基于對比視角下人工智能教育應(yīng)用研究的分析

肖 康　

基于對比視角下人工智能教育應(yīng)用研究的分析

肖 康

（淮北師范大學(xué)，安徽 淮北 235000）

目前人工智能技術(shù)在教育領(lǐng)域的應(yīng)用多停留于淺層次、小范圍的實踐應(yīng)用層面，難以與真實狀態(tài)下的大規(guī)模教育實踐相結(jié)合。為探尋指引我國教育實踐的人工智能教育應(yīng)用研究存在的誤區(qū)，以人工智能教育應(yīng)用為主題，選取近12年WOS核心數(shù)據(jù)庫與知網(wǎng)CSSCI類的相關(guān)文獻，借助CiteSpace對國家合作網(wǎng)絡(luò)以及關(guān)鍵詞進行知識圖譜對比分析，并采用內(nèi)容分析法對國內(nèi)外高被引文獻進行對比分析，發(fā)現(xiàn)目前人工智能教育應(yīng)用研究存在著研究主題寬泛、學(xué)生的主體地位不足、研究周期短、國際交流不足、實證研究較少的問題。

人工智能教育應(yīng)用；對比研究；對比視角

引言

“人工智能”一詞起源于20世紀(jì)50年代，在歷經(jīng)三次高潮三次低谷發(fā)展后，如今已取得了突破性的進展。世界各國高度重視人工智能對教育的推進，國內(nèi)外針對人工智能教育應(yīng)用的政策層出不窮，這加速了人工智能技術(shù)在我國教育領(lǐng)域的應(yīng)用。然而，我國的人工智能教育應(yīng)用研究尚處于探索階段，在教育實踐中仍存在較多問題。如在職業(yè)教育中表現(xiàn)出信息化管理效率低、科學(xué)決策水平低等現(xiàn)象[1]；中小學(xué)人工智能教育課程存在“知識塊龐雜、工具觀單一、生師比懸殊”等問題[2]；特殊教育領(lǐng)域中利用人工智能技術(shù)實施缺陷補償?shù)娜巳河邢薜炔蛔鉡3]。因此，有必要以國內(nèi)外視角對比分析人工智能教育應(yīng)用研究，探尋指引教育實踐的人工智能教育應(yīng)用研究中存在的問題，借鑒吸收國外相關(guān)研究成果，用理論指引實踐，從而推動人工智能技術(shù)與我國教育實踐深入結(jié)合。

本研究以人工智能教育應(yīng)用為主題，選取了2010—2021年間CNKI數(shù)據(jù)庫的CSSCI類文獻和WOS核心數(shù)據(jù)庫的英文文獻，并運用CiteSpace軟件定量分析所選取的文獻數(shù)據(jù)，從發(fā)文量、合作網(wǎng)絡(luò)、關(guān)鍵詞等比較國內(nèi)外在人工智能教育應(yīng)用研究內(nèi)容和研究熱點上的異同，同時結(jié)合高被引文獻進行內(nèi)容分析，在比較中結(jié)合我國教育實踐出現(xiàn)的問題，探尋問題所在，以期對我國人工智能教育應(yīng)用研究的方向與著重點有所啟發(fā)，助力人工智能技術(shù)在教育實踐層面的融合深化。

1 數(shù)據(jù)來源與研究工具

1.1 數(shù)據(jù)來源

為了使此次選取的人工智能教育應(yīng)用的文獻更具代表性，研究結(jié)論更為準(zhǔn)確有效，本文選取2010—2021年間中國知網(wǎng)CSSCI期刊論文數(shù)據(jù)庫與Web of Science（WOS）核心數(shù)據(jù)中的相關(guān)文獻，采用組合檢索與合并去重的方式進行。首先，在WOS核心數(shù)據(jù)庫中以“artificial intelligence”與“education”為主題進行“與（and）”搜索，共獲得2 823條記錄，并再次以“AIED”為主題進行檢索，共獲得140條記錄，將兩次的檢索結(jié)果進行人工篩選與合并去重，共獲得1 203條記錄；其次，在中國知網(wǎng)（CNKI）平臺上，對CSSCI期刊類的論文進行篩選，分別以“人工智能+教育”“人工智能*教育”及“智能教育”為主題進行搜索，并對檢索的文獻進行人工篩選與去重，獲得916篇相關(guān)文獻。

1.2 研究工具

此次研究運用陳超美博士團隊開發(fā)出來的CiteSpace軟件，利用CiteSpace5.8.r3c來分析已收集到的有關(guān)人工智能教育應(yīng)用的數(shù)據(jù)集，由此獲得國內(nèi)外關(guān)于人工智能教育應(yīng)用研究的整體概況與主要領(lǐng)域，從而反思目前國內(nèi)相關(guān)研究的問題所在，助力人工智能教育研究的深入推進。

