新技术环境下学生个体差异研究进展及趋势

王莹 张文兰

摘   要：重视学生个体差异是提升教学质量、实现教育公平的关键，探究技术支持下学生个体差异对技术赋能教育、促进学生个性化发展具有重要意义。为了更好地把握国内个体差异研究的进展和趋势，文章采用文献计量方法，借助CiteSpace软件对中国知网数据库中2010—2020年教育技术类核心期刊的文献进行发文量分析、核心作者分析、关键词共现分析、聚类分析、突现性分析、时间线和时区分析。最后总结三点个体差异研究进展的思考与启示，为未来个体差异研究提供参考。

关键词：个体差异;个性化学习;CiteSpace;研究综述

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2021）05-0001-06

2020年《政府工作报告》再次提出要推动教育公平发展和质量提升。国家教育咨询委员会委员谈松华曾提到：“实现有质量的教育公平必须正视受教育者个体的差异性。”[1]《教育信息化2.0行动计划》提出要“探索在信息化条件下实现差异化教学、个性化学习、精细化管理、智能化服务的典型途径”。技术环境下学生之间的个体差异呈现得更加精准化，更有可能实现差异式教学。目前国内关于新技术环境下个体差异的研究缺乏相关综述，因此，为了厘清我国技术支持下个体差异研究的具体进展和趋势，本研究利用CiteSpace知识图谱软件对当前相关研究成果进行可视化分析，梳理研究现状，了解研究趋势，以期为该领域研究提供借鉴。

一、数据来源和方法

1.数据来源

本研究以中國知网（CNKI）数据库为数据来源，本文旨在了解信息技术渗透的教育中，针对学生个体差异及个性化需求开展研究的现状，因此，检索条件主题为“个体差异”或含“个性化学习”。文献分类目录限定为社会科学II辑，文献来源限定为教育技术学核心期刊（中国电化教育、电化教育研究、现代教育技术、中国远程教育、现代远距离研究、远程教育杂志、现代远程教育研究、开放教育研究）。2010年网络技术加快应用，新型技术环境开始普及，因此检索跨度为2010—2020年。经过严格筛选，剔除不符合个体差异主题的文献，共选取451篇文献作为研究样本。

2.研究方法

本文主要采用定量和定性相结合的研究方法。研究工具采用CiteSpace5.5.R2（64-bit）、Java1.8.0_241-b07（64-bit），主要通过高频引用词频统计、关键词共现分析、LLR聚类分析、中心性分析、突现性分析、时间线分析以及时区分析等对文献进行定量分析，再通过深入阅读文献进一步综述国内个体差异研究的进展和趋势。

二、研究结果与分析

1.年发文量分析

年发文量体现了一段时间学者对某领域的关注度，反映该领域的研究趋势。从图1可以看出，近10年个体差异相关研究的发文量整体呈现增长趋势。2010—2013年是稳定发展期，2013年发文量26篇。2013—2014年发文量呈井喷式增长，2014年发文量迅速达到58篇。2015年发文量55篇，稍有下滑但基本稳定。2015—2020年发文量恢复稳定增长趋势，2019年达到73篇。

2.核心作者分析

依据普赖斯（Price）定理确定核心作者的人选，再依据h指数[2]、hm指数[3]综合判断核心作者在本领域的影响力。普赖斯（Price）定理规定核心作者最低发文量m≈0.749■，nmax为发文量最多的作者的发文数量。计算取整得m=4，发文量4篇以上的核心作者人选占32人。对18位核心作者人选的h、hm指数进一步测评，h指数大代表影响力大，若h指数相同，则hm指数小的影响力大。由表1可以看出，在个体差异领域，影响力前10位的核心作者是赵蔚、姜强、杨现民、牟智佳、王朋娇、钟绍春、祝智庭、余胜泉、武法提、周东岱，占总发文量的29.49%。

根据作者共现图谱分析作者合作关系，节点和连线分别表示出现的频次和合作关系，节点越大说明作者出现的频次越多，连线越粗，则作者联系越紧密。在某一领域，随着研究越深入，学者之间的合作交流会越频繁和紧密。根据图2可以看出，仅有6个比较明显的合作网络，大部分学者处于独立撰稿状态。东北师范大学的赵蔚、姜强、王朋娇是高产合作作者，合作发文6篇。杨现民、祝智庭、余胜泉等核心作者合作节点较小，有一些合作作者。个体差异研究领域合作关系多基于地缘因素，跨地域合作较少。

