国外自适应学习技术研究主题与趋势分析

张梦洁 刘峰 程薇

摘要： 以WOS收录的2011-2021年780篇国外自适应学习技术文献为研究对象，利用CiteSpace绘制时空和内容知识图谱，揭示近10年来国外在此领域的研究主题及发展趋势。结果表明，研究主题主要分为以下四类，自适应性学习技术的研究与开发;自适应性学习技术支持的个性化学习研究;智能学习环境的构建研究;自适应性学习技术发展背景下教师适应性学习研究。其中前三个主题的研究已趋于成熟，而自适应学习技术背景下教师适应性学习研究还亟待发展，这将是未来此领域的一大研究趋势。

关键词： CiteSpace; 自适应学习技术; 研究主题; 趋势

中图分类号：G40-05;G40-057          文献标识码：A     文章编号：1006-8228（2021）10-35-06

Analysis of research themes and trend on adaptive learning technology abroad

Zhang Mengjie， Liu Feng， Cheng Wei

（School of Education and Technology， Nanjing University of Posts and Telecommunications， Nanjing， Jiangsu 210023， China）

Abstract： This paper takes 780 foreign adaptive learning technology documents collected by WOS from 2011 to 2021 as the research object， uses CiteSpace to locate the time-space and content knowledge graph， and reveals foreign research themes and development trends in this field in the past 10 years. The results show that the research topics are mainly divided into the following four categories， the research and development of adaptive learning technology， the personalized learning research supported by adaptive learning technology， the research on construction of intelligent learning environment， and the research on teacher's adaptive learning under the background of the development of adaptive learning technology. Among them， the research on the first three themes has matured， and the research on teacher's adaptive learning under the background of adaptive learning technology still needs to be developed， it will be a major research trend in this field in the future.

Key words： CiteSpace; adaptive learning technology; research theme; trend

0 引言

近年來，随着信息科技的飞速发展，智能化浪潮席卷而来，自适应学习技术成为人工智能赋能个性化教育的研究热点，并且对教育生态重塑产生了深远的影响。沃尔金顿（Walkington）认为，自适应学习技术（adaptive learning technology）是基于对学习者的经验、背景、知识存量、需求和兴趣等因素的多维衡量，将学习评估，学习分析，学习调整等技术整合为一体[1]，致力于挖掘学生的教育数据以提供个性化学习路径的教育技术手段。

美国新媒体联盟在2020发布的《地平线报告（教与学版）》中强调，自适应学习技术能满足不同高校，不同学生的个性化学习需求，突破传统线性教育壁垒，实现千人千面教学，自适应学习技术正成为教学信息化建设的重点[2]。因此，对自适应学习技术的研究与发展将进一步推进传统教育的信息化、智能化变革。

1 数据来源和研究方法

⑴ 数据源：本研究使用Web of Science（“WoS”）作为搜索数据库，因为WoS是最著名的期刊文章集合之一，其科学引文索引（SCI）包含8500多种横跨170多个学科较有影响力的期刊，相比于其他数据库，其收录的外文文献数量较多，覆盖面较全[3]。

⑵ 检索区间：2011年1月至2021年2月。

⑶ 检索关键词：以主题=“adaptive learning” or“adaptive learning technology” or “adaptive educational technology”or“learning adaptive” or “learning adaptive technology”;下拉搜索数据库选框，选择“Web of Science核心合集”;在文章类型一栏，选择“article”;在Web of Science类别一栏，勾选“educational education research”。

⑷ 文献筛选步骤和处理程序如下：第一步，输入关键词，获得初步数据样本780篇;第二步是筛选样本类型，一般认为，期刊文章可能比其他类型的研究材料更敏锐，并且可以更直接地反映研究热点和前沿[4]。因此，通过浏览初始数据样本的题录信息（由Excel导出，包含样本标题、出版年限、摘要和关键词等信息），得到符合期刊类型的论文568篇;第三步，根据纳入与排除标准，通过仔细阅读，依据文章具体研究主题、研究内容进一步筛选，最终确定有效文献502篇，作为本文的数据来源。

