论国内外学习分析研究的热点与前沿

摘要：目的：教育数字化转型不断推进，促使教育者利用学习分析技术挖掘学习行为数据背后隐含的学习需求，以数据驱动教育教学改革和教育生态重构已成为新形势下提升教育教学成效的关键。基于此，文章直观梳理近十年国内外学习分析的研究脉络，以了解相关领域的研究现状和未来趋势，为学习分析的发展提供重要参考。方法：文章采用文献计量学方法，以2015—2024年中国知网（CNKI）中文数据库和Web of Science（WoS）英文数据库收录的学习分析领域的中英文核心文献为对象，探测国内外学习分析研究的热点与前沿。结果：研究发现，近十年国内学习分析领域关注MOOC、多模态、认知网络分析、自适应学习和个性化学习等研究主题，国外学习分析领域关注分类指标、严肃游戏、智能教学系统、教育公平和区块链等研究主题。国内学习分析领域的研究前沿包括学习投入、多模态数据、数据挖掘和学习行为，与学习行为或教育数据有着密切联系；国外学习分析领域的研究前沿与分析技术和学业表现的联系较为紧密，包括人工智能、系统性文献综述、成就、机器学习。结论：未来学习分析研究可重点关注理实结合，协同促进学习分析可持续发展和学科共建，协同促进学习分析跨范式融合等重要研究方向。

关键词：学习分析；文献计量；研究热点；研究前沿

中图分类号：G420 文献标识码：A 文章编号：1004-9436（2024）13-00-03

0 引言

学习分析借助数据收集工具和分析技术，探寻教育大数据中隐含的教育规律，为创新教学服务供给模式和实现大规模精准教学提供了重要支撑，目前已成为学习科学领域的研究焦点。随着我国教育数字化转型的不断推进，利用学习分析技术挖掘教育大数据背后隐含的学习需求，以数据驱动教育教学改革和教育生态重构已成为新形势下引领教育生产力发展的关键。因此，本研究对近十年国内外学习分析研究的核心文献进行系统综述，梳理分析近十年的研究脉络，识别其研究动态与趋势，剖析其理论与实践研究的局限性，以期为学习分析的理论深化与实践探索提供参考。

1 研究设计

1.1 数据来源

将中国知网（CNKI）中文数据库和Web of Science（WoS）英文数据库作为本研究的来源数据库。为保证文献的全面性和权威性，以“学习分析”或“学习行为分析”为关键词在CNKI中文数据库搜索文献，将检索时间范围设为2015年1月1日至2024年6月30日，来源类别限定为北大核心、CSSCI和CSCD，剔除会议、学术资讯和学校简介等不符合要求的文献后，得到370篇中文文献；在WoS英文数据库中，以WoS核心合集为数据库，以SSCI、SCIE和A&HCI为引文索引，以“Learning Analytics”OR“Learning Behavior Analysis”为检索关键词，检索时间范围不变，得到363篇英文文献。

1.2 研究方法

CiteSpace是文献计量学中最具代表性的知识图谱绘制工具，可用于发掘某一领域的研究热点和研究前沿。因此，本研究采用文献计量法，选择CiteSpace 6.3.R3分别对中文文献和英文文献的关键词进行聚类和突现分析，将“Node Types”和“Selected Criteria”分别设定为Keyword和g-index（k=25），以获知国内外学习分析领域的研究热点和前沿。

2 国内外学习分析研究的热点与前沿

2.1 关键词聚类网络分析

关键词代表文献研究的主题概念。本研究利用CiteSpace的聚类功能对中文文献和英文文献的关键词进行聚类分析，分别形成国内外学习分析研究知识图谱，且所有聚类的平均轮廓值均大于0.7。选取节点数量排名前五的聚类为代表，分析近十年国内外学习分析研究的主题。

2.1.1 国内研究热点

第一，MOOC聚类的研究涉及两个主题：一是利用大数据分析学习行为，如运用大数据技术分析MOOC视频特征与学生跳转行为之间的关系，评估学习行为作为学习投入测量指标的可行性，并探索如何提高学生学习的投入度［1］；二是学业成就预测模型的构建，如挖掘典型学习行为特征数据，判断学习者能否完成学习任务［2］。

