国内学习干预研究现状共词可视化分析

王 磊

(武汉船舶职业技术学院，湖北武汉 430050)

学习干预是一个约定俗成的概念，主要指对学习者学习产生影响的介入手段[1]。在传统领域，学习干预的研究主要集中在对存在学习障碍和学习困难的儿童进行干预，以帮助患有中枢神经系统功能失调的儿童，使他们在听、说、读、写、推理、数学等方面的获得和运用上有所改善，或帮助感官和智力正常，但学习成绩低于智力潜能期望水平的儿童达到教学目标。

职业教育作为一种教育类型，越来越受到国家和社会的重视，职校生具有学习兴趣不高，自主学习能力不足等基本特征，如何通过学习干预促进职校生的学习具现实意义。同时，近年来大规模在线开放课程和基于在线课程的混合式教学广泛开展，使得校园混合课程成为未来高等院校课程的主要形态。借助在线学习平台能够实时记录教学过程和学生学习数据，运用数据挖掘技术对数据进行有效分析，可以为探索个性化、适应性的学习干预提供支持，促使了学习干预的研究和应用由特殊教育逐步拓展到普通教育领域[2]。

虽然学者们对学习干预进行了广泛的研究，但目前，我国关于学习干预的文献还很少，因此对学习干预进行定性和定量的系统分析，探究学习干预的研究热点和发展趋势可以有效地把握该领域的研究现状和发展方向，为进一步深入研究奠定基础。

1 研究方法与过程

1.1 研究方法

1.1.1共词分析法

共词分析是对一组词两两统计它们在同一篇文献中出现的次数，并以此衡量词与词之间的亲疏关系，对它进行聚类分析可以发现这些词所代表的学科和主题的结构变化。关键词是学术论文用于浓缩概括文章主题的词汇，代表着文章研究的主要内容、方法或领域。根据共词分析的基本原理，如果某个关键词反复出现在一个研究领域中，则表示它是该领域的研究热点。如果两个关键词出现在同一文献中，则表明它门存在一定关联，共同出现次数的多少就代表着其关联程度的紧密[3]。关键词共现分析是一种常用的共词分析方法。

1.1.2类团主题分析与战略坐标图

共词聚类分析把关联密切的主题聚集在一起形成类团，把错综复杂的主题关系简化成若干个分支，有助于研究领域的内容分析。但共词聚类只能说明同一类团的主题更接近，无法揭示每个类团的中心概念，发展状况与趋势，也不能说明各类团之间的关系。为了进一步对类团内及类团间的关系进行分析，本文引入粘合力、向心度、密度三个指标[4]。粘合力用于衡量类团内各主题词对聚类所起的作用程度，粘合力越大表示主题词在类团中越处于核心位置。密度用来衡量类团内部关联程度，密度越大说明该类团更有能力来维持和发展自己。向心度用来衡量一个类团与其它类团的关联紧密程度。向心度越大代表着该类团在整个研究领域中占据核心地位。粘合力、密度和向心度的计算有多种方式。本文采用如下公式[5]：

(1)粘合力

(2)Equivalent指数

(3)密度

(4)向心度

其中,i,j代表不同的主题词;Ni表示类团中主题词i的粘合力；n为类团内主题词的个数；Φs为一个类团内主题词的集合；Fij表示主题词i与j的共现频次；Fi和Fj表示主题词i与j独自出现的次数；N为所有类团主题词的总数，Φ为所有类团主题词的集合。

战略坐标图由John Law等在1988年首次提出，其思想是将向心度设为X轴，密度设为Y轴，把所有类团的向心度和密度的平均值作为坐标原点，构成一个二维坐标系。在战略坐标图中，每个类团处于不同的象限，代表着它们在整个研究体系中处于不同的发展趋势。图1展示了具体的对应关系。

图1 战略坐标图

1.1.3可视化分析

为提高共词分析的可视化程度，本文借用了社会网络分析的表现方式，主题词表示为网络中的节点，其共现现象则由节点间的连线体现，而连线的粗细表示主题词共现的频次，频次越高，连线越粗。聚类后，同一类团的主题词用相同的颜色表示。主题词网络可以直观地将众多关键词之间复杂的共词网络关系以图形的方式表现出来，使之易于进行定量和定性分析。

