国内近五年人工智能教育的研究热点及趋势——基于多维尺度和社会网络分析的方法

赵 雨

（扬州大学新闻与传媒学院，江苏扬州，225009）

0 引言

随着信息技术发展，人工智能在现代社会发展中发挥着重要作用，尤其在教育领域更为显著。1956 年美国达特茅斯学院举办的夏季学术研讨会上首次正式提出“人工智能”（Artificial Intelligence，AI）这一术语。美国高等教育信息化协会（EDUCAUSE）在2017年《关于教学中的人工智能你应当知道的7 件事》报告中将人工智能定义为“承担通常被认为需要人类认知过程和决策能力的任务的计算机系统”［1］。在2017-2021 年《地平线报告》中人工智能被选为对未来1～5 年内的教育有着重要影响的技术之一，充分体现了其推动教育改革和发展的潜力。人工智能在解决教育问题与应用中发挥重要作用，应用主要包括智能导师系统、自动化测评系统、教育游戏与教育机器人［2］。

如图1 所示，据知网数据统计近20 年人工智能在教育领域相关研究的文献数量总体呈上升趋势。其中，2000-2014 年相关论文的发文量较少且增长缓慢，可见该主题尚未引起学者的广泛关注。随着国务院2017 年印发《新一代人工智能发展规划》指出了我国教育行业和经济社会发展对人工智能发展的迫切需求，提出三步走战略［3］，在此之后人工智能教育成为了教育领域的研究热点之一。为顺应智能环境下教育发展，教育部2018 年印发《教育信息化2.0 行动计划》中明确指出要坚持走中国特色的教育信息化道路，加快实现“教育现代化2035”［4］。

专家学者们针对不同研究对象从不同角度出发，采用相应的工具展现了人工智能在教育教学中的研究热点及应用趋势，取得了一定的成绩。为有效识别我国人工智能教育研究的热点，本文以人工智能教育备受关注后的阶段，即2016-2020 年发表的文献作为研究对象，从关键词词频、关键词聚类、多维尺度分析、社会网络的可视化图谱、关键词中心度分析等方面进行分析，具象化显现人工智能教育发展现状。通过相关数据分析，为我国教育人工智能研究与发展提供思路。

Fig.1 Number of articles published in the area of AI education re⁃search each year图1 人工智能教育研究各年份的发文数量

1 研究设计

1.1 数据来源

数据来源于知网数据库，时间范围设置为2016 年1 月1 日至2020 年12 月31 日，以“主题”为检索项进行高级检索，主题词设定为“人工智能教育”，选择“核心期刊”和“CSSCI”为期刊来源，共检索到681 篇符合条件的文章。接下来，从中剔除不符合主题的文献后得到567 篇文章作为研究样本。最后，将样本以“Notefirst”格式导出后使用相关研究工具进行分析。

1.2 研究过程

研究工具包括Bicomb2.0、Ucinet6.0 和SPSS26.0。具体研究步骤分为：①将相关文献以“Notefirst”格式导入Bi⁃comb2.0 中，提取与研究相关的高频关键词进行词频分析，构建词篇矩阵和共现矩阵；②在SPSS26.0 中对词篇矩阵进行聚类分析，将关联性高的关键词聚类，生成树状图，实现对人工智能教育研究主题的分类，同时对相似矩阵进行多维尺度分析构建图谱；③为分析人工智能教育的研究热点，通过Ucinet6.0 对共现矩阵进行社会网络分析，并进行人工智能教育的关键词中心度分析以预测今后的发展趋势。

2 研究分析与结果

2.1 关键词词频分析与统计

利用Bicomb2.0 提取了共计979 个关键词。由表1 可见，当阈值设置为9 时可导出23 个高频关键词，这23 个关键词出现的频次均大于9 次，总呈现频次为619 次，占关键词总频次的33.28%，高频关键词数量较少。其中，人工智能（291）、智能教育（33）与智慧教育（28）的频次较高，说明与这些关键词相关的研究较多。

Table 1 High-frequency keywords（top 23 keywords）表1 高频关键词（前23个）

对关键词进行共词分析构建共现矩阵和词篇矩阵。其中，共现矩阵为无向对称矩阵，对角线的值代表关键词词频［5］，部分高频关键词的共现矩阵见表2。

Table 2 Partial high-frequency keyword co-occurrence matrix表2 部分高频关键词共现矩阵

2.2 关键词聚类分析

采用SPSS 26.0 软件对词篇矩阵进行聚类分析，选择谱系图和二元法以“落合”方式生成相似矩阵，如表3 所示。同时生成树状图，如图2 所示。结合聚类分析结果可将人工智能教育的研究主题分为3类，如表4所示。

类1 指出，随着人工智能+教育时代到来，教育技术领域发展了诸多新技术，机器学习、深度学习等技术逐渐被广泛应用。学习分析的本质就是数据分析，通过对复杂数据集进行分析，能更好地为学习者提供服务，以作出最优决策。