2 时空知识图谱及其分析

2.1 国外自适应学习技术研究领域的时间分布图谱

为了宏观展示自适应学习技术领域的研究成果，使用CiteSpace统计了2011-2021所发表的有关期刊文章数量，每年的论文数量和变化趋势如图1所示。

整体而言，自适应学习技术领域论文数量呈现逐年上升趋势。其中2013年成为高速发展的起点，围绕自适应学习技术的研究文献急增，研究成果丰富，主要归结于大数据时代的到来，使得基于教育数据挖掘与应用的自适应学习技术被推向了“快车道”。2018年-2020年，由于国家政策起到的导向作用，故自适应学习技术相关的文献数量呈爆发式增长，说明自适应学习技术已引起越来越多国外专家学者的重视。

2.2 国外自适应学习技术研究领域的空间分布图谱

如图2所示，在自适应学习技术领域发文数量排名前三的高校分别是国立台湾师范大学，美国普渡大学，美国亚利桑那州，说明这三个机构在自适应学习技术研究领域处于世界领先水平，具有较强的科研能力。值得注意的是，北京师范大学发文量与国外一些著名大学相当，表明自适应学习技术研究领域已受到国内学术界的广泛关注。

为更进一步分析不同机构之间的合作情况，利用CiteSpace可视化分析工具中的“发文机构合作统计”功能，生成该领域相关研究机构的合作状态图谱。如图3所示，机构合作的网络中一共有290个节点，139条连线，整体网络密度仅达到0.0033，节点和连线比较疏松，表明国外自适应学习技术研究团队分散，不同机构之间交流不密切，合作较少，未形成极具凝聚力的研究群体。

3 内容知识图谱及其分析

3.1 国外近十年自适应学习技术领域关键词共现图谱

图4所呈现的是国外自适应学习技术领域的关键词共现图谱。由图4可知，自适应学习技术、自适应教学策略、自适应模型、学生表现是四个较为突出的研究热点。

根据关键词共现圖谱，进而整理出关键词共现频率表，由表1可见，国外研究文献中出现频次较高的部分关键词（表格中展示的是共现频次大于等于10次的词）有“自适应学习技术”、“自适应模型”、“教育”、“自适应性学习”、“表现”、“交互式学习环境”等，这反应出自适应学习技术在推进、发展过程中所关注方向的聚焦和变化。

3.2 国外近十年自适应学习技术领域研究前沿聚类分析图谱

图5呈现的是国外自适应学习技术领域研究前沿聚类分析图谱，共生成16个聚类区域（图5只展示前10个聚类区域），对从聚类图中获得的16个聚类区域进行筛选和二次合并，提炼归纳出国外自适应学习技术领域重点关注的四个研究主题，即自适应学习技术的研究与开发、自适应学习技术支持下的个性化学习研究、自适应学习技术发展背景下的教师适应性学习、智能学习环境构建。每个主题维度对应的关键词如表2所示。

4 近十年来国外自适应学习技术的研究主题

这部分结合具体文献和上文统计得到的研究前沿聚类图、关键词聚类分布表，对四个研究主题进行阐发与总结。

4.1 自适应学习技术的开发研究

关于自适应学习技术的开发研究，主要集中在算法优化方面。经整理归纳发现，语义网本体技术是当前广泛应用的自适应学习技术开发手段。语义网（Semantic Web）最早由万维网之父蒂姆·伯纳斯·李（Tim Berners Lee）于1998年提出，它一般提供形式化的知识表达模型来表征和共享知识，对语义网而言，查询和本体是非常重要的构成元素。通过本体来对各种学习资源进行标记，能够让资源共享、资源集成、资源扩展变得更加容易[5]。Vesin等[6]以语义网本体技术为基础，设计了一种智能教学系统Protus 2.0，并结合学习者学习风格识别模型、内容推荐原则以及适应性原则推理等方法满足不同学生的个性化学习需求。类似地，Huang， Yang， Chiang[7]基于网本体技术，利用目标词汇与上下文语义的相似性，开发了个性化移动词汇学习系统，使学习者不再囿于枯燥重复的词汇背诵，而是根据他们的认知水平和记忆规律，为他们提供个性化词汇学习路径。