3.关键词共现分析和聚类分析

（1）关键词共现分析

关键词共现网络可反映某一领域的研究热点以及热点内容之间的联系。以关键词（keyword）为节点，时间阈值（Time Slicing）设置为“from 2010 to 2020”，时间分区（years per Slice）设置为1;连线阈值数据对象强度设置为夹角余弦距离（Cosine）类型;节点阈值（Selection Criteria）设置为50，得到关键词共现图谱如图3所示。高频关键词和中心性也能反映某领域的研究热点，因此结合被引频次和中心性前10的关键词进一步分析，如表2所示。

由于样本文献含有主题检索词“个性化学习”，因此“个性化学习”成为共现图谱中最大的节点。除此之外，学习分析、人工智能、大数据、MOOC等是较大的节点，一定程度上代表了个体差异研究领域的热点主题和内容。再结合关键词被引频次和中心性分析，被引频次越高，代表作者关注度越高;关键词中心性高，代表某一关键词是网络中的关键节点，具有重要地位，起较强的连接作用。通过表2对比发现，教师专业发展、个人学习环境具有较高的中心性，但引用频次较低，说明他们发挥重要中介作用却尚未引起研究者足够重视，是潜在的研究方向，有待深入研究。而教育信息化、智慧教育具有较高引用频次，较低中心性，说明学者有较大的关注度，但在个体差异研究领域未起到关键中介作用，这也表明学者更关注教育信息化或智慧教育背景下的个体差异研究。

（2）聚类视图分析

聚类是根据某种相似程度，将差异量小的对象聚在一起，将具有较大相异性的对象分别聚类。运用CiteSpace统计分析，得到模块值（简称Q值）为0.6058，大于0.3，意味着本研究划分出的聚类结构是显著的，平均轮廓值（Silhouette，简称S值）为0.6356，大于0.5，说明对个体差异相关研究的聚类是合理的。

研究中样本文献通过LLR聚類后，分为10类，代表着10种不同的个体差异研究主题，包括数据挖掘（聚类#0）、学习风格（聚类#1）、元认知（聚类#2）、智能技术（聚类#3）、教学模式（聚类#4）、人工智能（聚类#5）、实证研究（聚类#6）、微课程（聚类#7）、Web2.0（聚类#8）、教育数据挖掘（聚类#9）等。（见图4）

根据关键词共现和聚类结果，对这10个聚类进一步分析可以看出：个体差异的研究对象，主要针对学生学习风格、学习认知和学习习惯上的差异开展研究;个体差异研究包含Web2.0、人工智能、数据挖掘，也有其他智能技术的介入;个体差异研究领域开展大量实证研究和应用探索，包括基于在线学习平台挖掘学习者信息、提供个性化学习服务以及学习资源等;个体差异研究领域开展教学实践探索，主要围绕构建智能化学习空间、学习环境，探索新的教学模式，优化教学过程等进行。

关于个体差异的主要研究内容，学习风格、学习认知以及学习习惯是差异研究的主要方面，针对学习风格，浙江大学教育技术研究所2010年提出CS-LS学生模型，该模型较好地反映了学生在认知状态和学习风格上的个体差异。[4]东北师范大学传媒科学学院研究以用户模型为依据，根据Felder-Silverman学习风格量表和学习过程行为模式，推断学习风格;基于概念累积分法推断认知水平，进而实现个性化本体学习资源推荐。[5]北师大武法提等人构建学习习惯的测量模型，设计精准化的学习习惯干预模型，探索基于教育大数据的学习习惯动力学机制。[6]

关于个体差异研究技术条件，基于人工智能、学习分析、大数据以及区块链等进行。华南师大吴洪艳基于学习分析技术构建个性化在线学习系统，旨在分析学习者学习行为和知识状态，按需推送合适的学习资源，并提供适时的学习干预。[7]东北师范大学姜强等人基于大数据分析，从四个维度构建个性化自适应在线学习分析模型。[8]首都师范大学方海光等人基于区块链技术设计智慧学习机器人，记录学习过程、监督学习质量。[9]余胜泉等人基于大数据分析技术构建智慧教育公共服务平台，形成了一套用大数据改进区域教育质量的解决方案。[10]

