我国近十年在线学习活动研究现状综述

摘  要  以中国知网数据库2011年1月1日—2021年7月1日收录的513篇涉及在线学习活动的文献作为研究对象，选用CiteSpace软件作为知识图谱绘制工具，分析发文量、高影响力机构、核心作者、关键词，揭示该领域研究发展现状与趋势，为未来在线学习活动研究提出建议。

关键词  在线学习；知识图谱；CiteSpace；混合学习；教育信息化

中图分类号：G40-057    文献标识码：B

文章编号：1671-489X（2022）07-0005-05

0  引言

在线学习活动是基于网络所开展的教学活动的必要组成部分，是学习者以及与之相关的学习群体为了实现特定的学习结果，利用网络与外部学习环境进行的交互总和[1]。信息化教育教学改革与发展背景下，网络教育教学已步入追求高质量的发展阶段，在线学习活动作为学习者在线学习行为发生的重要环节，对学习者知识的迁移发挥着重要作用，是教育工作者关注的重点。目前对于在线学习活动的设计、模式、实施等研究不胜枚举，但缺少研究最新发展趋势的综述类文章。

本研究通过可视化分析软件CiteSpace绘制在线学习活动研究的知识图谱，并结合文献内容进行剖析，目的是明确在线学习活动的研究现状并探索其未来发展趋势，更好地为未来在线学习活动的实施服务。

1  数据来源与研究工具

1.1  数据来源

本文通过中国知网进行高级检索，于2021年7月1日采集数据，以“在线学习活动”为检索主题词，时间跨度设置为2011—2021年，来源类别为“SCI来源期刊”“EI来源期刊”“北大核心”“CSSCI”，剔除新闻、新书推荐、会议报道等与主题不符的文献，共得到有效文献513篇，作为本研究的数据来源。

1.2  研究工具

本文选用CiteSpace可视化软件作为研究工具，将中国知网所选文献共513篇以CiteSpace可操作格式导入软件，Time Slicing设置为2011—2021，Years Per Slice设置为1，Node Type选择Author、Institution、Keyword，阈值选择 TOP=50，运行软件进行数据可视化并美化图谱，便于分析。

2  知识图谱分析及结果分析

2.1  成果产出量分析

成果产出量分析反映该研究领域在时间维度上的研究进度以及科学知识量的变化[2]。如图1所示，2011年以来，在线教学设计研究总体呈现出波动上升的趋势，除去2021年，研究量在2014年、2016年出现两次下降，其余均比前一年研究量增多。

2011—2016年，在线学习活动研究处于宽领域、探索阶段，且对于国外的在线学习活动研究较多，研究者对于该领域的研究方向也比较分散，主题丰富。自2017年起，研究量呈快速上升趋势，这主要得益于国家对教育信息化的推动。2016年政府工作报告中，李克强总理提出将加快推进远程教育，扩大优质教育资源覆盖面作为一项教育工作重点。2017年、2018年，教育部先后发布《2017年教育信息化工作要点》《教育信息化2.0行动计划》等文件。教育信息化的发展同时促进了研究者对于在线教育、在线教育活动的关注和研究。根据研究结果，对在线教育活动的研究在2020年出现顶峰，原因是出于新冠疫情防控需要，在线教育成为各级学校、教学单位、教育企业重点关注的教学形式，对于在线教育活动的反思和研究在这一年达到高潮。

2.2  高影响力机构分析

如图2所示，知识图谱共包括31家研究机构，网络密度为0.010 8，共五条连线，节点分布分散，说明研究机构之间的联系不紧密，相互间合作程度不高，没有形成紧密的合作网络，互相缺少交流。节点圆圈最大的两所机构西北师范大学教育技术学院与陕西师范大学教育学院之间存在连线，说明两家机构的合作对该领域的研究贡献突出。

将普赖斯公式作为高影响力机构的选择标准。普赖斯公式：。M表示高频阈值，Nmax指最高产机构的文献数量。研究样本文献中，发文最多的机构是西北师范大学教育技术学院（14篇），可得M≈3。因此，高影响力研究机构发文量应在三篇以上，本研究高影响力机构发文量如表1所示。