1.2 研究过程

1.2.1数据来源

本文的数据来源于CNKI学术期刊数据库，以学习干预为主题关键词进行检索，选定时间为1999年5月到2019年4月，期刊来源选择SCI来源期刊、EI来源期刊、核心期刊等高水平期刊，共收集相关文献177篇，统计出538个关键词。

1.2.2相近关键词处理

对含义相近的关键词进行合并处理，以提高研究的精确性。如把干预、早期干预、干预性研究等替换成学习干预，把记忆、学习记忆能力等替换成学习记忆。

1.2.3高频词统计

对反应文献主要内容的高频关键词进行分析，本文依据Donohue公式计算高低频关键词临界值[6]，综合考虑学习干预研究量不大的特点，最终确定高低频关键词阈值为3次，从而选取出高频词30个(见表1)。可见排在前面的分别是学习记忆、学习困难、学习障碍、学习分析等，通过查看高频词，可以快速了解学习干预的研究热点。

表1 高频关键词(30个)

1.2.4关键词共现矩阵、相似矩阵

运用python语言自编程序，统计高频关键词在论文中两两同时出现的次数，形成30×30的高频词共现矩阵。为方便进行聚类分析，采用ochiai系数法将关键词共现矩阵转化为相似矩阵。

其中Fi和Fj表示关键词i与j独自出现的次数，Fij表示关键词i与j的共现频次。

本文截取展示前9个关键词的相似矩阵，如表2所示。不同关键词行列交叉处的数字越大，表示关系越密切，如学习困难和小学生的相似度为0.444。

表2 高频关键词的相似矩阵(部分)

1.2.5关键词聚类与可视化

scikit-learn是基于Python语言的机器学习模块，是被广泛使用的数据挖掘和数据分析工具包，本文采用scikit-learn中的谱聚类算法(Spectral Clustering)对关键词相似矩阵进行聚类分析，同时根据公式分别计算出各关键词的粘合力和各类团的密度、向心度。(见表3)

表3 高频关键词的聚类(粘合力、向心度、密度)

2 我国学习干预主要研究内容主题分析

2.1 学习干预的初步文献计量分析

2.1.1文献年度分布

图2 学习干预文献量年度分布图

论文发表的数量随时间的分布在一定程度上反映了该领域学术研究的进展速度与理论水平[3]。从学习干预论文发布的时间和数量来看，国内关于学习干预的研究时间较短，总量偏少。

2.1.2论文作者和文献期刊分布

论文作者的从属单位和发表的主要刊物分布也能够反映出学习干预研究领域的特点。从作者的从属单位来看(见图3)，主要来自于学校、医院或教育研究机构，相对集中在北京师范大学(18篇，占9.0%)、华东师范大学(11篇，占5.4%)、东北师范大学(8篇，占3.9%)、上海市浦东新区精神卫生中心(9篇，占4.4%)，约占总量的40%。刊发有关研究论文数量最多的期刊主要是《中国特殊教育》、《中国临床康复》、《中国心理卫生杂志》、《电化教育研究》等(见图4)。可见，目前国内有关学习干预的研究，主要是在医学、心理学和教育视角下进行的，重点从医学干预、心理干预和教学干预等维度开展研究。其中师范类大学教育院所和医学研究院所是研究的主力，说明对于学习干预的研究处在理论和实验研究阶段，还未能开展广泛的应用研究。

图3 学习干预论文作者分布图

图4 学习干预文献期刊分布图

2.2 学习干预的研究热点分析

Networkx是基于Python语言的复杂网络分析模块，为方便对学习干预的热点进行分析，结合关键词的共现情况和聚类结果，运用Networkx画出高频关键词的聚类图(见图5 )。笔者认为，目前国内关于学习干预的研究可以分成5个领域。同时为进一步分析各领域的发展状况与趋势，把所有类团的向心度和密度的平均值作为原点，画出各类团的战略坐标分析图(见图6)。结合网络图和战略坐标图进一步分析。