关于开展个体差异实证研究和应用探索，姜强、赵蔚等人从多元维度构建学习者能力模型，并在个性化自适应学习系统中应用，实现能力导向的个性化学习路径生成，以及基于个体能力差异的因材施教，并对其学习效率进行实证评价研究。[11]东北师大韩建华等人构建了智能导学系统的结构模型与学习过程模型;以Bettys Brain系统为例进行实证研究，结果表明智能导学环境有助于促进学习者的自我调节、自我反思及自我评价。[12]赵学孔等人通过实验验证了基于B/S模式的自适应学习系统个性化推荐模型，在学习者的学习风格、认知水平与领域知识元对象特征之间进行关联规则匹配，实现个性化推荐。[13]

关于教学实践探索，主要包含构建智能化学习空间、学习环境，探索个性化教学模式等。

祝智庭等人基于数字学习环境两类主导设计——VLE、PLE整合研究趋向，提出并谈及协调教与学的个人学习空间（PLS）。[14]陆芳、李克东构建基于Web2.0的个人学习环境结构模型，开展基于iGoogle的个人学习环境构建和课程教学应用实践。[15]方海光等人利用PADClass模型对学习过程进行数据形式化采集和描述，得出PADClass情境中的教学策略。通过这些数据和分析结果，可以进行教学控制和教学反思，进而提高课堂教学水平。[16]马玉慧等人研究了关注认知诊断的个性化学习资源推送方法，补充对学生认知结构的差异考虑和对推送内容的解释，实现在线学习过程中的因材施教。[17]

4.关键词突现性分析

关键词突现性指某时间段内该关键词突然上升或下降的频率，通常代表某一研究的转变。[18]突现性的数值越高，表示该关键词在该时间段内受到高度关注。如表3所示，在2010—2020年国内个体差异研究中，突现性排在首位的关键词是“人工智能”，突现性为9.96，突现年份为2018年，接着依次排列的关键词是MOOC、个性化学习、个人学习环境、翻转课堂等。

从关键词突现性来看，“学习风格”在2010—2015年突现，“个性化推荐”“个性化学习”在2010—2013年成为个体差异研究的热点关键词，由于文章检索时间设定在2010年以后，所以“个性化推荐”以及“学习风格”可能突现时间更长，代表在个体差异研究领域被给予更长时间的关注;“个人学习环境”“电子书包”“翻转课堂”“MOOC”在2012—2016年成为关注热点;“智能教育”“人工智能”在2018年成为热点关键词。大部分高频高中心性、突现词属于聚类#1、聚类#0或聚类#2，说明学习风格、元认知和智能技术相关内容一定程度上代表个体差异研究领域的主要内容，表明近10年学者对个体差异的具体内容以及技术支持比较关注。2010—2020年国内个体差异研究突现关键词图谱如图5所示。

5.关键词时间线和时区分析

时间线视图可以根据连线看出聚类间的传承关系，如图6所示。时区视图侧重于从时间维度表示研究的演进。某一时区文献越多，说明该领域处于繁荣时期，相反，则处于低谷时期，如图7所示。结合时间线和时区分析理清研究发展的脉络。

国内个体差异研究在2011—2012年处于低谷期，2012年以后，随着网络技术的发展、电子书包和手机等移动学习终端的日益广泛应用，特别是大数据和人工智能技术的发展，个体差异研究受到广泛关注。学者开始关注大数据、学习分析、人工智能以及自适应等技术环境下的个体差异问题。2010—2013年伴随着互联网的成熟以及中央的高度关注，大数据得到长足发展。由此，2013年大数据首次成为个体差异研究领域的热点，通过构建数据模型、学习分析模型等，对学生的学习习惯、风格的差异进行研究。2014年随着在线教育不断受到互联网企业的重视、在线教育行业的迅速发展，大规模在线课程应运而生。个体差异研究场景聚焦于在线学习，学者更加关注构建在线学习生态、学习环境及学习模型。2016年开启人工智能时代，从机器学习到深度学习，教育大数据、智能学习系统、可视化分析等技术方法辅助教学更精准化呈现学习者的个体差异。2010—2020年国内个体差异的时区视图如图7所示。

