“人工智能+教育”的研究热点与前沿演进趋势分析

侯雅莉

(南京晓庄学院,江苏 南京 211171)

一、 引言

传统的教育模式在面对日益增长的知识体系和多样化的学习需求时,显得捉襟见肘。如何提高教育质量、缩小教育差距、满足个体化学习需求等问题,一直困扰着教育工作者。人工智能(Artificial Intelligence, AI)技术的出现,为教育领域的改革和创新带来了新的思路和可能性[1]。习近平总书记强调,中国高度重视人工智能对教育的深刻影响,积极推动人工智能和教育深度融合,促进教育变革创新。国务院印发的《新一代人工智能发展规划》,明确利用智能技术加快推动人才培养模式、教学方法改革[2]。基于技术和政策的双重驱动,AI教育发展势不可挡,正确认识并把握AI教育的机遇与挑战至关重要。

本文对中国近十年“人工智能+教育”的研究进行了全方位分析,深入探讨了AI技术在教育领域的应用效果,通过对已有研究的总结和评价,了解AI在教育领域的优势和局限性,从而为未来的研究和实践提供有益的启示。

二、 研究方法

本文采用文献计量学分析方法,对“人工智能+教育”的研究进行对比分析,并利用CiteSpace生动地展示分析结果。文献计量学是一种基于大量文献数据的定量分析方法,旨在通过对文献数据的统计分析和图表呈现,揭示某一领域的发展趋势、热点问题和研究热度等信息[3]。其中,关键词共现分析、共现词聚类分析以及突发性检测是本文挖掘AI教育领域研究热点和前沿趋势的主要方法。

(1) 关键词共现分析主要用于分析文献中关键词之间的共现关系,基本思想是通过统计文献中关键词的共现频率,揭示不同关键词之间的关联性。

(2) 基于关键词的共现频次,聚类分析通过统计文献中关键词之间的相似性,揭示AI教育领域中的热点问题。本文利用潜语义索引(LSI)对关键词进行聚类,考虑关键词共现频次的同时,还考虑了关键词间的语义相似性,因此聚类结果更加准确。 CiteSpace中,聚类模块值(Q值)和平均轮廓值(Silhouette,简称S值)是评价聚类结果优劣的指标,Q值和S值的区间是[0,1)。当S值大于0.5说明聚类合理,大于0.7说明聚类可信,越接近1说明同质性越高;当Q>0.3时,说明聚类结果是显著的[4]。

(3) 关键词突发性检测是指挖掘持续时间内出现频次较高的关键词,对关键词进行突发性检测有助于把握近10年中与AI教育相关的热门研究话题的延续性和演变趋势。

三、 研究结果

(一) 数据来源

近十年,中国在人工智能领域取得了迅速的发展,人工智能在教育领域的影响也得到了广泛专注。本研究数据来源于中国知网,检索日期为2023年3月2日,时间跨度为2013至2023年。以篇名、摘要或关键词为检索范围,在中国知网的教育理论与教育管理学科中检索 “人工智能”和“教育”相关的文献,筛选其中科学引文索引(Science Citation Index,SCI)、北大核心以及中文社会科学引文索引(Chinese Social Sciences Citation Index,CSSCI)收录的文献,总计1347篇。数据源概况如图1所示。根据图1(a),2013年至2016年是人工智能应用于教育领域的起步阶段,自2016年,年度发文量迅猛增加,自2019年,发文量增加变缓,并维持在一个高水平。图1(b)描述了排名前十的发文机构,主要集中在研究型师范类院校,表现最突出的是不同区域的三所 985院校。图1(c)绘制了排名前十的期刊,主要集中在高影响力的教育类期刊。

图1 数据源概况

(二) “人工智能+教育”领域研究热点

关键词是对论文主题和内容的简明概括。通过构建关键词共现网络,将文献中的关键词作为节点,节点之间的连线表示这些关键词在同一篇文献中出现的频率或者共现次数。然后,利用节点的中心性识别出网络中的重要节点或者子群。在此基础上,使用LSI将关键字共现网络分为若干个子图,每个子图代表一个研究主题。本节对1347篇AI教育的文献进行分析,最终得到17个聚类(如图2—图9),得到的Q值为0.8595,轮廓系数为0.9641,聚类结果合理且可信。在每个聚类图中,关键词的字体越大,该关键词的共现频次越高,节点间的连线越粗,则关系越紧密。依据聚类主题,下面将从核心技术、学习方式、教学测评、人才培养、教育变革、师生角色、伦理问题七个角度分析AI教育的研究热点。