Table 3 Partial high-frequency keyword similarity matrix表3 部分高频关键词相似矩阵

Fig.2 Clustering analysis of co-words in artificial intelligence educa⁃tion图2 人工智能教育共词聚类分析

Table 4 Classification of artificial intelligence education research top⁃ics表4 人工智能教育研究主题分类

类2 表明，职业教育和高等教育都是我国人才培养的重要阶段，要不断变革教学模式，开启智能教育时代。智慧教育的5 大基本特征，即学习环境传感器丰富多样、“数据驱动”式教学无处不在、个性化与自适应学习普遍采用、学习资源共享共生成为常态、人工智能技术广泛运用［6］。智能教育强调以学者为中心，但目前教育分析的数据都来源于互联网，因此对未来教育提出了更高的要求。

类3 研究指出，如今人工智能与教育密不可分，人机协同能够带来双重智慧，是未来的发展方向之一。在智能教育领域普遍认可的两个方向：一是人工智能教育，二是教育人工智能［7］。

2.3 多维尺度关键词分析

多维尺度分析利用“降维”反映二维空间中复杂关键词之间的联系，对象呈点状分布，具有高度关联性的对象会被聚集成一个类团［8］。通过SPSS26.0 软件对高频关键词的相似矩阵进行多维尺度分析，选择多维刻度（ALS⁃CAL），根据数据创建距离，选项选择组图，标准化方法选择Z 得分。绘制多维尺度分析图谱如图3 所示，当压力系数（Stress）=0.290 26，拟合系数（RSQ）=0.491 24 时，拟合效果较好。

Fig.3 Multidimensional scale analysis atlas图3 多维尺度分析图谱

“相关理论概念”领域的人工智能教育与教育人工智能的欧氏距离较近，两者与人工智能+教育的欧氏距离较远，可见人工智能在与教育融合的过程中已取得了一定的成绩，但仍有许多方面有待加强。

“教育应用”领域的高等教育、职业教育是未来人工智能教育主要的应用领域，也是我国人才培养的重要阶段。智慧教育、智能教育可加快教育信息化的步伐，促进教育变革。

人机协同是未来教育发展的重要方向。“人工智能教育技术”领域关键词之间距离最大，大数据、教育大数据是机器学习的重要数据来源，在未来人工智能教育研究中，可不断推进、完善个性化学习体系，结合学习分析、深度学习等新技术推进人工智能教育应用。

教育技术与人工智能技术的研究成果较少，处于相对边缘的地位，这也是目前人工智能教育研究领域最为关注且有待解决的问题之一。

2.4 社会网络分析

将共现矩阵导入UCINET6.0，构建人工智能教育高频关键词的社会网络图谱，如图4 所示。图中节点越大表明该关键词出现频次越多，节点间连线越粗表明关键词之间关系越密切［9］。

Fig.4 High-frequency keyword social network atlas图4 高频关键词社会网络图谱

由社会网络图谱可知，除检索关键词人工智能外，人工智能+教育、智能教育、智慧教育等关键词出现频次较多，教育之“智”该如何发展引起了学者们的广泛关注，是当前的研究热点。围绕人工智能核心关键词产生了机器学习、教育大数据、学习分析、大数据等热点话题，并且关键词之间的关系较为密切，由此可见相关技术在教育领域的应用较为广泛。

在以上关键词周边又产生了远程教育、机器人、人才培养、教育变革、教育应用等话题，可见其在教育领域的应用中已取得了一定的成果，但在图谱中仍处于边缘地区且与其它关键词距离较远，是相关研究领域的薄弱之处，随着研究的深入有望成为今后研究的重点。

2.5 关键词中心度分析

将共现矩阵导入UCINET6.0 中进行关键词中心度分析，经过“变换——对分”操作后转换为二值关系矩阵计算中间中心度，多值关系矩阵用于计算度中心度，整体网络密度采用的多重测量（Multiple Measures）值为0.466 7，结果见表5。其中，关键词节点的点中心度、接近中心度及中间中心度反映节点的地位和其它关键词节点之间的关系。

Table 5 High-frequency keyword centrality analysis table表5 高频关键词中心度分析表

续表

由表5 可知，人工智能+教育、智慧教育、智能教育、深度学习、教育大数据的点中心度排在前5 位，说明它们在人工智能教育研究领域中处于重要地位；人工智能、智慧教育、智能教育、人工智能+教育、机器学习的中间中心度排在前5 位，说明它们在网络图谱中是连接结点的重要桥梁；教育应用、教育、职业教育的中间中心度接近0，可见它们处于网络边缘。

3 人工智能教育热点

3.1 理论概念

“人工智能＋教育”是人工智能与教育的深度融合，“人工智能＋”时代背景下的教育发生了巨大变化。人工智能教育（Artificial Intelligence Education，AIE）是将人工智能应用于教育领域，让学生对人工智能技术建立基本认知［10］。教育人工智能（Educational Artificial Intelligence，EAI）是一个新领域，尚未形成标准定义，重在使用人工智能技术促进教育发展改革［11］。智慧教育作为一种新型教育模式，以培养创新人才为目标，强调学生个性化学习，促进资源共享。