2 知識圖譜分析

2.1 總體發(fā)文量對比分析

論文總體發(fā)文量體現(xiàn)了人工智能教育應(yīng)用研究的熱度與趨勢。由圖1可知，國內(nèi)外人工智能教育應(yīng)用研究的總體發(fā)文量呈現(xiàn)冪指數(shù)增長，表明國內(nèi)外學(xué)者都對該領(lǐng)域投入大的精力與熱情，意識到了人工智能技術(shù)在教育領(lǐng)域的巨大潛能。此外，2016年是我國人工智能教育應(yīng)用的一個關(guān)鍵轉(zhuǎn)折點。2016年之前，發(fā)文量僅為個位數(shù)，2016年之后，發(fā)文量直線上升，而這很大一部分是由于國家相關(guān)政策的出臺，如2016年與2017年陸續(xù)出臺的《機器人產(chǎn)業(yè)發(fā)展規(guī)劃（2016－2020年）》《新一代人工智能發(fā)展規(guī)劃》，這表明政府的支持是人工智能教育應(yīng)用研究的強大推動力。

圖1 總體發(fā)文量對比圖

2.2 國家合作網(wǎng)絡(luò)分析

國家合作網(wǎng)絡(luò)分析從網(wǎng)絡(luò)的視角呈現(xiàn)出該研究領(lǐng)域國際學(xué)術(shù)交流的概況，體現(xiàn)了學(xué)術(shù)活力與領(lǐng)域知識更新迭代的速度。由于國內(nèi)外人工智能技術(shù)發(fā)展的差異以及人工智能教育應(yīng)用的復(fù)雜性，更有必要加強相關(guān)領(lǐng)域的合作與交流。

用CiteSpace軟件對選取的WOS數(shù)據(jù)庫進行國家合作網(wǎng)絡(luò)分析，結(jié)果如表1所示。在發(fā)文量上，中國學(xué)者的發(fā)文量穩(wěn)居第一，遠遠高于西班牙等國家學(xué)者的發(fā)文量。然而，我國學(xué)者合作的中心度卻只有0.07，遠低于發(fā)文量位于前五的其他國家。這表示我國的學(xué)者在國際合作上的參與度較低，盡管發(fā)文量很高，但與國際的學(xué)術(shù)交流不足。因此，由國家合作分析可知，我國學(xué)者應(yīng)當(dāng)加強國際間的交流與合作，從而為解決人工智能在教育實踐應(yīng)用中的難題做好充足的理論準(zhǔn)備與實踐經(jīng)驗，推進人工智能教育應(yīng)用的廣泛深入發(fā)展。

表1 發(fā)文量位于前五的國家中心度表

國家中國美國西班牙英格蘭加拿大 發(fā)文量/篇252225757059 中心度0.070.240.190.210.26

2.3 關(guān)鍵詞對比分析

對國內(nèi)外相關(guān)研究的關(guān)鍵詞進行對比分析，有助于更為直觀地展示國內(nèi)外研究重點的差異。從關(guān)鍵詞聚類分析、詞頻分析、膨脹詞分析三個方面對研究的熱點領(lǐng)域與持續(xù)時間進行探析[4]，有利于人們從已有研究成果的角度出發(fā)，思考人工智能教育應(yīng)用研究存在的問題。

2.3.1 關(guān)鍵詞聚類分析

首先，采用Citespace軟件對CNKI中的文獻數(shù)據(jù)進行聚類分析所得到的Q＝0.47，S＝0.85，再對WOS中的文獻數(shù)據(jù)聚類，得到Q值為0.76，S值為0.87，可知兩個數(shù)據(jù)庫的總體聚類效果都較好。由圖2與圖3可知，國內(nèi)外的研究主題既存在差異，也有著相似之處。其中，相同之處在于國內(nèi)外都對人工智能技術(shù)本身關(guān)注密切，如國內(nèi)的關(guān)鍵詞“人工智能”“學(xué)習(xí)分析”，國外的關(guān)鍵詞“機器人”。同時，國內(nèi)外學(xué)者都很關(guān)注人工智能技術(shù)給學(xué)習(xí)者帶來的影響，如國內(nèi)關(guān)鍵詞“人才培養(yǎng)”，國外的關(guān)鍵詞“K-12”“自適應(yīng)學(xué)習(xí)”。然而，不同之處在于國內(nèi)從整體的視角研究人工智能環(huán)境下的學(xué)習(xí)者，以“人才培養(yǎng)”為主題，較為籠統(tǒng)，而國外的研究主題更細化到某一具體領(lǐng)域，如“醫(yī)療教育”“K-12”，研究更細化，更有針對性，能落實到實踐中的概率也更大。

