我国社科领域深度学习研究热点分析

2021-11-19李志河张春雨李思哲杨玉霞

中国教育技术装备 2021年2期

关键词：核心素養学习分析深度教学

李志河张春雨李思哲杨玉霞

摘要信息技术的快速发展以及人工智能教育的火热引发新一轮深度学习的研究热潮。通过BICOMB 2.0高频关键词分析功能得出，在社会科学领域深度学习的关注热点集中在内涵、特征及文献综述等方面，对深度学习的评价及应用研究等实践研究较少。

关键词深度学习;学习方式;高阶思维;高阶能力;BICOMB

中图分类号：G642 文献标识码：B

文章编号：1671-489X（2021）02-0006-06

Research Hotspots of Deep Learning in Social Sciences in China//

LI Zhihe， ZHANG Chunyu， LI Sizhe， YANG Yuxia

Abstract The rapid development of information technology and the

popularity of artificial intelligence education have triggered a new round of research upsurge in deep learning. Based on the high-fre-

quency keyword analysis function of BICOMB 2.0， this paper con-cludes that the focus of deep learning in social sciences focuses on connotation， characteristics and literature review， while there are few

practical researches on the evaluation and application of deep lear-ning.

Key words deep learning; learning style; higher-order thinking; high-

order capability; BICOMB

0 前言

技术的革新与教育领域的发展相互交融，教育领域的不断发展与技术的融入密不可分。技术把人们的学习方式变得智能化和智慧化，整个社会向着以技术为支持的学习型社会迈进。《新媒体联盟地平线报告：2016高等教育版》表示，未来五年高等教育的发展方向将转向深度学习[1]。《新媒体联盟地平线报告：2017高等教育版》再一次强调深度学习方法的应用是高等教育未来发展的趋势[2]。《新媒体联盟地平线报告：2018高等教育版》指出技术的發展使教育的发展越来越智能化，快速发展变化的信息技术对人类认识事物和学习知识提出全新挑战[3]。人们关注的不再是技术出现的数量，而是为何会出现这样的技术以及它能带来什么帮助。

当下培养大学生的高阶思维能力要求学习者能利用各类技术整合信息和资源，加以应用并解决实际问题。地平线报告中对深度学习的着重阐述，将教育领域中的深度学习理念提上新的日程。从个体认知发展角度来说，主动积极接受知识的学习过程更有意义，需要从不同维度出发做出努力。深度学习是一种从多层面多角度进行的学习过程，这种多维包括智力、行为及情感[4]。因此，深度学习在成为一种新型学习理念的同时，也在为培养多维的能力而做准备。随着研究的不断深入，如何在智能和智慧环境下进行深度学习以及如何培养相应的能力，将是未来教育发展的重要课题。

1 深度学习的内涵

深度学习是当代学习科学提出的重要概念。现阶段已有的研究表明，众多学者对于深度学习的理解均有共通之处。有关深度学习的研究源于计算机专业领域的人工智能及神经网络。随着研究范围的不断扩大与研究内容的日渐深入，深度学习在教育领域的研究逐渐增多并逐渐被重视。在教育领域，最早有关深度学习的研究由两位美国学者开展：马顿和塞利约最早对深层学习方式和表层学习方式进行实验研究，发现两种截然不同的学习发展过程，得出学习可分为深层次的学习和浅层次的学习两种，认为学习方式可以分为深度学习（Deep Learning）和浅层学习（Sur-

face Learning）[5]。

虽然教育领域有关深度学习的研究最早起步于国外，发展速度也一直领先国内，但我国学者也从多种角度对其概念内涵进行了研究阐述。北京师范大学何克抗[6]指出，深度学习是通过全新的理念、方式及其必要的工具、资源、手段来达到高级深层认知能力特别是创造能力的培养目标，使广大青少年通过深度学习不仅能记忆、理解必要的各学科基础知识，还能具有应用、分析、评价这些基础知识并创造新知识和新产品的能力。我国学者詹青龙、顾小清[7]认为学习有表层学习和深度学习之分，并对二者进行了比较。他们认为深度学习要求学习者积极主动地参与学习全过程，对学习的内容批判性地进行交互，重新获得新的理解，掌握知识内容和结构的关系，从而构建新的个人知识框架。王丽和谈云兵[8]也认为学习是有浅层和深度之分的。温雪[9]