第二，多模态聚类的研究主题可被归纳为多模态学习分析的应用价值和多模态学习行为的可解释性。多模态数据之间的互补性能实现对个体特征的精准预测，并将反馈信息以可视化的方式传输给教师，实现基于多模态数据反馈的个性化学习［3］。

第三，认知网络分析聚类的研究涉及两个主题：一是认知网络分析的应用和发展，社会认知网络分析因融合了社会网络和认知网络的优势，能对学习过程进行动态可视化呈现和分析，备受学界关注［4］；二是群体协作学习投入特征画像，如多模态交互分析方法能融合和表征群体多维投入特征，在行为参与、社会关系和观点建构等重要指标上刻画协作学习参与者的投入特征［5］。

第四，自适应学习聚类的研究涉及两个主题：一是人工智能时代的教学生态变迁，未来开放大学2.0应该有序开展智能学习平台开发、教学应用和教学研究，探索技术赋能的个性化教学设计和人机协作教学的新规律［6］；二是自适应学习研究取向的演变，如具有数据隐私保护功能的自适应学习牵引模型［7］。

第五，个性化学习聚类的研究主题可被归纳为开放学习者模型的构建和应用。人机交互、数据库和人工智能技术是构建开放学习者模型的关键技术，允许学习者参与模型的构建与控制，对实现学习过程的透明化和支持个性化学习至关重要［8］。

2.1.2 国外研究热点

第一，classification聚类的研究主题可被归纳为在线学习体验和学习成果。例如，通过分析学习行为数据，抽取参与指标，建立学生行为模型，再运用聚类分析揭示学习者在不同学习阶段的行为模式，为学习者提供定制化的教育干预措施［9］。

第二，games聚类的研究主题可被归纳为严肃游戏及其应用领域。目前，人工智能和数据科学在严肃游戏中的应用潜力广受关注，有望为计算社会科学带来革命性变化，开展更大规模、更精准的社会

研究［10］。

第三，intelligent tutoring systems聚类的研究主题可被归纳为智能教学系统的设计开发。例如，在Moodle中适配专家系统和模糊逻辑的智能辅导系统，自动生成个性化学习计划，强化学习效果［11］。

第四，education聚类的研究主题可被归纳为对教育公平的关注。尽管教育在塑造社会和推动未来进步中起着关键作用，但许多学生仍面临教育机会不平等的问题。建立健全数据质量基础设施和鼓励数据赋能教育公平的改革可以构建一个更平等的社会［12］。

第五，blockchain聚类的研究主题可被归纳为数据科学在教育领域的应用现状、研究趋势、局限及未来发展方向。虽然数据科学在提升教育质量、优化资源配置等方面具有巨大潜力，但也需要应对数据隐私、技术整合等挑战［13］。

2.2 研究前沿分析

突现词的词频变化能够反映研究领域的动向。因此，本研究利用CiteSpace的Burstness菜单分别对中英文文献的关键词进行突现处理，以探明国内外学习分析领域的研究前沿。从突现词可以看出，近十年国内学习分析研究的前沿与学习行为或教育数据有着密切联系，而国外学习分析研究的前沿则与分析技术或学业表现的联系较为紧密。

2.2.1 国内研究前沿

从学习投入的高被引文献来看，未来学习投入研究应重点围绕决策级数据建模与融合方法，设计学习分析工具，刻画学习投入的多维复杂特征，形成对学习投入的动态评估能力［14］。从多模态数据的高被引文献来看，未来的学习分析应充分利用多模态数据，结合脑科学、心理学等领域的研究成果，实现对学习者学习过程的全面、系统、精准分析。从数据挖掘的高被引文献来看，智慧课堂“四建模三分析”教育大数据研究方法论能从理论层面为智慧课堂的教学优化和学生的个性化学习提供有力支持［15］。从学习行为的高被引文献来看，滞后序列分析法作为一种有效的学习行为分析方法，能够帮助研究者和教学者准确把握学习者的行为模式，从行为视角阐释技术增强学习效果的原因，并有效指导后续教与学活动的设计与实施。

2.2.2 国外研究前沿

从artificial intelligence、systematic literature review和machine learning的高被引文献来看，已有不少学者对MOOC、分布式人工智能、数据挖掘、学业预测性分析工具等已取得丰硕成果的研究主题进行系统性回顾和总结，并指出不同领域未来的研究方向，如未来的教育人工智能研究应做到教育技术与伦理并重，加强跨学科合作，以确保其应用能在实践中发挥作用以及对学习产生积极影响。从achievement和success的高被引文献来看，其研究集中在发掘学业表现的影响因素和预测指标方面。未来研究应扩大样本量，提升课程的多样性，进一步验证其他变量与学业表现之间的因果关系。