4.2 自适应学习技术支持下的个性化学习研究

近十年来，自适应学习技术支持下的个性化学习研究重点聚焦于如何利用自适应技术增强学习者的个性化学习体验，提高其学习效果。主要研究可分为自适应学习系统、学习分析技术的开发，在MOOC背景下增强式个性化学习实现、调适以及线上线下混合学习模式的创新性研究[8]。在自适应学习系统设计开发过程方面，主要涉及四个环节：测评-练习-学习-教授。它一方面持续动态地收集学生学习行为数据，对学生当前的知识掌握程度进行精准评估，为学生制定一条更适合他们的学习路径。另一方面，根据学生的学习进度来对线上教学视频进行精准推送，使学习过程得以迭代。Latham，Keeley Crockett，David McLean[9]等人开发了一种称为PAT2Math的智能教学系统，该系统主要用于为学生解决复杂代数问题提供指导方案。而Lobo和Aher， S. B[10]则以关联规则算法以及聚类算法为基础，对智能化课程推荐系统进行了设计迭代，通过该系统将高质量的课程推送给新生;在MOOCs背景下个性化学习调适方面，即使在线课程的大规模开展有效解决了高质量教育资源匮乏问题，但其庞杂的资源库无法为学生提供匹配且个性化的在线课程，从而影响学生的在线学习成效，这一缺陷有望通过自适应学习技术得以弥补。伴随着决策树以及神经网络算法等先进技术的飞速发展，基于MOOCs的学习资源的个性化配置的实现成为可能，如Ghauth和 Abdullah[11]根据学习者在线学习打分情况为学习者推送有关的学习研究材料以及在线教学视频。

4.3 智能学习环境构建

在教育个性化需求不断增强的时代背景下，智能学习环境的创新性变革是实现个性化学习的又一关键进路，也是自适应学习技术关注的重点领域[12]。现有的国外相关研究主要集中在以下几个方面：首先是自适应技术支持下交互式、協作式、泛在式、智能式学习环境的构建;其次是怎样对学习风格建模、情感感知、虚拟现实等技术进行应用，以便更好地构建适合学习者的智能学习环境;最后是如何为学习者提供更多的学习机会，从而提高其学习效果[13]。Hsu Hsu， T. Y.， C. K.， Tseng等[14]设计了一个基于情感感知技术的主动学习支持系统ALESS，对学生参与课堂任务的情感状态进行检测和评估，自动输出反馈结果并提供即时的精准化指导。Graf， S.， Liu， T. C[15]等人通过研究发现，针对某一种特定学习风格设计的适应性学习环境，将有助于学生学业成绩与满意度的提高。

4.4 自适应学习技术发展背景下教师适应性学习研究

此主题的国外相关文献的数量占比最少，表明这方面的研究还亟待发展，需要与其他探究重心相互结合。已有的国外研究主要关注教师专业发展、教师自适应学习、自适应技术如何改善教师教学、自适应教育背景下教师角色定位等几个方面[16]。其中，教师的专业发展受到国外学者的广泛关注，在自适应学习技术高度发展的背景下，如何不断提高教师的自适应性素养，使他们成为合格的适应性专家（adaptive expert），从而使技术与人达到真正融合是“技术赋能教育”的重要一环，也是必然要求。当前，尽管信息化大潮已逐步重构了教育教学形态，但学校对教师的专业技能培训、信息技术素养与自适应素养提升方面仍重视不够，导致技术与人处于分离状态。尽管以自适应学习技术支持的各种学习产品、服务系统层出不穷，然而却鲜有大规模运用于课程教学的实际案例，归根结底，是因为忽视了对教师素养的提升。

5 总结与讨论

本文通过分析国外近十年来自适应学习技术领域研究主题的发展脉络和演进规律，可以得到以下结论。

首先，从时间上看，2013年成为研究高速发展的起点，2018-2020年进入大规模发展阶段。从发文量来看，2018年此领域文章的发表数量呈现爆发式增长，这主要得益于大数据技术、学习分析等技术的高速发展。根据目前的研究数据，自适应学习技术赋能个性化教育具有良好的发展前景。

其次，通过研究发现自适应学习技术的实际应用和推广也遇到了一些困难。譬如实施个性化精准教学需要耗费大量的时间、投入成本较高、家长和教师的技术接受度较低;一些自适应学习产品通常存在数据维度不全面、学习模型单一化、学习资源不丰富、个性化调整不够智能等问题;自适应系统与学校现有教学体系不适配的问题，如技术与人难以融合问题，教师如何使用自适应技术更好的配合其课堂教学工作，在同一个班级中，教师如何管理和评估具有不同学习需求的学生。因此，我国在进行自适应学习技术研究和实践探索过程中，除了借鉴国外已有研究成果外，对国外研究的薄弱地带需加以重视，并结合我国教育发展的实际情况，绘制符合我国教育情景的自适应教育蓝图。