认为，深度学习与虚假学习、机械学习是相对的，深度学习强调了学习的本质最终是回归到学习本身。李松林、等人[10]认为，深度学习是能渗透到学习者思维深处的学习，是深入知识内核的学习，是基于问题解决的学习。

综上所述，深度学习是为了学习者更好地理解学习的本质，分化与整合知识的结构并自主对其进行加工的学习过程。深度学习不仅是一种学习方式，更是一种培养学生高阶认知思维与问题解决能力的重要手段。

2 文献分析

深度学习的已有研究来自多个学科领域，本文仅基于社会科学领域进行统计分析。在中国知网的社会科学分类下，在文献检索的主题检索搜索条中输入“深度学习”，利用中国知网的可视化工具，得出主题的分布情况图（图1）和发表相关文章数量趋势图（图2）。

从图1可以看出，深度学习是第一大研究主题，学习者是第二大研究主题，一些教学方式主题研究（如翻转课堂）也占比较大，浅层学习以及人工智能的主题研究也较多，说明深度学习和学习者以及学习方式的相关度较高。

从图2趋势图可以看出，深度学习相关发文量自2008年起到2019年总体上处于上升趋势，虽然在2010年、2011

年、2014年、2018年相比前一年有所跌落，但是幅度不大。《国家中长期教育改革和发展规划纲要（2010—2020年）》指出，教育教学过程中最重要的是培养学生的自主学习能力，发展学生个性化需求，从而使学生在面对问题时能够独立自主解决问题[11]。这说明教育教学改革对学习者高阶能力培养的注重与深度学习可促进学生多层次提升的理念不谋而合。在此背景下，深度学习以其更专注于学习者能力提升的奇特视角得到教育工作者更多的关注。2016年开始，深度学习相关文献发文量激增，说明深度学习在社会科学领域的关注度进入高峰期。

利用可视化工具分析预测了2019年的发文量，表明深度学习无论是在计算机领域还是在教育领域，都将是热点研究话题，而且随着时间的推移，深度学习的关注点将逐渐从计算机领域转向教育领域。

3 研究设计

数据来源研究对象来自中国知网（CNKI）数据库，是在社会科学分类目录下从中文社会科学引文索引（Chinese

Social Sciences Citation Index，CSSCI）期刊库中选取的文章，共有344条结果。离散律理论认为，核心期刊才能反映学科领域的研究情况。CSSCI期刊论文质量较高，基本可以反映我国教育学领域深度学习的学术研究情况。经由统计筛选，得到与主题相关有效文献共计341篇。

研究方法与工具本研究采用多种研究方法，其中共词分析法是通过分析出现在同一篇文献中的关键词，预测该领域关键词之间的关系，最终达到展现该学科的研究结构的目的[12];社会网络分析可以探测关键词间的联系及中心性，从而确定该领域的研究热点;聚类分析则是根据研究对象的主要特点，将研究对象进行类型划分[13]。

书目共现分析系统（BICOMB）是一款帮助研究者深度分析文本内容的工具，起初是为国际生物医学文献分析服务所研发的，主要功能是共现矩阵生成和文献计量分析。社会网络分析软件（UCINET）主要是对一维和二维的数据进行网络节点中心度分析。本研究主要使用这两个辅助工具来支撑分析研究。

研究过程设计在中国知网进入主题检索，勾选所用文献。由于后续使用的书目共现分析软件能够识别的格式是Note-first，在导出文件格式选择时应选Note-first。本研究借助BICOMB 2.0软件从筛选整理后的相关文献中提取对应关键词并对其进行词频统计分析，整合并构建高频关键词共词矩阵;将相应数据导入社会网络分析软件（UCINET