三、思考与启示

1.国内个体差异研究进展

目前国内个体差异研究以学习风格、学习认知以及学习习惯等为主要研究对象，其中学习风格、元认知和智能技术等内容代表本领域的研究重点，教师专业发展和个人学习环境对适应学生个体差异起着重要作用，是潜在的研究方向。該领域核心作者包含赵蔚、姜强、杨现民、牟智佳、王朋娇等学者。本领域的研究仍旧处于初期探索阶段，学者没有形成深度而广泛的合作，有待后续学者进一步探索。

2.研究内容贴合技术发展趋势

从文献计量分析来看，我们发现，个体差异研究进程稍滞后于我国技术的发展进程，但始终贴合技术的发展趋势，且随着技术热度的转变而转变。根据近10年的发展趋势来看，我们预测未来个体差异研究势必会融合时下新型技术，可能在人工智能、区块链、5G等技术支持下进一步探索。未来技术赋能教育将会为学生个体差异问题提供更优解。

3.未来研究方向和启示

从文献计量分析结果来看，目前个体差异研究侧重于理论建构和技术支持，集中在模型构建、资源推荐和支持服务等方面;教学实践中的应用还不够深入，目前还停留在处理和分析表层差异、提出较单一的教学策略阶段，研究场景还聚焦于在线学习。因此，未来个体差异研究可以结合理论探索，把握新型技术环境下学生个体差异的多层内涵，拓展深层次的实践应用，探索更多个体差异的研究场景，如混合式学习环境、虚拟现实环境等。

参考文献：

[1]谈松华.有质量的公平须正视个体差异[N].中国教育报，2016-03-04（005）.

[2]HIRSCH JE.An index to quantify an individuals scientific research output[J].Proc Natl Acad Sci USA，2005，102（46）.

[3]张学梅.hm指数——对h指数的修正[J].图书情报工作，2007，51（10）：16，116-118.

[4]陈仕品，张剑平.适应性学习支持系统的学生模型研究[J].中国电化教育，2010（5）：112-117.

[5]姜强，赵蔚，杜欣等.基于用户模型的个性化本体学习资源推荐研究[J].中国电化教育，2010（5）：106-111.

[6]武法提，殷宝媛，黄石华.基于教育大数据的学习习惯动力学研究框架[J].中国电化教育，2019（1）：70-76.

[7]吴洪艳.智慧学习视角下个性化在线学习系统设计与应用[J].中国电化教育，2015（6）：127-131.

[8]姜强，赵蔚，王朋娇等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015（1）：85-92.

[9]方海光，仝赛赛，杜婧敏等.基于区块链技术的智慧学习机器人设计研究——面向大规模学习服务系统的智慧学习机器人[J].远程教育杂志，2017，35（4）：42-48.

[10]余胜泉，李晓庆.基于大数据的区域教育质量分析与改进研究[J].电化教育研究，2017，38（7）：5-12.

[11]姜强，赵蔚，刘红霞等.能力导向的个性化学习路径生成及评测[J].现代远程教育研究，2015（6）：104-111.

[12]韩建华，姜强，赵蔚等.智能导学环境下个性化学习模型及应用效能评价[J].电化教育研究，2016（7）：66-73.

[13]赵学孔，徐晓东，龙世荣.B/S模式下自适应学习系统个性化推荐服务研究[J].中国远程教育，2015（10）：71-78，80.

[14]祝智庭，管珏琪，刘俊.个人学习空间：数字学习环境设计新焦点[J].中国电化教育，2013（3）：1-6，11.

[15]陆芳，李克东.基于Web2.0的PLE结构模型构建研究[J].电化教育研究，2013，34（9）：51-56.

[16]方海光，侯伟锋，王晓春等.基于PADClass模型的数字化课堂学习过程数据挖掘与分析研究[J].电化教育研究，2014，35（10）：110-113，120.

[17]马玉慧，王珠珠，王硕烁等.面向智慧教育的学习分析与智能导学研究——基于RSM的个性化学习资源推送方法[J].电化教育研究，2018，39（10）：47-52，82.

[18]陈悦，陈超美，胡志刚等.引文空间分析原理与应用：CiteSpace实用指南[M].北京：科学出版社，2014.9：86-89.

（编辑：王天鹏）