图6 学习干预高频关键词战略坐标分析图

类团1包含学习障碍、学生、精神卫生、学习、丰富环境、康复、血管性痴呆、学习不良等关键词，主要是对存在学习障碍的儿童、学生进行心理干预的研究。如毛荣建、刘翔平对听写障碍儿童进行有针对性的认知干预训练,并进行了实验比较[7]；佟月华研究了团体干预对提高学习障碍儿童情绪理解的效果，发现团体干预能够显著提高表情识别、自我意识情绪识别、混合情绪识别、情绪原因理解、情绪隐藏等学习障碍儿童的情绪理解水平[8]。付建军等通过开展家校联动、探索五段尝试教学、挖掘学科特色资源、培养学生良好网络习惯、科学运用惩戒教育,对高中生课堂不良学习行为积极进行分类干预,从而改善了学生课堂学习行为,提升了学习品质,促进了学生全面、健康发展[9]。

类团2包含学习记忆、海马、大鼠、痴呆、阿尔茨海默病、迷宫学习、脑缺血、学习行为等关键词。其中学习记忆的粘合力最大，是中心关键词，主要是通过动物医学实验研究药物干预对学习记忆与行为的影响等。

类团1和类团2分布在第二象限,说明类团中的关键词和其它类团联系较广，在学习干预研究中处于核心位置，但类团内的关键词联系比较松散，在类团的发展中容易被分解、演化成其它相关类团。因此具有潜在的发展空间,但不稳定。

类团3主要包含小学生、学习困难、运动干预、执行功能、教育干预、数学学习困难等关键词。其中小学生的粘合力最大，为类团的中心关键词。本类团集中研究了对存在学习困难的小学生开展心理和教学干预。如陈美娣等对学习困难的小学生进行了综合干预研究[10]。

类团4主要包含学习分析、教育大数据、在线学习等关键词，其中学习分析的粘合力最大，是类团中心关键词。本类团研究内容集中在基于学习分析技术和教育大数据开展学习干预研究。如李彤彤等基于教育大数据和学习分析技术，构建了以干预引擎为核心的“状态识别—策略匹配—干预实施—成效分析”四环节循环结构干预模型，以期为在线学习环境中的学习干预理论研究与实践应用提供参考[1]。孙众等提出了校园混合课程教学干预的框架，以课程动态设计为切入点，根据预测需求选择预测模型，确定干预对象选择干预类型，实施混合课程下的教学干预[11]。尤佳鑫等研究设计并开展了一门基于实体课堂和云学习平台(MOODLE平台、微信平台)的混合式大学课程。通过收集学生多类属性及学习过程性数据建立多元回归模型,对其将取得的成绩进行预测,并展开教学干预以提升其学习效果[12]。

类团3和类团4分布在第三象限,类团的向心力偏小，密度偏大。说明类团中的关键词联系紧密，在领域中已经形成了一定的研究规模。但与外部联系不紧密,该类团在发展到一定程度后,有可能因得不到有效的提升动力而消失。

类团5包含大学生、学习倦怠、自主学习等关键词，其中大学生的粘合力最大，是类团的中心关键词。本类团的研究主要集中在大学生的学习倦怠情况进行教学干预的研究。如汪明春等研究了大学生学习倦怠的具体表现，并从认知、行为、情感三个层面对各种成因的学习倦怠进行了干预探索[13]。肖艳双等对高职生的学习倦怠情况进行了调查，指出学习倦怠在性别、学校、独生与否、家庭居住地、学习成绩、选择专业上存在显著差异。并有针对性地对学生的学习倦怠状况进行干预,构建了良好的学习氛围[14]。类团5分布在第四象限,说明其研究主题密度和向心度都较低,在学习干预领域处于边缘位置,内部结构比较松散,研究尚不成熟。

3 结 语

本文采用关键词共现分析、类团分析与战略坐标图法对国内学习干预研究的状况进行了研究，论述了学习干预的热点及未来发展趋势。总体来说学习干预的研究量较小，关注度不足；学习干预研究主要从心理学、医学、教育学三个视角开展。其中心理学和医学角度的研究开始较早，占比较大，主要集中在对学习障碍的儿童进行心理干预、从医学角度对学习记忆进行动物实验研究等；教育学角度学习干预研究开始较晚，研究量也较小，主要涉及了针对大学生学习倦怠和基于学习分析技术和教育大数据的对大学生学习进行干预的研究。同时，对于职业院校学生学习进行干预的研究也非常少，应该是后期研究者和职业学校教师可以多关注的一个领域。另外，本文对关键词的分析中，省去了一些出现频次较小关键词，因为对学习干预的总体研究量不大，可能会有一些重要的的关键词没能纳入分析，对分析结果存在一定不利影响。