6.0），利用NetDraw绘制并形成可视化图谱;再利用SPSS

17.0将共词矩阵转换为相关矩阵，得出关键词冰柱图;最后借助Excel表格工具将其转换为相异矩阵并进行聚类分析。详细过程如图3所示。

4 数据结果与分析

高频关键词统计分析关键词是整篇文章的核心所在，出现频率高的关键词在一定程度上可以认为其表征的主题是该领域的研究热点[14]。借助BICOMB 2.0对341篇文献进行统计，结果显示，频次≥6的关键词共有20个，如表1所示。这20个关键词共出现341次，占总频次数的22.849%，说明这些关键词是深度学习主题下文章的研究热点。从表1可以看出，除深度学习外，出现频次≥10的关键词还有翻转课堂、人工智能、核心素養、深度教学、学习分析。

相似矩阵及分析事物与事物间存在相互联系，Ochiai

相似矩阵能够分析出文本之间的相关度。首先利用BICOMB 2.0软件将关键词频次阈值设置为≥5，然后对高频词进行共词分析并生成20×20的高频关键词词篇矩阵，将得到的矩阵导入SPSS数据统计软件，选取二分量度量标准生成共词相似矩阵，从而深度探索关键词之间蕴含的相互联系，部分数据如图4所示。相似矩阵数值越接近1，相似水平越大;

反之，相似水平越小。从图4可以看出，翻转课堂（0.223）相对其他来说相似度略高，接下来是人工智能（0.202）、核心素养（0.175），说明在深度学习领域，翻转课堂和人工智能是该领域的热门研究主题;学习分析（0.050）、教育信息化（0.056）等距离较远，相似度小。

SPSS聚类分析通过把共性的事物利用一定手段进行“类聚”，可以看出同一类别中的共性和特点;通过把异性的事物“群分”，可以看出类别之间的差异。聚类分析（Cluster Analysis）是一个将数据集划分为若干不同类别的过程，并使得同一个组别内的数据成员之间关系紧密，即具有较高的相似度。关于相似或不相似的描述是基于数据描述属性的取值来确定的[15]。聚类分析法中常用的是系统聚类，又叫层次聚类或者分层聚类。当使用SPSS进行系统聚类时，可得到树状图和冰柱图两种呈现图示。树状图比较直观，但不能良好地反映聚类的过程;冰柱图能够较为系统地反映出聚类过程中的每一个步骤。因此，本研究主要采用冰柱图来对结果进行分析。

对关键词进行聚类既可以体现出关键词间的关联性，又可以体现出高频关键词间的紧密程度。根据研究，除去核心关键词深度学习，本研究将BICOMB 2.0中生成的矩阵文本文件导入SPPS 17.0，利用SPSS数据处理功能，通过分析得到水平状冰柱图，如图5所示。以5集群数为界限，将深度学习的关键词划分为五类：

1）涵盖学习方式、深度教学、学习者以及核心素养这四个关键词，结果表明，以学习者为中心开展的深度学习有助于核心素养的培养;

2）涵盖教学设计、问题解决、网络学习空间这三个关键词，主要在传统教学设计的基础上与信息化教学设计相结合，在网络空间中开展创新型课堂教学;

3）涵盖个性化学习、高等教育、地平线报告、教育信息化以及大学生这五个关键词，主要通过一些政策性的文件为教育发展提供方向;

4）涵盖混合学习、在线学习、学习分析、教育大数据、机器学习、人工智能这六个关键词，主要表明深度学习在技术支持的环境下可以更好地实施个性化学习;

5）涵盖实证研究、浅层学习、学习科学、教学模式、MOOC、SPOC、翻转课堂以及深度学习这八个关键词，主要表明线上线下结合的混合式教学模式可使得学习者达到深层次学习。

