国内学习分析研究现状与发展趋势

2021-08-09张玉辛戴心来贾楠

中国教育技术装备 2021年9期

张玉辛戴心来贾楠

摘要运用文献计量分析法和知识图谱可视化方法，对CNKI数据库中收录的2012—2020年的学习分析文献进行梳理，利用Ucinet、CiteSpace、SPSS等工具，通过关键词频次分布、共现知识图谱、聚类和时序分析等直观地展示国内学习分析的研究现状，并据此提出构建学习者精准画像、与人工智能等技术相结合等未来发展趋势，以期为相关方向的深入研究和实践提供参考。

关键词学习分析;人工智能;个性化学习;文献计量分析法;知识图谱可视化方法

中图分类号：G40-057 文献标识码：B

文章编号：1671-489X（2021）09-0035-05

0 引言

学习分析技术是针对与学习者学习行为有关的数据，利用多种分析方法或工具加以解释和分析，探索学习者的学习过程以及学习者的学习表现，及时地提供反馈，从而优化学习的技术。该技术自2011年首届学习分析与知识大会引入我国，即受到教育领域研究者的极力追捧，尤其是随着信息技术的普及，各种形式学习平台的出现，大数据、教育数据挖掘技术为教育的创新发展提供了巨大的助力，挖掘数据隐含的教育需求，探索互联网环境下的教育规律，使得学习分析技术愈来愈引人注目。在此背景下，学习分析近几年来在我国的发展持续升温，成为引领教育教学变革创新的关键技术。目前，我国学习分析技术尚处于发展阶段，在实际应用方面仍需探索，需要更多高质量的研究促进学习分析技术的应用发展。因此，有必要对学习分析相关文献进行梳理分析，分析学习分析技术研究现状，预测今后的发展趋势等。本研究对核心期刊中学习分析的相关文献进行系统综述，以期为学习分析的深入研究提供参考和借鉴。

1 数据来源与工具

1.1 数据来源

为了更好地了解我国学习分析的发展状况，选取国内最大的连续更新的动态数据库CNKI为核心数据源，在CNKI期刊中进行高级检索，检索项为主题和关键词，检索词为“学习分析”或“学习分析技术”，时间跨度为2012—2020年，检索时间为2020年8月5日。经初步检索获得有效文献523篇，为了保证研究的准确度，剔除主题不符及内容重复文献，获得436篇有效文献。

1.2 分析工具

本研究采用文献计量分析法和知识图谱可视化方法，研究过程中所采用的工具有SATI、Ucinet、SPSS、Cite-Space。其中，SATI用于提取高频字段，输出频次列表，统计文献发布量，生成关键词相异矩阵;采用Ucinet描述关键词之间的网络关系;使用SPSS生成关键词聚类图谱;利用CiteSpace生成关键词时序图谱等，以确定学习分析领域的核心研究机构、研究热点以及未来发展趋势。

2 研究结果分析

2.1 文献计量分析

在文献计量分析法中，文献的历史性能够分析学科发展的趋势，而发文量则能表示一定期间研究领域的冷热度[1]。

图1所示为国内学习分析文献统计结果。

2.1.1 载文量分析由图1可以看出，2012—2020年国内学习分析文献增长趋势明显。我国学者自2011年第一届学习分析和知识大会召开后展开研究，CNKI数据库中收录最早的关于学习分析的文献是顾小清等人的《学习分析：正在浮现中的数据技术》，文章阐述了学习分析技术在教育领域的发展状况，指出其广阔的发展前景以及存在的诸多问题与挑战[2]，为我国学者在这一领域的研究提供了良好铺垫。2013—2016年学习分析技术处于快速发展阶段，文献增长量呈现明显上升趋势，体现国内学习分析技术的研究热度较高。2016年后，学习分析技术的文献研究处于相对平稳阶段，每年保持80篇以上的研究熱度。

2.1.2 学者及机构分析对学者以及机构之间的合作网络进行分析，有助于了解学者以及机构之间的合作关系，以确定具有高影响力的学者与机构，揭示学习分析领域的学术资源分布情况，从而有针对性地促进机构之间的合作。

图2为利用CiteSpace生成的学习分析学者的共现知识图谱，将top值设置为50，分析被引次数排名前50的学者的合作关系网络，共分析出73个节点，63条连线，网络整体密度为0.024。这表明目前国内学者合作相对分散，凝聚力较低，但已形成初步的合作关系网络，其中姜强与赵蔚、牟智佳与武法提、顾小清和胡艺龄等已形成稳定合作关系。

图3是学习分析机构合作的网络图谱，节点表示机构名称，节点大小表示各机构的发文数量，标签字号的大小表示各机构的中心性[3]。机构合作网络中共有43个节点，18条连线，整体网络密度为0.019 9。这表明国内机构已经形成较稳定的合作关系网络，其中北京师范大学教育技术学院、华东师范大学教育技术学系、东北师范大学计算机科学与信息技术学院均与其他机构建立合作关系。

