扬州大学主要集中在基于反思的深度学习以及深度学习理论基础方面的研究，陕西师范大学对翻转课堂中的深度学习较为关注，西南大学和华东师范大学对深度学习相关理论基础较为关注。由此可见，各个机构对深度学习的相关理论基础和在线课程中的深度学习关注度较高。

3.文献的来源分布

根据Bicomb 2.0统计，409篇文献共发表在176种不同期刊上。如表1所示，列出了有关深度学习的载文量在前10的来源期刊。由此可发现，教育领域有关深度学习的论文主要分布在教育技术领域的核心期刊，如《远程教育杂志》《电化教育研究》《中国电化教育》《现代教育技术》等。各个期刊对深度学习的关注点有所不同，《远程教育杂志》对如何促进深度学习及在线课程中的深度学习关注较多，《电化教育研究》对深度学习策略及相关理论研究较为关注，《中国电化教育》较为关注学习科学视角下的深度学习理论及其应用，《现代远程教育研究》较为关注在线课程中深度学习研究及新技术在促进深度学习中的应用，《江苏教育研究》较为关注各学科中深度学习课例及深度学习的教学设计。

（二）文献的内容特征可视化分析

1.关键词词频分析

关键词是文献研究内容的概括与凝练，因此某一领域关键词的词频在一定程度上体现了研究的热点和主要研究内容。Bicomb 2.0软件从409篇有效文献中提取频数大于等于4的关键词共计42个，其累计频次百分比为27.9%，并将出现频次排在前20的关键词列入表2。从表2中可以看出除了“深度学习”主题关键词排在第一，排在前10的其他关键词依次是“翻转课堂”“MOOC”“微课”“学习过程”“高等教育”“浅层学习”“教学设计”“学习科学”“教学模式”。然而翻转课堂、微课、MOOC为近些年来教育领域的研究热点，由此可以看出深度学习与近年来其他的研究热点联系较为紧密。与刘青等人在《基于CiteSpace的深度学习研究热点与趋势分析》[2]一文中分析的2015年深度学习的研究热点相比，近两年的深度学习研究热点正在向“翻转课堂”“MOOC”“微课”转变。

2.关键词聚类分析

为进一步了解关于深度学习研究的主题结构，本文对频次较高的关键词进行了聚类分析，把联系较为密切、相似度较高的关键词划分至相应的类别中，将Bicomb 2.0导出的关键词词篇矩阵导入SPSS 21.0软件中，得到频次较高的关键词的Ochiai系数矩阵，通过系统聚类获得聚类树状图，如表2所示，较高频关键词可以分为5种类别，如图1所示。

种类1由《地平线报告》、个性化学习、混合学习、翻转课堂、深度学习及自主学习组成，这一类别中的关键词在近几年的《地平线报告》中均有出现，因此联系较为紧密，可见《地平线报告》对深度学习的研究有一定的推进作用。

种类2由策略、人工智能、大数据组成，可概括为基于人工智能和大数据技术的深度学习研究。根据相关文献分析可知，这种类型的研究主要集中于借助相关技术分析学习过程或学习结果帮助学生达到深度学习的目的。如借助教育大数据进行学习分析，挖掘出教学中的有用数据，加强混合学习中的深度学习[3]。另外也有研究者借助人工智能技术设计专家系统作为后台支持，实现一种语义图式工具模型，帮助学习者达到深度学习[4]。

种类3主要包括核心素养、教学策略、学习科学、建构主义，这一类别主要聚焦于什么是深度学习、深度学习的意义与目标、深度学习的特征与理论依据及如何为深度学习而教、深度学习与浅层学习的关系以及深度学习的教学策略。如张浩等人[5]曾对深度学习的理论依据进行了分析，并利用建构主义理论从过程、结果和条件三方面对深度学习做出了解释，指出深度学习过程具有双向建构的特征，其结果是形成复杂认知结构，并且需要创造适宜的条件才可实现。也有学者回答了如何为深度学习而教，且指出应从以下四方面开展：创设深度学习的学习环境，整合学习任務、学习情景和问题进而设计学习活动，构建广泛参与的学习共同体以及长期培养学生的元认知能力[6]。

