2010-2021年自适应学习平台国际研究热点与趋势——基于CiteSpace可视化分析*

何敏怡， 李睿

(云南师范大学 信息学院，云南 昆明 650500)

1 引言

在全球教育资源开放共享的背景下，人工智能、大数据技术和学习分析技术日益成熟，提供个性化、差异化的学习服务成为可能.Hattie指出自适应学习可以带来积极的教学效益[1].自适应学习技术应用的载体包括各种教育产品，统称为自适应学习平台或自适应学习系统.目前国内学界对自适应学习平台国际研究热点和发展趋势进行分析的文献较少.本研究希望通过对该领域相关文献发文数量、空间分布、核心著者和研究内容进行可视化分析，为自适应学习平台研究提供有价值的参考.

2 研究设计

2.1 研究方法与工具

采用文献计量法对文献进行分析，侧重于分析文献的外部特征，如地区、作者、关键词和引文等.采用CiteSpace作为文献计量工具，它能识别和可视化科学文献研究的现状和新趋势.此外,还对时空分布图谱、核心著者图谱和关键词知识图谱进行可视化分析.

2.2 数据来源

以Web of Science核心合集为检索数据库，检索关键词为“adaptive learning platform”“personalized intelligent learning system”“intelligent e-learning system”和“intelligent tutoring system”.其次，选择国际上比较成熟且应用较为广泛的自适应学习平台进行专题检索，关键词包括Knewton、iSTART、Auto Tutor和ALEKS等.搜索时间范围为2010年至2021年，文献语言为英语，不包括会议、通知和报道等文章，通过阅读文献标题和摘要，删除与研究无关的记录，选定391篇有效文献进行研究分析.

3 数据分析结果

3.1 时间分布图谱分析

图1为年度发文数量分布图.以2016年为分水岭，2016年以前研究成果数量呈波动状态，2016年以后呈直线上升趋势，2019年和2020年达到最大发文量46篇.2016年被称为“人工智能元年”[2]，社会各个领域再次重视人工智能的发展，作为人工智能在教育领域实践的产物，自适应学习平台越来越受到研究者的关注.2021年的文献虽然数据不完整，预计研究成果数量仍将保持稳步增长的态势.总体来说，自适应学习平台的研究成果随着时间的推移而波动增长，积累的研究成果越来越丰富，发展越来越快.

图1 2010-2021年度发文数量分布图Fig.1 Frequency of publications from 2010 to 2021

3.2 空间分布图谱分析

生成国家合作网络图谱，了解研究的地理分布和合作情况.如图2，国家合作网络中节点、连接线和网络整体密度分别为71个、78条和0.031 4.其中中国的发文量(77篇)最多，其后依次为美国(71篇)、西班牙(48篇)、印度(22篇)和英国(19篇).图中的节点较为稀疏，联系不是十分紧密.

图2 国家合作网络图谱

3.3 核心著者图谱分析

为了解这一领域内的关键研究者，生成核心著者图谱(见图3)；通过整理核心作者的信息和文献，获得他们在该领域的研究焦点(见表1).学习者模型的构建是大多数核心著者共同关注的.此外，几乎所有的研究者都十分关注教学模块.同时还发现，大部分核心著者都是计算机科学或心理学背景，教育领域学者的涉足尚不够深入.Martin等人的研究也发现，自适应学习研究的主要领域集中在计算机科学领域[3].

图3 核心著者网络图谱

表1 核心著者信息与研究关注点

3.4 关键词共现与聚类图谱分析

3.4.1 关键词共现分析

生成关键词共现图谱，以探讨自适应学习平台研究的热点主题.频次越高和中心性越大的关键词可以代表一段时间内学者共同关注的研究问题.关键词共现图谱中关键词、连接线和网络密度值分别为333个、863条和0.01.词频率排序中前20个高频关键词如表2所示.除去检索的主题词“intelligent tutoring system”“adaptive learning”和“adaptation”,高频关键词依次有“在线学习(e-learning)”“系统(system)”“模型(model)”“设计(design)”“学生(student)”“表现(performance)”“策略(strategy)”“本体(ontology)”“环境(environment)”和“风格(style)”等.