社会网络分析关键词出现的频次并不能描述深度学习的内部关系，因此以BICOMB 2.0中针对出现频次高的关键词建立的共现矩阵为基础进行社会网络分析。在使用BICOMB 2.0软件生成矩阵时将阈值设置为≥5，将20个关键词生成矩阵，矩阵（部分）如表2所示。

将矩阵导入UCINET 6.0中，利用其中的NetDraw工具进行可视化中心度分析，建立我国2008—2018年间教育学领域深度学习高频关键词社会网络图谱，如图6所示。图谱中的方形节点代表关键词，节点间的连线代表其所代表关键词存在关联性。方形节点的大小不同，表明关键词出现的频次不同，方形节点越大，表明关键词出现频次越多且作用越强，即该关键词在同一文献中凸显得越强。连线的粗细代表关键词间的相关度，连线越粗，两者之间的联系越紧密[16]。

从图6可以看出，中心词为深度学习，翻转课堂、个性化学习、网络学习空间、学习分析与中心词密切相连。这表明这些关键词与其他关键词共同出现在一篇文献中的次数最多，在这个网络中的作用较大，说明深度学习需要结合教学方法和新的教学环境来展現其真正的效用。如何在网络高速发展的环境下实施深度学习，是我国深度学习在教育领域的研究热点。另外，学习分析与教育大数据、人工智能、机器学习、混合学习关系密切，这说明学习分析在深度学习方面在向智能化、个性化的方向发展。网络学习空间、个性化学习、在线学习等词与其他词联系较为紧密，说明这些词是连接中心点与边缘的纽带。可见，当前深度学习的研究热点主要集中在“互联网+”时代如何通过技术手段来进一步转变学习者的学习方式，从而促进学习者学习。深度教学、教学模式、教学设计、核心素养等词虽然处于网络边缘，与其他词的联系较为稀疏，但是这不代表它们不重要，而是通过中间节点来与中心节点进行联系，说明深度教学、教学模式、教学设计、核心素养等将是深度学习在教育领域未来进一步发展的热点和趋势。

5 结论与思考

面对繁杂的信息和复杂的知识，学习方式和学习方法的转变是必然的结果。当今的教育教学已经不再局限于固定的时间和空间，许多新的技术和手段将教学和学习变得丰富多样。想实现深度学习，就要有合适的教学策略以及相对应的技术手段，在技术的支持下进一步迈向智慧化与智能化。基于本文的分析发现：从2005年开始，国内深度学习开始进入研究者的视野，最早关注的是深度学习是什么的问题以及分析外国的相关研究;2005—2012年期间，深度学习研究成果较少，没有太多相关论文产出;自2013年始，针对深度学习的相关主题研究趋向于多样化，研究广度呈放射性扩张，未来的研究将逐步趋向于人工智能、教育大数据、学习科学、教学设计、教学模式、浅层学习、翻转课堂、在线学习、教育信息化等方面[9];2015年，相关文献的突发式增长足以说明该研究百花争艳的态势。

虽然国内目前已有的深度学习研究已达到一定的“量”，但仍然缺乏对深度学习更深入的分析和面向学校教学的实证方面的研究。因此，在此对我国社科领域的深度学习研究提出三点建议：

1）对深度学习的研究需要挖掘其应用部分，不能只停留在概念及内涵;

2）实现深度学习是发展深度学习的关键;

3）对深度学习评价方面的论述较少，要加强深度学习的评价研究。

参考文献

[1]约翰逊，贝克尔，卡明斯，等.新媒体联盟地平线报告：2016高等教育版[J].开放学习研究，2016（2）：1-20.

[2]贝克尔，卡明斯，戴维斯，等.新媒体联盟地平线报告：

2017高等教育版[J].开放学习研究，2017（2）：3-4.

[3]兰国帅，郭倩.技术赋能智能教育：新媒体联盟《地平线报告》（2018高等教育版）解读与启示[J].数字教育，

2019（1）：73-80.

[4]李璇律，田莉.建构主义视域下的深度学习[J].教学与管理，2019（12）：1-4.

[5]Marton F， Saljo R. On Qualitative Difference in