最后，自适应学习技术赋能个性化教育无疑是未来发展趋势，而自适应学习也已经成为教育技术研究领域的一个重要研究范式。但无论技术如何发展，它始终只是一种手段，无法解决所有的教育问题，最佳的自适应绝不仅仅只是技术，而是包含教师和技术两方面。所以在追求技术极大发展的同时，不能忽视教师自适应素养的提升。为广大教师提供适合且即时的专业发展机会，以及促进自适应学习技术与教师专业发展的整合与创新将是未来自适应学习技术领域中的一大研究趋势。

参考文献（References）：

[1] Walkington， C. A. Using adaptive learning technologies to personalize instruction to student interests： the impact of relevant con?texts on performance and learning outcomes. Journal of Educational Psychology，2013.105（4）：932-945

[2] 刘永贵，刘瑞，包雅君，刘奇岳.《2020地平线报告》启示因校制宜推动教学信息化[J].中国教育网络，2020.6：28-30

[3] 王娟，陈世超，王林丽，杨现民.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，2016.26（2）：5-13

[4] 张斌贤，陈瑶，祝贺，罗小莲. 近三十年我国教育知识来源的变迁——基于《教育研究》杂志论文引文的研究[J].教育研究，2009.30（4）：17-25

[5] JOVANOVIC J， TORNIAI C， et al. The social semantic web in intelligent learning environments： state of the art and future challenges[J].Interactive learning environments，2012.17（4）：273-309

[6] VESIN B， IVANOVIC M， BUDIMAC Z. Protus 2.0： ontology-based semantic recommendation in programming tutoring system[J]. Expert systems with applications an international journal，2012.39（15）：12229-12246

[7] Huang， C. S.， Yang， S. J.， Chiang， T. H.， &Su， A. Y. Effects of situated mobile learning approach on learning motivation and performance of EFL students[J].Educational Technology & Society，2016.19（1）：263-276

[8] HaoranXie， Hui-Chun Chu， Gwo-Jen Hwang.Trends and development in technology-enhanced adaptive/personalized learning： A systematic review of journal publications from 2007 to 2017[J].Computers& Education，2019.140（18）：1-16

[9] Annabel Latham， Keeley Crockett， David McLean， Bruce Edmonds. A conversational intelligent tutoring system to automatically predict learning styles[J]. Computers & Education，2012.59（1）：95-109

[10] Aher， S. B.， & Lobo， L. M. R. J. Combination of machine learning algorithms for recommendation of courses in e-learning system based on historical data. Knowledge-Based Systems， 2017.51（1）：1-14

[11] Ghauth， K. I.， Abdullah. N. A.. Learning materials recommendation using good learners' ratings and content-based filtering. Educational Technology Research & Development，2010.58（6）：711-727

[12] MiekeVandewaetere，Piet Desmet， Geraldine Clarebout. The contribution of learner characteristics in the development of computer-based adaptive learning environments[J].Computers in Human Behavior，2015.27（12）：118-130

[13] Nur BaitiAfiniNormadhi， LiyanaShuib， Hairul Nizam Md

Nasir， Andrew Bimba. Identification of personal traits in adaptive learning environment：Systematic literature review[J].Computers & Education，2019.130（3）：168-190

[14] Hsu， T. Y.， Chiou， C. K.， Tseng， J. C. R.， & Hwang， G. J.

Development and evaluation of an active learning support system for context-aware ubiquitous learning[J].IEEE Transactions on Learning Technologies，2016.9（1）：37-45

[15] Graf， S.， Liu， T. C.， &Kinshuk. Analysis of learners' navigational behavior and their learning styles in an online course[J].Journal of Computer Assisted Learning，2014.26（2）：116-131

[16] Hector Yago， Julia Clemente， Daniel Rodriguez.Competence-based recommender systems：a systematic literature review[J].Behavior& Information Technology，2018.37（11）：958-957