2.3  核心作者分析

通过作者共现分析，探究各作者之间的合作情况及文章的引用关系[3]。如图3所示，作者共现图谱中，节点共49个，连线共27条，密度为0.023，总体作者合作关系少，联系不紧密。作者合作团队人数最多为四人，研究团队普遍较小，或者个人进行研究。

在线学习活动研究最高产作者的文献量是四篇，依据普赖斯公式，M≈2，因此，文献量两篇以上即为核心作者。根据结果，2011—2021年在线学习活动核心作者共12位，发文总量41篇，约占该领域发文量的8%，对该领域研究贡献突出。

在核心作者中，李海峰等[4]主要研究在线协作知识构建活动，并提出促进在线学生协作知识构建水平提高的组织框架和策略；王孝金等[5]研究了网络学习中深度学习的影响因素和发生策略，其中每种策略都可以通过在线学习活动推进；俞树煜等[6]建立问题解决模型，促进学习者在在线学习中批判思维的发展，通过实验研究对模型进行论证，除此之外，还对学习者交互文本进行了深层次分析；肖君等[7]通过大数据分析技术构建开放学习分析模型，形成学习者画像促进个性化教学，其中在线学习活动中所呈现的学习行为、学习路径是重要数据来源；马志强等[10]致力于问题解决学习活动的研究，包括问题解决在线学习活动中的任务设计、协作学习中的角色设计、知识建构过程、批判性思维发展等。

2.4  关键词分析

文章中的关键词是对文章中信息的高度概括。对关键词的分析可以解释该领域的研究重点和发展趋势。

2.4.1  关键词共现图谱及频次分析  如图4所示，本研究关键词共现图谱中共98个节点，173条连线，密度为0.036 4。节点圆圈越大，关键词出现频率越高。圆圈之间的线表示两者之间的相关性，相关性越强，线越粗。从研究结果来看，在线学习活动领域的研究热点是松散的、低密度的网络结构，这表明该领域的研究覆盖面广，专注度偏低。

关键词频次对该领域的研究热点有一定呈现力。中心度（Centrality）反映节点在研究网络中的重要性。中心度大于0.1，可以认为该节点为研究热点。如表2所示，在线学习活动研究关键词共现中共有六个中心度大于0.1的关键节点，即在线学习（0.68）、在线学习活动（0.15）、学习分析（0.23）、混合学习（0.13）、学习活动（0.16）、影响因素（0.16）。其中，在线学习、在线学习活动、学习活动与研究主题具有领域涵盖关系，频次高；学习分析、混合学习、影响因素呈现出的高频次体现其在在线学习活动研究中的热点地位。

2.4.2  突现词分析  如图5所示，研究样本文献中共有四个突现词，它们在某一时间段内出现频次突然增高。结合文献内容进行分析可得：2011—

2012年与2013—2016年，基于Moodle、Moodle平台的在线学习活动研究为该领域的热点，相关研究覆盖引领式在线学习活动、在线协作学习、在线学习动机等。混合式学习在2011—2013年突现，这一

阶段研究者对于混合式环境下的在线学习活动的教学设计、策略研究、模式研究较为充分。MOOC在2014—2016年突现，这是由于2013年起，MOOC大规模走进亚洲，我国MOOC教育教学走向成功并与其他国家MOOC教学接轨，国家政策与信息化教学环境同样促使MOOC学习活动的研究走向热潮。

2.4.3  时序图谱分析  将图谱呈现方式设为Timezone，展现研究文献关键词在时间中的变化，结果如图6所示。该图谱展现了在线学习活动研究的发展脉络：2011—2014年，在线学习活动研究热点较为分散，主要包括在线学习活动的内涵、理念、教学模式、影响因素等本体论和理论研究，除此之外，还涉及课程设计、混合式学习、Moodle平台的应用等角度的研究；2015—2018年，人工智能、大数据与教育深度结合，在线学习活动中学习者的行为成为研究的数据来源，学习分析、学习投入、学习行为、深度学习出现在在线学习活动的研究领域；2019年以后，研究热点的广度从在线课程扩展到在线教育，向着更全面、更宏观的角度发展。