表2 关键词共现频次、中心性及年代(部分)

3.4.2 关键词聚类分析

在聚类图谱中生成15个聚类，每个聚类由多个密切相关的关键字组成.簇号越小，表示簇包含的关键字越多.为了挖掘更有价值的信息，着重分析关键字数量多、信息量大和具有代表性的聚类，各聚类的特征值和内容如表3所示.

表3 各聚类特征值与内容统计表

(1)聚类0(教学策略或学习策略)

通过分析该聚类的内容，发现在教学方面有以下几个研究热点：一是关注教学策略的影响，包括不同教学策略对学生参与度、注意力、互动性和学业成就等的影响；二是探讨不同教学形式的运用，包括基于游戏的学习、体验式学习、基于多模式任务的学习和基于模拟的训练等；三是主要针对物理、数学、医学等理科或语言教学领域；四是专注反馈策略、教学评估、课后计划等研究.

(2)聚类1(计算机化适应性测试)

该聚类呈现的研究焦点是：利用技术精确定位学习者先前知识和理解水平，评估适应性学习需求，生成最优学习路径和指导策略，及时调整任务形式、内容和难度以适应当前学习.如2018年国际学生评估项目(PISA)中，就采用了多阶段计算机化自适应测试技术对学生的阅读素养水平进行了评估.

(3)聚类5和聚类9(情感计算和情感状态)

这两个集群反映了研究者对学习者情感状态的关注.因为情感在人类认知过程中起着核心作用，所以情感识别模型变得越来越重要.研究尝试通过非干扰性的情感测量，如脑电图、肌电图、皮肤电反应器、姿势分析器和面部表情识别器等自动探测情感的测量工具，评估以及构建学习者的情感特征模型，并给予相应的情感反馈和指导，从而消除或减少学习过程中的无聊感和挫败感等不利情感因素，提高系统的情绪敏感性.已有研究表明，情感性辅导可以促进领域知识水平较低的学习进行深度学习[4].特别是随着泛在学习和移动学习的兴起和发展，基于情感状态和语言感知的自适应技术是当前研究的热点和趋势.

(5)聚类6(多媒体/超媒体系统)

研究聚焦点分别有教育媒体设计、学习环境设计、用户界面设计、创作工具设计等.如Mitrovic和Martin的研究指出嵌入技能仪表对学习者的学习和元认知具有积极影响[5].同时有研究学者指出，智能学习系统的开发是该领域面临的一个重大挑战，Mitrovic和Koedinger认为1 h智能辅导教学需要100～1 000 h的开发时间[6]，目前开发的创作工具有ASPIRE和CTAT等.

(6)聚类7、聚类11、聚类13和聚类14(人工神经网络、模因论算法、语义网络和确定性因子理论)

可见研究集中在学习者模型、知识图谱、自适应推理的技术和算法方面.学习者特征和行为模式需要智能技术来识别，并在学习者模型中融合这些模式.其中软计算技术发挥着重大作用，如使用模糊逻辑表征人类导师评估学习者的方式，再比如使用人工神经网络预测学习者的反应和错误等.继软计算方法之后，贝叶斯概率方法的应用也得到研究学者的重点关注，贝叶斯网络的优势是可以处理多个变量.这些建立学习者模型的方法和技术是进行数字化个性学习的起点和基础.知识图谱则是实现系统智能推理能力的关键所在.

(7)聚类12(数据库)

研究重点关注学习者和学习过程的不同类型的信息检测和数据获取，以及建立用于模型构建和学习分析的数据库.有研究学者指出，目前许多数据挖掘方法使用这些数据来提高预测的精度，但大多数研究仅仅停留在更好的预测上，而没有思考这些数据是否以及如何用来提高学生的学习成绩[7].