圖2 CNKI關(guān)鍵詞聚類圖譜

圖3 WOS關(guān)鍵詞聚類圖譜

由于不同學(xué)段、不同學(xué)科等特定背景下的學(xué)習(xí)者之間存在著差異，如初中生與大學(xué)生，特殊兒童與正常兒童等，則該特定對象參與的人工智能教育實踐也有著不同之處。人工智能教育應(yīng)用研究更應(yīng)當(dāng)聚焦于某一具體學(xué)科或?qū)W段，深入實踐，細化研究主題，有針對性地研究某一學(xué)段、學(xué)科或?qū)W生群體，與真實狀態(tài)下的教育實踐相結(jié)合。

2.3.2 關(guān)鍵詞詞頻對比分析

近12年國內(nèi)外的人工智能教育應(yīng)用研究的高頻關(guān)鍵詞及其中心度如表2所示，結(jié)合關(guān)鍵詞的頻次與中心度進行分析，國內(nèi)的相關(guān)研究以人工智能為核心，并以該技術(shù)引起的教育新生態(tài)為重點，如智能教育、智慧教育。較之國內(nèi)，國外的研究則著重突出了“學(xué)生”這一關(guān)鍵詞，且對教育系統(tǒng)的重視程度高于技術(shù)本身。由此可知，在人工智能教育應(yīng)用研究中，國內(nèi)更側(cè)重于把握人工智能教育應(yīng)用的整體發(fā)展方向，但沒有體現(xiàn)出學(xué)生在人工智能教育應(yīng)用研究中的主體地位。然而，學(xué)生的主體地位在人工智能教育應(yīng)用研究中仍然值得重視，研究要貼近學(xué)生的學(xué)習(xí)，重視學(xué)生在人工智能教育應(yīng)用中的認知、情感、體驗，學(xué)生對人工智能技術(shù)的接受度越高、適應(yīng)性越強，人工智能與教育實踐的結(jié)合也會越緊密，從而有效緩解“強行拼湊”的現(xiàn)象。

表2 高頻關(guān)鍵詞及其中心度的中外對比表

序號關(guān)鍵詞頻次中心度序號關(guān)鍵詞頻次中心度 1人工智能6281.531education480.09 2智能教育870.252system470.15 3大數(shù)據(jù)360.033student460.10 4人才培養(yǎng)350.024technology430.13 5智慧教育320.035ai410.08

2.3.3 膨脹詞對比分析

基于CNKI文獻與WOS文獻分析出的2010—2021年前十位膨脹詞，如表3所示。其中，基于WOS文獻分析出的2017年開始的膨脹詞有7個，但持續(xù)時間較短，如“深度學(xué)習(xí)”、“AI”等。此外，突現(xiàn)詞最長的持續(xù)時間是兩年，即“智慧教育”與“新工科”?；赪OS文獻分析出的膨脹詞的總體持續(xù)時間比CNKI的長，其中持續(xù)時間不低于兩年的膨脹詞就有7個。另外，各個膨脹詞的年度分布亦較為均勻，不似國內(nèi)集中于2017年。從膨脹詞的持續(xù)時間可知，我國人工智能教育應(yīng)用研究受外部的環(huán)境影響較大，如受2017年出臺的《2017新媒體聯(lián)盟中國高等教育技術(shù)展望：地平線項目區(qū)域報告》的影響，在2017年時出現(xiàn)了眾多膨脹詞，但同時研究熱情的消退亦較快，難以持續(xù)性地對某項主題進行長久深入的研究。

表3 國內(nèi)外前十位膨脹詞及其持續(xù)年段

國內(nèi)膨脹詞持續(xù)年段國外膨脹詞持續(xù)年段 智慧教育2016－2018Ability2013－2017 深度學(xué)習(xí)2017－2018Higher education2015－2018 AI2017－2018Environment2015－2017 學(xué)習(xí)分析2017－2018System2015－2016 創(chuàng)客教育2017－2018Game2015－2017 學(xué)習(xí)空間2017－2018Framework2016－2018 機器學(xué)習(xí)2017－2018Neural network2018－2019 新工科2017－2019Augment reality2018－2019 計算思維2018－2019Learning analytics2019－2021 智慧學(xué)習(xí)2018－2019Classification2019－2021