图2 以“人工智能”“深度学习”为主题的聚类图

1. 核心技术

人工智能在教育领域的应用技术分布在三个聚类,每个聚类的核心技术分别是雾计算、深度学习和机器人(图2、图3)。

图3 以“机器人”为主题的聚类图

(1) 雾计算

雾计算是一种新型的计算模式,可以将数据处理和存储功能分布到网络的边缘,即近用户端的设备上。这样可以降低数据传输时延和带宽压力,同时提高计算和存储资源的利用效率。在教育领域,雾计算可以将教育数据存储在本地设备上,利用边缘计算能力进行数据处理和分析,从而支持个性化学习和教育资源的高效使用[5]。数据湖是一种存储大数据的架构,可以将各种类型和格式的数据存储在同一个数据池中,并在需要时对其进行分析和处理[6]。数据湖可以用于管理和存储学生的教育数据,包括学习记录、测评结果、个人信息等。这样可以为学生提供更加全面和精准的学习管理和支持。雾计算和数据湖为精准管理、代际传递和反馈回路提供了不可或缺的技术支持。

(2) 深度学习

深度学习是机器学习的分支,两者都是通过训练算法使计算机具备从数据中自动学习和提取知识的能力。深度学习主要侧重于使用神经网络处理复杂的非线性数据,而机器学习则包括更广泛的算法[7]。数据挖掘可以帮助教师分析学生的学习行为、成绩趋势、教学资源的使用情况等,从而为优化教学策略提供有力支持。在深度学习、机器学习和数据挖掘的基础上,专家系统通过模拟人类专家的思维过程,实现对知识的自动获取和推理,它是一种基于知识库和推理机制的人工智能应用[8]。在教育领域,语义图示可以用于构建知识地图、概念网络等,帮助学生形成清晰的知识体系[9]。语义图示与深度学习、机器学习和数据挖掘等技术相辅相成,共同促进教育资源的优化和学生学习效果的提升。

(3) 机器人

区块链和机器人作为两大热门技术,对教育行业产生了深远的影响[10]。区块链技术以其去中心化、安全可靠、透明公开的特点,可以记录学生的学习过程,包括成绩、表现、技能等方面的信息,形成完整的学习档。这有助于教育机构对学生的综合评价和个性化教学[10-11]。区块链技术也可以促进教育资源的共享和交流,打破地域和学科的界限,实现优质教育资源的公平分配[12]。机器人技术通过人工智能、自然语言处理等技术,不仅可以充当智能教学助手[13-14],而且能够完成个性化教学[15-16]、在线答疑和情景模拟等工作。区块链和机器人推动了智慧校园的建设,智慧校园作为一个基于人工智能技术的综合性教育平台,实现了学校管理、教学资源、学习环境等多方面的智能化[17]。

2. 学习方式

人工智能对学习方式的影响分别围绕在线学习和智慧课堂展开(见图4)。慕课作为在线学习的重要组成部分,通过大规模开放式课程,为广大学生提供了丰富的学习选择[18-19]。在乡村教育方面,人工智能技术的广泛应用有助于缩小城乡教育资源差距。通过在线学习、慕课和平台建设,乡村学生和城市学生都能享受到优质的教育资源,进一步缩小了城乡之间的教育差距。

图4 以“在线学习”“智慧课堂”为主题的聚类图

基于中台架构和边缘计算的技术支持,智慧课堂、精准教学、协作学习对高校教学和教师教育等方面带来了深刻影响[20-21]。智慧课堂是以人工智能技术为核心,将教育资源、教学方法、教学评价等多种元素有机融合,实现个性化、智能化的教育环境[22]。精准教学侧重于通过大数据分析,实现对学生学习需求、能力特点的精确把握,从而提供针对性强的教学方案[23]。协作学习则强调学生之间的相互合作与交流,以提高学习效率[24]。