3  结论与反思

3.1  结论

通过对近十年的513篇在线学习活动相关文献进行可视化分析，了解该领域发文量的时间变化、高影响力机构、核心作者，通过关键词共现图谱及频次分析、突现词和时区图谱，探究在线学习活动近十年的研究趋势，结合文献阅读与剖析，得出以下结论。

3.1.1  在线学习活动的研究随着教育信息化的快速发展和国家深入推进教育教学改革而整体处于上升发展的趋势  新冠疫情对在线教学的挑战使研究者对于在线学习活动的思考走向高潮，这说明未来在线学习活动的研究仍将处于热门研究状态，并朝着学校教育教学、疫情常态化防控下如何促进师生教与学的方向发展。

3.1.2  在线学习活动的研究机构合作程度不高，联系少，高影响力机构集中在几所知名度较高的师范大学的教育或教育技术学院  各个高校可以发挥自己的优势和长处，相互学习交流，加强合作、分享资源，合力促进在线学习活动研究在技术、理论、应用等各方面综合发展。

3.1.3  在线学习活动研究的作者联系少，合作程度低，有合作关系的作者基本来自同一单位  从

核心作者的研究可以看出，研究者对于在线学习活动的研究集中在与深度学习、协作学习、批判性思维等主题的融合，并提出解决策略或模型。这说明如何在在线学习环境中利用不同教学方法开展活动，培养学习者的各项能力，促进学习者学习，满足教与学的需求，达到教学目标，是需要研究者广泛而全面进行研究的核心。

3.1.4  学习分析是在线学习活动领域的研究热点之一  通过学习分析，教育工作者可以对学生的学习成绩进行预测，所得数据体现学习过程中的问题，进而帮助教学者及时进行教学干预，防止“高风险”学生中途退学。除此之外，目前学习分析也用于提供个性化的学习反馈，培养学生批判性思维等，激发学生自主学习意识等[8]。基于数据挖掘算法和学习分析技术，赵慧琼等[9]建立在线学习干预模型，提出具体的干预措施，实施个性化指导，促进学习质量的提升。马志强等[10]对已有的学习行为分析研究成果进行分类，构建行为模式的三维模式分析框架，包括行为序列描述、关键事件诊断和行为结果预测。荆永君等[11]运用学习分析技术，实证研究某市教师在线学习中的学习行为，总结出教师行动方式简单、社会互动不理想等问题，给出提供脚手架和干预机制等建议。

3.1.5  教育信息化促进线上学习与面对面教学相结合的混合式学习模式发展  本研究结果论证了在线学习活动与混合学习之间强烈的关联性。周媛等[12]分析了学生在混合学习活动中投入学习的情况，论证了形成差异的原因，得出必要的作业设定和测试、教师指导、循序渐进地反馈、对学生的认知负荷进行控制等措施，可以促进学生学习水平的提高。穆肃等[13]对不同复杂度混合学习的设计与实施方法进行探究，包括简单组合、结合、整合、融合。李利等[14]讨论了大学生混合学习中教学情境的感知对深度学习的影响，并提出强化在线学习设计以促进学生认知投入等建议。

3.1.6  针对各维度的在线学习活动影响因素的研究从源头出发剖析  包括在线学习者的投入、体验、行为意愿的影响因素，也包括落实到高职院校、高师院校环境中学习现状、动机的研究，以及基于技术角度的分析，如基于Moodle平台的学习动机以及混合学习中虚实互动的影响因素研究。在线学习活动过程中涵盖学习者、教学者、平台、环境、教学设计、教学评价等组成部分，可研究的方向广泛，对于更多角度的影响因素分析为研究者提供了新思路。