3 结语

回顾国内外学习分析近十年的发展脉络，尽管其最早仅被视作学习科学的研究分支，但随着新一代信息技术的发展，学习分析与各学科的融合程度正不断深化。随着技术的不断成熟，其应用价值将更受认可，对教学体验和学业表现的积极影响将更加显著，并有望引领教育生态重构，促进教育高质量发展。

基于以上结论，未来学习分析研究可重点关注两个方面。一是理实结合，协同促进学习分析可持续发展。理论是深刻把握学习分析本质、科学引领学习分析实践的关键。因此，学习分析需要继续深耕理论研究工作，不断优化教学体验，提升教学成效，构建高效的数字化教育生态系统，超越工具理性，回归人本取向，推动教育改革朝着更加包容、高效、公平的方向发展。二是学科共建，协同促进学习分析跨范式融合。学习分析研究领域大多数问题的解决都需要计算机科学、教育学和统计学学科的通力协作。在新一轮科技革命和产业变革快速发展的背景下，开展跨学科研究因符合知识生产的内在逻辑，已成为全球高等教育领域的普遍共识。学习分析必须走出单一学科视角，重视跨学科的思维和视野，在比较、借鉴、融合和改进的基础上开展跨范式研究。

参考文献：

［1］ 陈侃，周雅倩，丁妍，等.在线视频学习投入的研究：MOOCs视频特征和学生跳转行为的大数据分析［J］.远程教育杂志，2016，34（4）：35-42.

［2］ 贺超凯，吴蒙. edX平台教育大数据的学习行为分析与预测［J］.中国远程教育，2016（6）：54-59.

［3］ 陆吉健，周美美，张霞，等.基于MR实验的“多模态+人机协同”教学及应用探索［J］.远程教育杂志，2021，39（6）：58-66.

［4］ 马宁，魏晓阳，孙亦凡.在线教师培训中的群体社会认知网络特征分析［J］.现代远距离教育，2022（6）：59-67.

［5］ 马志强，孔伶玉，岳芸竹.面向协作学习多重投入特征画像的多模态学习分析［J］.远程教育杂志，2022，40（1）：72-80.

［6］ 鲍日勤.人工智能时代的教与学变迁与开放大学2.0新探［J］.远程教育杂志，2018，36（3）：25-33.

［7］ 李凤英，龙紫阳.从自适应学习推荐到自适应学习牵引模型：“智能+”教育时代自适应学习研究取向［J］.远程教育杂志，2020，38（6）：10.

［8］ 危怡，胡梦华，胡艺龄，等.开放学习者模型：让学习者参与构建：访国际知名教育人工智能专家朱迪·凯教授［J］.开放教育研究，2018，24（3）：4-11.

［9］ 拉布罗维奇，佩特罗维奇，安德尔科维奇，等.在线英语课程中的行为参与模式：聚类分析［J］.高等教育计算杂志，2023（11）：1-26.

［10］ 佩雷斯，卡斯特罗，洛佩斯.严肃游戏与人工智能：计算社会科学面临的挑战与机遇［J］.美国电气和电子工程师协会开源杂志，2023（11）：62051-62061.

［11］ 布拉达奇，斯莫卡，科特尔巴，等.设计一个智能辅导系统：利用专家系统创建个性化学习计划［J］.巴塞尔应用科学，2022，12（12）：6236-6256.

［12］ 奎罗加，西凯拉，波特拉，等.数据驱动的策略以实现学校公平：来自巴西的见解与政策建议［J］.美国电气和电子工程师协会开源杂志，2024（12）：101646-101659.

［13］ 拜格，舒伊布，亚德加里德科迪.教育中的大数据：现状、局限性与未来研究方向［J］.国际高等教育技术，2020，17（1）：44-67.

［14］ 张琪，王红梅.学习投入的多模态数据表征：支撑理论、研究框架与关键技术［J］.电化教育研究，2019，40（12）：21-28.

［15］ 孙曙辉，刘邦奇，李鑫.面向智慧课堂的数据挖掘与学习分析框架及应用［J］.中国电化教育，2018（2）：59-66.