3. 教育变革

作为教育变革的前沿阵地,高等学府在教育方式上更加注重人机协同和精准教育,未来教育输出中将更加重视培养学生的信息素养和创业教育(见图5)。

图5 以“教育”“智能技术”“智能教育”“信息技术”为主题的聚类图

在AI教育时代,计算思维成为必备的素质,学生需要掌握如何运用计算机解决问题、分析数据等能力[25],学生应具备保护个人信息、预防网络攻击等基本技能[26],同时需要具备辨别、评估、利用信息的能力,以便在海量信息中筛选出有价值的内容[27]。在人工智能的辅助下,教学设计应注重个性化、差异化,满足学生多样化的需求[15]。情感计算则能够让计算机更好地理解学生的情感需求,从而提高学生的学习体验[28]。

4. 教育测评

图6显示,随着人工智能与教育的深度整合,教育评估的方法和目标也将经历重大的变革[29]。人工智能可以通过大数据技术对学生的学习数据进行深度挖掘,实现对学生学习成绩、学习习惯、劳动素养等多维度的全面评估。这种评估方式不仅准确度高,而且可以为后续的学习分析提供数据支持[30]。其中,劳动素养是个体综合劳动能力与素质的体现,涵盖知识、技能、态度等方面,具有在人工智能时代适应技术发展和职业要求的重要性[31]。

图6 以“知识图谱”“工具理性”为主题的聚类图

5. 人工智能背景下师生角色的重定位

泛在学习与智慧教育的兴起引领教育角色转变,在人工智能辅助教育中,教师和学生的角色发生了变化[32]。教师不再是单纯的知识传授者,而是学生学习过程中的引导者和辅助者[33];学生则从被动接受者转变为主动探索者,更加注重自主学习和发挥创造力(见图7)。

图7 以“教师角色”“智慧教育”为主题的聚类图

6. 人才培养

人工智能在推动人才培养的同时,也对其提出了新的要求,主要表现在核心素质和职业教育两个方面(见图8)。

图8 以“人才培养”“大数据”为主题的聚类图

核心素养是人才培养的基础。在人工智能时代,学生需要具备批判性思维、创新能力、团队协作等基本素质,以适应未来社会的需求。在此基础上,新工科和新文科作为两个重要的教育领域,分别强调工程技能和人文素养的培养,以满足不同行业的人才需求。新工科是指以AI为代表的新兴工程技术领域,其在人才培养中的地位日益凸显。新工科的发展要求教育体系进行调整,增加相关课程设置,培养具备创新能力、跨学科素养的工程技术人才[34-35]。新文科则关注人文素养和社会责任感的培养,以提升学生的思辨能力和领导力[36]。

人工智能技术为职业教育提供个性化学习方案[37],可以通过模拟真实商业场景,帮助学生提高商业思维和实践能力[38]。人才培养目标更加注重培养学生的商业能力和技能。

7. 伦理问题

AI在助力技术创新、教学创新和教育治理的同时,也带来了伦理问题。在数据安全方面,随着大量教育数据的产生和应用,数据安全和隐私保护成为了亟待解决的问题[39]。在教育伦理方面,AI技术应用于教育需要尊重学生的隐私权、知情权和选择权(见图9)。

图9 以“伦理策略”“数据伦理”为主题的聚类图

(三) “人工智能+教育”前沿发展趋势

对“人工智能+教育”领域的共现关键词进行突现词检测得到11个突现词,如图10所示。这些关键词是2013—2023年期间在共现网络中出现频率骤增的词汇,代表了“人工智能+教育”在每个阶段的研究前沿。图10中,“Year”表示关键词突现开始的年份,且持续时间至少为1年,“Strength”表示关键词突现的强度,“Begin”和“End”分别表示关键词突现开始和结束的年份。2013至2023年期间,中国的AI教育经历了初步探索、实践阶段、深入发展、创新发展四个阶段。

图10 2013—2023年”人工智能+教育”领域的研究前沿演变

1. 初期探索阶段(2013—2016年)