3.2 技术服务

机器学习是基于大数据的统计分析过程［12］，能不断学习大量数据预测新数据。目前，智能教育技术已被广泛应用，现阶段已借助“极课大数据”等现代化教学平台开展精准化教学。

此外，机器学习领域的一个新方向是深度学习（Deep Learning），通过构建分层模型，建立从底层信号到高层语义的映射［13］，提升教学效果，目前深度学习已在图像和语音识别等应用中广泛使用。人工智能教育提供的学习服务贯穿课前预习、课堂教学、作业批改、在线考试等整个学习过程。利用大数据等技术优化传统教学模式，为学生提供个性化学习方式。通过对数据进行收集和分析，推送具有针对性的资源与服务，George 等［14］认为学习分析的教育价值主要体现在为教育机构的变革提供指南和帮助教育工作者改进教学方式，在多大程度上共享学习者的个人数据仍是教育领域争议的焦点。

3.3 教育应用

职业教育改革要顺应时代潮流，在教育内容、策略、政策等方面要与人工智能领域的需求相适应。未来高等教育应更注重教育的公平和多样化，美国《2021 年地平线报告（教学版）》中指出随着K-12 阶段的分化越早出现，许多学生在开始接受高等教育时已远远落后于同龄人［15］，这种现象在我国相对落后的地区更为明显。因此，教育应用的普及是迫切需要解决的问题。为此，“21 世纪能力”对人才培养提出了更高要求，要逐步形成中小学基础教育、大学高等教育和社会终身教育的一贯制教育。

3.4 发展方向

“人工智能＋教育”的一个分支是“智能教育（Intelli⁃gence Education，IE）”。祝智庭等［16］认为智能教育应具有智能技术支持的教育，学习智能技术的教育和促进智能发展的教育三方面的内涵，人工智能不能完全取代教师，两者应当共同承担教育功能［17］。

人机协同是人工智能教育的发展趋势，是智能技术与教育相互融合的重要方式，二者发挥各自的智能优势，共同促进教育发展。教育变革体现为人工智能教育可有效促进教学资源、教学环境、教与学方式的改革。2020 年新冠疫情期间，全国中小学和高校普遍采用在线学习方式。因此，应当重视在线学习平台建设和教师在线教学培训工作，并且高等教育机构应多措并举，为学习者提供高质量的在线学习服务平台。在科技迅速发展的今天，只有主动变革才能更好应对未来的挑战和机遇。

4 人工智能教育的发展趋势及建议

基于对研究热点的分析，结合我国人工智能教育发展现状，提出以下4点建议：

（1）重视人才培养，推动国际合作，打造高水平创新发展平台。2020 年印发的《关于“双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见》中指出将扩大人工智能方面研究生的招生规模［18］，反应了我国对人工智能教育的重视，只有不断培养创新型专业人才，才能走在世界前列。同时，学习欧美等国先进的教学经验，采用多学科交叉融合，加快“教育现代化2035”的实现进程，才能更好面对未来教育的发展趋势及挑战。要加快推进人工智能技术与教学的深度融合就必须要建立以学习者为中心的教育环境，注重以人为本，为人才培养提供更好的教育服务平台。

（2）提升信息素养，设置人工智能相关课程。全国多地中小学、校外辅导机构已开设了机器人、Scratch 编程等相关课程教学，然而部分中小学专门为机器人教育而开设一门独立的教学课程仍存在许多困难［19］，主要原因包括信息技术和教学课程未能很好地进行深层次整合、教学模式不成熟、教学时间不足等。因此，学校应大力推广编程教育，实施编制考核评价标准，联合社会机构开发和推广编程教学软件、教育游戏，共同构建智能化、个性化的教育体系，开启智能教育新时代。

（3）加强教师队伍建设和开发团队研发能力。青年教师在教育教学中能主动应用人工智能技术，而中年教师适应了以往的教学模式，对人工智能应用了解不够深入，要加强教师培训，促使教师在教学过程中注重“学教并重”，探索新型教学模式，不断提高教学水平和自身专业能力，促进人工智能教育应用与研究发展。另一方面，希望相关的开发团队加大对教育领域的了解和研究，不断突破技术壁垒。通过研发人员和教育者之间协同合作，将教学技术落实到日常教学中。

（4）加强伦理教育，立法推行，规范教育数据处理与应用。人工智能应致力于教育公共服务，现阶段教育数据被恶意泄露等问题已受到人们的普遍关注，在线教育过程中产生的数据资源内容丰富，可作为未来教育研究的数据来源。政府应根据校园建设发展规划出台相关新政策和法规，建立强有力的监督治理机制，保障新技术在实际教学中良性发展。学校则要加强对硬件资源和软件资源的管理，加强技术保障，建立安全可靠的防火墙，形成统一标准和规范，保护教育数据安全。