图4 研究现状分析图

3.4.3 研究热点小结

从教育学的视角回顾研究，将发现的关键词按三个维度进行分类，分别是学习者知识建构维度、学习环境维度以及技术维度(如图4).目前该领域研究内容围绕两大问题展开：一是用技术模拟真实的学习过程；二是用技术构建高效的学习环境.

从知识建构的维度来看，目前研究从三个主要方向展开.(1)学习者特征检测与分析，即从学习者的不同特征或学习状态出发探讨如何构建动态精确的学习者模型，包括学习者的认知特征(如认知风格、思维风格、先验知识和背景知识、知识与技能水平和元认知等)、元认知特征(如元认知知识、自我监控、自我调节能力等)和情感特征(如情绪、兴趣、自我效能感等).(2)学习内容设计，即研究知识的结构和表征以及学习内容的设计，包括知识图谱、内容难度、内容可视化设计、资源呈现等.(3)教学或学习策略设计，即探讨不同适应性教学策略的应用和影响，包括情景化学习、反馈策略、元认知策略、指导策略、形成性评价等.三个不同的细分方向都是学习过程中的重要环节，共同促进学习者的知识建构.

从学习环境的维度来看，目前的研究侧重于从学习者为中心、评价为中心和知识为中心三个角度探索有效的学习环境.(1)学习者中心，即考虑到学习者知识、技能、文化背景并赋予学习者学习自主性的环境.目前，研究者尝试通过观察、互动、测试、获取社交信息等不同方式和途径，更深入地了解学习者的背景和学习需求.传统的封闭学习者模型逐步过渡和发展为开放的、可协商的学习者模型.(2)评价中心，即提供反馈和回溯机会的环境，侧重于对反馈策略、形成性评估、情感反馈、信息可视化的研究.(3)知识中心，即根据实际需要，促进知识理解和迁移的环境，包括对问题情境、问题解决能力等的研究.(4)共同体中心，即把个人的学习与班级、学校、家庭甚至行业、国家、世界等更大的共同体联系起来的环境.但是，从共同体中心角度分析自适应学习环境的研究还很少.

从技术维度来看，技术的作用在于模拟学习过程和构建学习环境，主要有大数据技术和人工智能技术等.大数据技术用于信息采集、分析、挖掘、呈现，人工智能技术用于识别学习者特征和模拟专家解决问题过程、专业教师教学过程、决策过程等.目前研究着重探究如何用技术和技术用得如何两大问题：(1)如何用技术，即自适应学习系统的设计和开发；(2)技术用得如何，即自适应学习系统的实施和效果评估.

3.5 突现词图谱分析

通过对突现词的分析研究，可以获得研究领域的前沿和趋势.突现词图谱共获得16个突现词(如图5)，近年来的突现词分别是“技术”“遗传算法”“大数据”和“高等教育”.技术仍然是目前该领域的研究前沿，利用强相关的教育大数据和智能算法优化适应性结构，提高教学效益.自适应学习平台的发展对技术的依赖性非常强，因此，关键技术的发展和突破是未来的重要研究方向.从教育阶段来看，研究前沿主要在高等教育领域.美国新媒体联盟2018年《地平线报告》指出,自适应学习是高等教育领域教育和技术革新的趋势[8].Martin等人的研究也同样表明，大多数自适应学习的研究都是在高等教育中进行的，他们认为技术在高等教育中的快速引入和在线学习的普及是重要原因[9].开放的教学环境为自适应学习平台的使用提供基础，质量的保证也是高等教育领域热衷使用和研究自适应学习平台的关键所在，研究表明自适应学习系统对大学阶段的学习效果明显高于其他学段[10].但这些发现表明，自适应学习平台在其他教育阶段和教学环境中的应用，如K-12教育阶段和非正式学习环境，需要更多的关注.