3.2  反思

在线学习活动的研究已有时间和经验的积淀并趋于成熟，但是面对新形势仍有进一步发展的空间。

3.2.1  疫情防控常态化背景下，在线学习活动在K12领域的研究仍有很大的研究空间  在后疫情时代，线上线下相结合的教学方式将在K12领域呈现普遍性。研究者需要总结疫情防控期间的经验和教训，思考如何设计、开展在线学习活动来降低K12教育中师生分离带来的影响，保证正常教育教学，以及如何在新教育教学环境下整合学习资源，利用学习工具，提供支持与服务，促进学生自主学习，提升在线学习活动参与感和积极性等问题，为今后各种突发性远程教育教学需求提供支持。

3.2.2  提高MOOC建设质量，选好用好平台  各

高校已将MOOC作为教育教学的重要组成部分，而目前MOOC发展陷入规模大但课程质量参差不齐的困境，不足以满足学生个性化的学习需求，且师生、生生有效交互少，教学临场感处于浅层次水平。如何通过在线学习活动有效促进知识迁移与运用，促进深度学习，以及高校在MOOC建设中如何对在线学习活动开展进行有效把控，具体的实施建议和策略等需要研究者深度探索。

在线学习活动的开展依托各平台的技术支持、技术整合和互补，平台的筛选需要各机构、组织共同探索。在大数据、人工智能迅速发展的背景下，学习分析嵌入平台，帮助教学者监控教学，促进学习者个性化学习，是未来教育发展的必经之路，将在移动学习、开放教育等各个领域迎来更多挑战。

3.2.3  在线学习活动研究是广而深的话题，应多方协作促进整体发展  数据开放、数据共享、资源整合可为各研究者、机构的合作带来契机，促进在线学习活动研究进一步发展。

参考文献

[1] 王楠.在线学习活动设计模型研究[J].中国远程教育，2014（4）：31-34.

[2] 肖明，孔成果.2013年我国图书馆学情报学发展前沿文献计量分析[J].图书馆学研究，2014（20）：6-15.

[3] 蔡建东，马婧，袁媛.国外CSCL理论的演进与前沿热点问题：基于 Citespace的可视化分析[J].现代  教育技术，2012，22（5）：10-16.

[4] 李海峰，王炜.自组织视域下的在线深度协作知识建构研究[J].中国远程教育，2019（1）：47-57.

[5] 王孝金，穆肃.在线学习中深层次学习影响因素研究[J].电化教育研究，2020，41（10）：45-51.

[6] 俞树煜，王国华，聂胜欣，等.在线学习活动中促进批判性思维发展的问题解决学习活动模型研究[J].电化教育研究，2015，36（7）：35-41，72.

[7] 肖君，乔惠，李雪娇.大数据环境下在线学习者画像的构建[J].开放教育研究，2019，25（4）：111-120.

[8] 维伯格，哈利勒，巴斯，等.在线学习环境下的自我调节学习和学习分析实证研究述评[J].肖俊洪，译.中国远程教育，2020（12）：28-41，58，93.

[9] 赵慧琼，姜强，赵蔚，等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J].电化教育研究，2017，38（1）：62-69.

[10] 马志强，汪一池，岳芸竹，等.学习分析视阈下在线学习行为模式研究[J].现代远距离教育，2019（6）：35-44.

[11] 荆永君，李昕.学习分析技术支持下的教师在线学习行为特征分析[J].中国电化教育，2020（2）：75-82.

[12] 周媛，韩彦凤.混合学习活动中学习者学习投入的研究[J].电化教育研究，2018，39（11）：99-105.

[13] 穆肃，温慧群.适应学生的学习：不同复杂度的混合学习设计与实施[J].开放教育研究，2018，24（6）：60-69.

[14] 李利，顾卫星，叶建敏，等.混合学习中大学生教学情境感知对深度学习的影响研究[J].中国电化教育，2019（9）：121-127.

作者：田昕，首都师范大学教育学院在读硕士，研究方向为信息技术教育（100048）。