2.2 知识图谱可视化分析

2.2.1 关键词频次分布表从知识理论的角度来看，中心性和频次高的关键词表示在某一时间段内研究者共同关注的问题，即研究热点[4]。如表1所示的关键词频次分布情况，可知在文献中出现频次最高的关键词是学习分析，排名较高的关键词依次为大数据、数据挖掘、教育大数据、个性化学习等，这些关键词反映了学习分析研究的核心内容。应用于学习分析研究领域的大数据特指教育大数据，数据挖掘技术又特指教育数据挖掘[5]，二者都为支撑学习分析的关键技术。个性化学习为学习分析的研究目标，实现个性化学习是教育信息化的重要理念。在线学习与MOOC为学习分析提供大量的研究数据，是学习分析进行实证研究的良好平台。社会网络分析是学习分析方法中的一种重要分析方法，研究网络群体学习活动中学习者之间的交互情况等。利用人工智能等技术实施学习分析，实现学习者的自适应学习，支持教育决策，实施高效教学管理，培养创新型个性化人才。

2.2.2 关键词共现知识图谱关键词是一篇文献的核心概括，通过对关键词的共现分析可以了解某一领域各主体之间的联系，了解领域的核心热点。利用Ucinet的内部集成工具NetDraw绘制基于中心度的关键词可视化图谱，如图4所示。图中方形节点表示关键词，节点的大小代表了关键词的中心性高低，中心性越高，说明该关键词与其他关键词共现的频率越高;节点之间的连线代表关键词之间存在共现关系，线条越粗，表明两个关键词之间的共现频次越高[6]。由图4可以看出，整个网络是以学习分析为中心点向外发散，数据挖掘、在线学习、教育大数据、混合式学习、个性化学习为次中心节点。学习分析与教育数据挖掘、数字化学习、个性化学习之间的连线较深，说明学习分析与其联系较多，常用于数字化学习中进行教育数据挖掘，为学习者的个性化学习提供支持服务。图中处于边缘节点的关键词共现程度较低，如干预机制、评价模型、学习投入等，在学习分析领域的研究中还比较薄弱，未来可加强研究。

2.2.3 关键词聚类分析聚类分析是通过分析各关键词之间的相对距离将联系较近的关键词进行集合，近而对各集合的研究内容进行综合分析。将关键词相异矩阵导入SPSS中，生成关键词聚类谱系图，如图5所示。图中横坐标代表各类别的相对距离，数字越大，说明聚集为一类的可能性越低;纵坐标表示各关键词之间的距离。根据文献内容分析及关键词聚类分析结果，将学习分析的研究主题划分为基础理论研究、优化教与学活动、实践与应用研究三类。

1）基础理论研究。学习分析基本理论的研究主要集中于学习分析的相关概念界定、模型构建等。第一届学习分析与知识大会将学习分析定义为测量、收集和分析有关学习者及其学习情境的数据，以便了解优化学习和学习发生的情境[7]。我国学者胡艺龄等[8]认为：学习分析技术是挖掘教育大数据中具有潜在应用价值的信息或模式，同时是进行决策辅助的工具。大多数学者对学习分析概念的定义不同，但其本质相同，即以海量数据为基础，以学习者及学习环境为研究对象，以优化教与学的过程为目标进行学习分析。在学习分析的模型构建上，胡艺玲等[9]从三个层面建立在线学习的行为分析模型，分别为数据、机制和结果。祝智庭等[10]为确保教学成效，设计了包括目标的确立、学习分析的开发和实施干预措施三个环节的学习分析过程模型。

2）优化教与学的活动。学习分析的主要目标是优化教与学的活动，该类研究主要包括对学习者学习行为投入因素的探究、监督和干预网络学习环境中的学习者行为、研究学习者在线学习评价模式等。李爽等[11]构建了在线学习行为分析框架，为LMS数据分析提供依据，提高学习者的学习投入程度。毛刚等[12]对网络学习环境下的问题学习行为进行分析，通过实证研究建立完整的分析流程，实现对学习过程的监督，并为存在风险的学习者提供有效的干预指导。郑勤华等[13]根据实证研究，从学生、课程、教师三个角度建立综合评价参考模型，为个性化的学习干预提供支持。

3）实践与应用研究。学习分析在飞速发展的信息技术的支撑下为个性化学习和自适应学习的实现提供了巨大的技术支持。近几年来，相关学者对构建学习者模型、设计个性化与自适应学习系统、提供个性化资源推荐服务等方面展开研究。姜强等[14]构建个性化自适应在线学习分析模型，为学习者的学习效果提供及时有效的反馈以及针对性的干预指导。李宝等[15]采用动态数据为主、静态数据为辅的方式获取学习者数据，从而建立学习者特征模型，构建个性化学习资源推送框架，并对推送服务的实现途径进行分析。