图5 突现词图谱Fig.5 Keywords with the strongest citation bursts

4 研究小结与思考

4.1 研究小结

目前，国际自适应学习平台研究还处于快速发展的阶段，从上述的研究分析来看，还存在很多亟待解决的问题.

4.1.1 技术赋能学习，厘清数字个性化学习本质

自适应学习系统的本质是数字个性化学习.研究者和设计开发者应把使用先进技术作为支持个性化学习的方法，而不是目标.自适应学习系统应该真正成为有效支持学习者个性化学习、自主学习和自我反思的数字工具.目前该领域的研究存在一些侧重点，如：侧重数据精准预测，忽视数据驱动学习；侧重知识点操练，忽视能力和素质培养；侧重终结性评价，忽视有效反馈和形成性评价.其原因之一是目前学界对数字个性化学习的概念和理论框架并没有达成共识，不同的自适应学习工具有着不同的适应性维度.虽然自适应学习和数字个性化学习并不是什么新的概念术语，但数字技术的迅猛发展引发该领域的不断变革，为其源源不断地注入新的内涵，因此，在未来的研究中为该领域发展一个更清晰更具指导意义的理论框架是非常有必要的.

4.1.2 鼓励实证研究，建立自适应学习平台评价标准

研究发现不同的研究者喜欢用不同的技术和方法对学习者不同的特征进行建模，这不但反映出研究者的偏好，还隐藏着一些问题，某一模型就一定适合于某个特定领域、教学策略或者学习者团体吗？因此，该领域急需大量实证研究对这些疑问作出明确的回答.同时，依据实证数据和学习科学理论建立完善的自适应学习平台评价标准，有利于为研究和平台设计指明方向和目标.

4.1.3 多学科相结合，促进理论和技术新突破

自适应学习平台的搭建，不仅涉及教育学、基础计算机科学，还涉及认知科学、心理学、学习分析、数学、统计学、数据挖掘、机器学习等多个领域的理论和技术，是一项庞大而复杂的工程.融合更多领域的理论和技术是今后的研究趋势.加强各研究团体间跨区域、跨学科、跨领域的合作与交流，有利于该领域研究保持良性发展.此外，研究者需广泛涉猎其他领域的知识，为研究提供创新思路和启发.

4.2 研究思考

4.2.1 自适应学习对教育教学的挑战

虽然如今自适应学习平台的发展还处于相对初级的阶段，但经过充分迭代优化后，自适应学习平台将会呈现出快、准、细、全的特点.快即响应速度快和快速动态追踪；准即模型完善和学习推荐准确；细即颗粒度和变量关联足够细化；全即学习资源全方面涵盖.这将会给学习者带来全新的学习体验，传统学校教育的弊端被放大和诟病，站在时代的转折点上，教育教学将迎来巨大的机遇和挑战.就自适应学习给课堂教学带来的影响而言，自适应学习将促进人机协同教学新模式的发展，推动在线教学与课堂教学的有机结合.因此，不断加快教育教学改革，适应新时代的需要，学校教育才能完成从工业时代标准统一的教育形态向智能时代个性灵活的教育形态的跨越.

4.2.2 自适应学习对学习者学习的挑战

未来自适应学习平台在教育教学中的广泛应用，对学习者的自主学习能力提出了更高的要求.张晓蕾等人也认为，在个体层面，学习者具备较强的自主学习能力和自我监控水平是开展高质量在线学习的重要条件[11].吴青等人研究发现，自主学习行为是在线学习成绩的直接影响因素[12].

5 结语

自适应学习是未来数字化学习不可阻挡的趋势，自适应学习平台在实际教育领域中应用已久，但目前相关实证研究发表较少.那么，自适应学习平台会使学习者的学习变得机械化吗？是否真正发展了学生高水平的认知能力？以及自适应学习带来的新的教学模式和学习模式，会对教师和学习者产生怎样的影响呢？关于自适应学习平台还有很多疑问待解.希望通过今后的研究，能一一揭开自适应学习的奥秘.