种类4由设计、学习过程、学会学习、学习活动和团队学习构成，可概括为有关深度学习的学习观研究。其中“设计”这一关键词涉及深度学习的教学设计、深度学习课程设计、促进深度学习的在线课程教学模式设计等。深度学习是伴随在整个“学习过程”中的，如何让学习者在学习过程中达到深度学习一直是学术研究热点。有关团队学习，段金菊[7]提出在网络环境下提高学习者的高水平思维进而促进团队深度学习，涂频[8]分析了基于“大学城”云平台教师团队的学习情况进而提出团队深度学习的策略。有关“学习活动”这一关键词，许多学者较为关注如何合理设计在线课程中的学习活动，促进深度学习，改善目前在线课程教学中学生大多数停留在浅层学习的问题[9]。

种类5由信息技术、课例、创新能力三个关键词构成，关于“信息技术”这一关键词可以概括为两方面：一方面是在信息技术课教学中利用深度学习教学策略[10]，另一方面是如何在信息技术环境下开展深度学习[11]。其中课例研究主要集中于数学和语文课。深度学习有关创新能力的研究主要聚焦于创客空间、互动式教学、探究性学习、创新性人才的培养等。

3.共现分析

通过对关键词词频统计和聚类分析，可以了解到国内关于深度学习研究的主题结构和主要研究热点，但是没办法明确文献之间的关系和研究交叉点，因此需要进行关键词共现分析，以呈现各主题及关键词之间的联系，进而分析深度学习的研究现状与研究热点。将Bicomb 2.0导出的关键词共现矩阵导入UCINET 6.0软件中，使用Netdraw工具绘制出关键词网络分析图，如图2所示。

在关键词共现图中，方形节点即表示关键词，节点越大则说明该关键词在网络中的作用越大，控制其他关键词出现的能力越强，离得越近即表示与其联系越为紧密。

从图2中可以看到：各个关键词之间关系错综复杂，联系紧密，以图中最大节点检索关键词“深度学习”为中心，“个性化学习”“翻转课堂”“浅层学习”“策略”“学习科学”等关键词节点与“深度学习”距离较近，联系较为紧密。虽然“大数据”“人工智能”离中心词“深度学习”较远，与其他关键词较为分散，但是并不意味着它们对深度学习研究不重要。“大数据”“人工智能”等是研究深度学习的重要技术，在分析和评价深度学习效果过程中有着重要作用。

四、结论

第一，我国教育领域深度学习研究热点主要集中于信息技术环境下的深度学习和高等教育中的深度学习、学习过程。①从上文表2中可看出信息技术支持的微课、MOOC、翻转课堂发文数量位居前四，正好验证了刘青于2016年指出信息技术环境下的深度学习研究将成为未来的研究趋势这一点。目前信息技术环境支持下的深度学习相关研究内容集中于深度学习模式的构建、学习活动设计、课程知识内容设计、课堂结构设计等，但是较少研究者关注此类课程中的深度学习评价体系的构建。②由表2可以看出关键词“高等教育”出现频次较高，逐渐成为热点。目前有关高等教育中深度学习研究主要从学科角度出发，如怎样促进地球信息、通信工程、新闻传播等专业课程的学习达到深度学习，部分学者提出通过深度学习路线等设计深度学习教学模式，培养创新型人才。另外随着创客教育在高校中的不断推进与发展[12]，研究者也将关注创客教育与深度学习的关系及探索如何促进创客教育中的深度学习。③从上文分析中可以看出学习过程也是研究热点之一，深度学习是伴随学习过程的，如何让学习者在各学科的学习过程中达到深度学习一直是学术研究者的重点研究问题[13]。