在初期,学习分析和深度学习技术逐渐引起关注,为提高教育质量和个性化教学提供了技术支持。通过对学生的学习数据进行挖掘和分析,可以为教育者提供有关学生学习情况的详细信息,从而有针对性地提高教学效果[40]。其次,深度学习可以用于语音识别、图像识别、自然语言处理等多个方面,为学生提供更加智能化的学习体验[41]。初期的主要目标是通过AI技术提高教学质量、辅助教师进行批改作业、评估学生表现等任务,提高教育效率、实现个性化教学[42]。

2. 实践阶段(2017—2018年)

在这一阶段,中国政府高度重视AI教育的发展,出台了一系列政策和规划,为AI教育提供了有力的政策支持。各大高校、科研机构和企业纷纷加大对AI领域的投入,通过合作共建、资源共享等方式,整合教育资源,共同推动AI教育的发展[19]。在此背景下,各大高校和教育机构积极探索AI教育的新模式,如实验性教学、项目式学习、在线与线下相结合等,以培养学生的创新能力和实践能力[43]。

3. 深入发展阶段(2019年)

在这一阶段,AI教育呈现出多元化、综合化的特点,旨在培养具有全面素质、创新精神和实践能力的人才,以适应社会发展的需求[44]。AI教育不仅注重学生的理论知识积累,同时也强调实践能力、心理健康和政治信仰的培养[45]。同时,AI教育招生策略更加注重选拔具有创新精神和实践能力的学生。选拔过程不再单纯依赖于考试成绩,而是结合学生的实际操作能力、团队协作能力等多方面因素进行综合评估[46]。

4. 创新发展阶段(2020—2023年)

这一阶段的特点主要体现在教育变革和元宇宙两个方面,它们共同推动着教育领域的变革,为学生提供了更加个性化、有趣和高效的学习方式,有望为未来教育发展带来更多的可能性。AI技术不仅使教育过程变得更加智能化、个性化和高效[47],而且还可以实现对学生学习过程的实时监控和评估,为教育决策提供数据支持。元宇宙作为一个虚拟的、数字化的世界,可以为学生提供沉浸式的学习环境,使他们能够在虚拟世界中亲身体验和探索知识[48]。

与此同时,ChatGPT实现了语言逻辑上的元宇宙并快速成为AI教育的热门话题。一方面,元宇宙为ChatGPT提供了一个广阔的应用场景;另一方面,ChatGPT为元宇宙在教育领域的应用提供了强大的支持。鉴于目前的研究现状,元宇宙教育将成为未来AI教育领域的研究前沿。然而,元宇宙教育也面临着诸多挑战和问题,包括较高的技术成本、信息安全以及学生的心理健康。AI教育将不断优化元宇宙教育的技术和应用,为未来教育带来革命性的变革。

四、 结语

本文利用文献计量学对我国近十年AI教育领域的文献进行量化分析,并对该领域的研究热点和前沿趋势进行可视化操作。关键词聚类结果显示,我国AI教育的研究热点分布于核心技术、学习方式、教学测评、人才培养、教育变革、师生角色、伦理问题等七个方向。在此基础上,对AI教育研究的关键词进行了突现分析,根据关键词突现时间将研究前沿的发展划分为四个阶段:初期探索、实践阶段、深入发展和创新发展阶段。

人工智能在教育领域所带来的机遇和挑战已经引起了国内研究型师范类院校的高度重视。同时,随着人工智能技术的迅猛发展,越来越多的AI技术得以实际应用于教育领域。随着核心技术的不断发展,特别是深度学习等技术的广泛应用,学习方式得以创新。个性化学习系统、虚拟实境等基于核心技术的创新性学习方式逐渐崭露头角,进一步推动了教学测评方法的更新。在这一过程中,自动化评估系统、学习行为分析等技术与个性化学习方式相结合,为更精准的教学测评提供支持。AI技术带来的教育变革不仅改变了教学方式,也重新定义了师生的角色。教师不再仅是传统的知识传授者,更成为引导学生利用AI工具学习的导师,学生在个性化学习中发挥更为活跃的作用。新型师生互动方式对伦理问题提出了新的挑战,需要更严谨的伦理规范和监管机制。未来,如何通过教育变革迎接元宇宙的落地,将是热门的研究主题。