2.2.4 关键词时序分析时序分析可以了解某一领域的发展历程及未来发展趋势，展示某一时间段内的研究成果及其相互影响，某一时间段内的节点越多，說明这一时间段内的研究成果越多[16]。图6所示为学习分析关键词时序分析图谱。从图中可以看出：2012年，学习分析处于初步发展阶段，研究热点集中于大数据、数据挖掘、学习行为和个性化学习等学习分析的基础研究内容;2013—2016年，学习分析进入快速发展阶段，研究内容从初期的框架模型转向教育领域的实证研究（其中，2013年，国内学者主要关注于应用学习分析的关键技术，利用社会网络分析对学习者进行分析成为研究热点;而2014—2016年，随着MOOC的兴起，学习分析技术被广泛应用于MOOC、在线学习等实际应用中，这一阶段的学习分析主要集中于在线教育研究领域）;近几年来，随着互联网技术的蓬勃发展，学者更多地关注数据背后的深层含义，由浅层分析发展为深度分析，主要集中研究利用人工智能技术实现自适应学习，使学习者更加投入于学习过程中。

3 结论与展望

3.1 研究结论

本研究对2012—2020年国内学习分析文献进行计量分析和知识图谱可视化分析，系统地梳理了国内学习分析的研究现状与未来发展趋势。文献计量分析结果表明：国内学习分析研究成果丰富，整体呈上升趋势;学者以及机构已建立相对稳定的合作交流网络，仍需加强不同机构间的合作关系，发挥专家的引导作用，构建更广泛的合作交流平台，扩建关系网络。知识图谱分析结果显示：学习分析的研究热点从早期的概念模型研究发展到后期关注于教育领域的实证研究，研究主题多元化，且在在线学习、学习投入、自适应学习等领域取得一定的研究成果。

然而学习分析在发展过程中仍存在一些局限。首先，研究中主要关注于学习者的学习行为数据，缺乏对学习者个人基本数据、课程数据以及教师数据之间联系的分析，难以评价课程、教师教学对学习者学习行为的影响。其次，研究中更多地关注于学习者行为的表面化数据，缺少关注学习者数据隐含的情绪和认知结构特征，对学习者学习投入的数据研究不足。

3.2 研究展望

通过以上文献分析，本研究认为未来我国学习分析技术的发展将呈现以下趋势。

3.2.1 構建学习者画像，提供精准支持服务未来几年，学习分析的对象将逐渐多元化，复杂的教育大数据应在关注学习者数据浅显含义的基础上，深入挖掘影响学习者学习成绩的关键因素。利用教育大数据构建学习者画像，充分考虑学习者的基本信息、认知结构、学习水平和学习动机之间的联系，利用多元聚类分析、预测分析等技术确定影响学习者成绩的关键因素，或预测其认知水平，从而为学习者推荐最佳学习路径，实现智能化的学习方式，使学习者更好地投入于学习中。所以有必要通过对教育大数据的分析，构建并实时更新学习者画像，实现对学习者的动态预测与监督，提供精准的个性化学习支持服务。

3.2.2 与人工智能技术相结合，构建智能教育体系学习分析的不断发展必定促进教育模式、教育手段的革新，因此，要加强学习分析与发展迅速的人工智能等技术的结合，将机器学习、识别技术、神经网络和可穿戴设备等技术应用于学习过程中，获取多模态学习者数据，对学习者的认知思维、情感等进行细化分析，提高学习分析的准确度。同时，多模态的学习数据可以使教师的评价方式多样化，进行多维度综合性评价，促进学生全方位发展。人工智能、虚拟现实等技术将促进学习分析发展更具包容性，促进智能化教育体系的改革，助力未来教育发展。■

参考文献

[1]许智.图书情报学知识服务的知识图谱分析[J].现代情报，2013（2）：166-170.

[2]顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012（1）：18-25.

[3]张子石，吴涛，金义富.基于CiteSpace的网络学习知识图谱分析[J].中国电化教育，2015（8）：77-84.

[4]王娟，陈世超，王林丽，等.基于CiteSpace的教育大数据研究热点与趋势分析[J].现代教育技术，2016（2）：5-13.

[5]马卉，王晓春，张功云.基于知识图谱的国内学习分析研究热点及趋势分析[J].中国教育技术装备，2016（18）：1-3，6.

[6]夏立新，王凯利，程秀峰.我国知识图谱研究演进特征可视化分析[J].情报科学，2019（3）：9-16，74.

[7]李艳燕，马韶茜，黄荣怀.学习分析技术：服务学习过程设计和优化[J].开放教育研究，2012（5）：18-24.

[8]胡艺龄，顾小清，罗九同，等.教育效益的追问：从学习分析技术的视角[J].现代远程教育研究，2014（6）：41-48.

[9]胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘[J].开放教育研究，2014（2）：102-110.

[10]祝智庭，沈德梅.学习分析学：智慧教育的科学力量[J].电化教育研究，2013（5）：5-12，19.

[11]李爽，王增贤，喻忱，等.在线学习行为投入分析框架与测量指标研究：基于LMS数据的学习分析[J].开放教育研究，2016（2）：77-88.