第二，我国教育领域深度学习发展趋势偏向技术支持下的深度学习和完善评价体系两方面。①关注技术支持下的深度学习研究。在计算机技术蓬勃发展的今天，大数据、人工智能、虚拟现实等新兴技术在教育中得到了一定应用。例如，有学者提出基于大数据分析学习行为数据获得学习活动的深层次特征，预测学习趋势，提供学习预警，进而促进个性化学习和深度学习，但是受限于现实条件，短时间内研究者无法对教育相关数据做全面采集和清洗处理[14]。因此在未来，研究者可与国内或国外研究团队整合资源或者进行技术合作，将相关技术应用于实际教育教学中，促进学生深度学习。另外，大数据技术多关注在线课程中获取的学习数据，如登录情况、课程点击量、讨论情况等，研究者可考虑结合图像识别、语音识别等技术分析传统课堂中的深度学习效果和影响因素。②关注深度学习评价。在关键词聚类分析中，种类1、2、3、4、5较少与深度学习评价有关，但并不是没有相关文献，如张浩等人提出的构建认知、思维结构、动作技能和情感四位一体的深度学习评价体系[15]，刘哲雨等人曾提出的深度学习“3+2评价模式”[16]。目前，随着信息技术环境支持下的深度学习的不断开展，许多研究者将目光转向如何促进学习者在微课、慕课、翻转课堂中进行深度学习，将各项技术（视频标注、虚拟现实等）、教学理论、教学模式、教学策略逐步引入深度学习教学中，那么这些方法、策略和技术的引入是否真正达到了预期的效果？为此，研究者将逐渐关注如何建立一个完善的评价体系来衡量深度学习的有效性，从而促进深度学习的发展。

[1]高媛，黄荣怀.《2017新媒体联盟中国高等教育技术展望：地平线项目区域报告》解读与启示[J].电化教育研究，2017，（4）：15-22.

[2]刘青，阮志红，张俊峰.基于CiteSpace的深度学习研究热点与趋势分析[J].软件导刊·教育技术，2016，15（9）：3-5.

[3]彭飞霞，阳雯.混合学习如何加深学习深度——兼及教育大数据如何支持学习分析[J].现代远距离教育，2017，（2）：31-39.

[4]顾小清，冯园园，胡思畅.超越碎片化学习：语义图示与深度学习[J].中国电化教育，2015，（3）：39-48.

[5]张浩，吴秀娟.深度学习的内涵及认知理论基础探析[J].中国電化教育，2012，（10）：7-11.

[6]舒兰兰，裴新宁.为深度学习而教——基于美国研究学会“深度学习”研究项目的分析[J].江苏教育研究，2016，（16）：3-7.

[7]段金菊.技术支撑下的团队深度学习设计研究[J].中国远程教育，2011，（1）：44-48.

[8]涂频.基于云空间的教师团队深度学习研究[J].中国教育信息化，2014，（2）：55-56.

[9]冷静，吴小芳，顾小清.面向深度学习的在线课程活动设计研究——基于英国开放大学的案例剖析[J].远程教育杂志，2017，

35（2）：56-65.

[10]邬技科.基于深度学习的小学信息技术教学策略探究[J].中国教育技术装备，2017，（5）：82-83.

[11]王秀云，宓宁宁.信息技术支持下的深度学习研究[J].中国教育技术装备，2013，（6）：78-79.

[12]李鹏飞，张宝辉.中国创客教育研究热点及趋势分析——基于词频分析与共词可视化方法[J].数字教育，2016，2（3）：20-25.

[13]何晓萍，沈雅云.深度学习的研究现状与发展[J].现代情报，2017，37（2）：163-170.

[14]杜圣东，杨燕.大数据视角下的个性化教育探索[J].计算机教育，2017，（6）：51-55.

[15]张浩，吴秀娟，王静.深度学习的目标与评价体系构建[J].中国电化教育，2014，（7）：51-55.

[16]刘哲雨，郝晓鑫.深度学习的评价模式研究[J].现代教育技术，2017，27（4）：12-18.

（责任编辑 孙志莉）

Abstract： This study took 409 research articles collected from CNKI over the past 10 years on deep learning in the field of education as research subjects.It used Bicomb 2.0 to extract and stati-

stically analyze relevant data；besides，it used SPSS 21.0 and UCINET 6.0 to respectively analyze the keywords in terms of clustering and co-occurrence.Hence，the knowledge mapping of the research hotspots on deep learning in the field of education was drawn.According to the data obtained above，this

paper analyzed the characteristics of the form and the content of the research articles.The findings show that there is a continuous increase in the number of articles on deep learning published in the field of education in China.The research hotspots and trends are mainly focused on three aspects，

i.e.，how to promote students deep learning in the learning process in micro-lectures，MOOCs，and flipped classrooms；paying attention to the process and evaluation of deep learning；and using related

technologies，such as artificial intelligence，big data etc. to enhance students deep learning.

Key words： deep learning；Bicomb 2.0；UCINET 6.0；research hotspot