3 高被引文獻分析

文獻的被引量體現(xiàn)該文獻的學(xué)術(shù)價值與影響，文獻的被引量越高，表示學(xué)術(shù)界越認可該文獻，被引量較高的文獻往往具有較高的前瞻性與代表性。通過選取CNKI與WOS數(shù)據(jù)庫中被引次數(shù)位于前十的文獻，從理論探討與實證研究兩個維度對其做進一步的分析比較，進而揭示國內(nèi)外人工智能教育應(yīng)用研究的差異。

首先對國內(nèi)的高被引文獻按被引頻次從高到低編碼為P0、P1、P2、P3、P4，再對國外的高被引文獻按被引頻次從高到低編碼為P′0、P′1、P′2、P′3、P′4，再依據(jù)文本內(nèi)容從理論探究與實證研究兩個維度對其進行歸類，如表4所示。由表4可知，國內(nèi)外的高被引文獻在這一維度上有著巨大的差異，國內(nèi)的高被引文獻全部是從理論探究的維度研究人工智能在教育中的應(yīng)用，重視宏觀理論的探討，如智慧教育、個性化學(xué)習(xí)理論等，多篇文獻探討了人工智能教育的內(nèi)涵、應(yīng)用、人才培養(yǎng)與發(fā)展趨勢，強調(diào)人工智能技術(shù)對整個教育系統(tǒng)帶來的影響與轉(zhuǎn)變；而國外的高被引文獻中實證研究占據(jù)了極大的比例，僅有《How to Grow a Mind: Statistics，Structure，and Abstraction》從理論探討的維度描述了對人類學(xué)習(xí)和認知發(fā)展進行逆向工程的方法，并對更人性化的機器學(xué)習(xí)系統(tǒng)進行了工程設(shè)計[5]，如Sylvain Calinon等[6]基于隱馬爾可夫模型和高斯混合回歸的方法得到模仿手勢的學(xué)習(xí)與再現(xiàn)；Jacob Whitehill等[7]分析人類從學(xué)習(xí)者面部表情判斷其參與度的信號，并使用機器學(xué)習(xí)自動化該過程，最后通過實驗證明了機器的執(zhí)行精度與人類相當(dāng)。

表4 國內(nèi)外被引頻次位于前五的相關(guān)文獻維度劃分

維度文章名維度文章名 理論探討P0：教育人工智能(EAI)的內(nèi)涵、關(guān)鍵技術(shù)與應(yīng)用趨勢—美國《為人工智能的未來做好準(zhǔn)備》和《國家人工智能研發(fā)戰(zhàn)略規(guī)劃》報告解析理論探討P′0：How to Grow a Mind: Statistics，Structure，and Abstraction P1：人工智能教師的未來角色實證研究P′1：Learning and Reproduction of Gestures by Imitation: An Approach Based on Hidden Markov Model and Gaussian Mixture Regression P2：構(gòu)筑“人工智能＋教育”的生態(tài)系統(tǒng)P′2：The Faces of Engagement: Automatic Recognition P3：人工智能教育應(yīng)用的現(xiàn)狀分析、典型特征與發(fā)展趨勢P′3：Multi-Modal Curriculum Learning for Semi-Supervised Image Classification P4：教育信息化2.0：智能教育啟程，智慧教育領(lǐng)航P′4：Parameters identification of photovoltaic models using self-adaptive teaching-learning-based optimization

4 研究結(jié)論

通過對國內(nèi)外文獻進行知識圖譜分析與高被引文獻的內(nèi)容分析，結(jié)合目前人工智能教育應(yīng)用領(lǐng)域所存在的實踐問題，進而探知我國在人工智能教育應(yīng)用研究中存在的問題，以期為我國人工智能技術(shù)在教育實踐中提供一定的啟示。

表5 國內(nèi)外相關(guān)研究的異同

國內(nèi)國外 研究主題1.重視人工智能等技術(shù)，如機器人、大數(shù)據(jù)；2.重視人才培養(yǎng)，如k-12；3.重視人工智能技術(shù)對教育的作用，如支持、融合。 較為宏觀，側(cè)重于理論探討，如智能教育、智慧教育。較為微觀，關(guān)注具體學(xué)段與學(xué)科，如k-12，醫(yī)療教育。 研究對象重視教育生態(tài)重視學(xué)生 國際合作較少較多 持續(xù)時間較短較長 分布年度較為集中較為分散 研究方法理論研究為主實證研究為主

由表5可知，人工智能教育應(yīng)用研究存在的問題在于：

（1）研究主題不夠細化，未能聚焦于某一學(xué)科或?qū)W段。處于不同的學(xué)科與學(xué)段之間的學(xué)生、教師及其所處的環(huán)境存在著巨大的差異性，教育實踐中產(chǎn)生的具體問題也不盡相同，在人工智能的教育應(yīng)用實踐中自然也不能一以貫之。人工智能教育應(yīng)用研究應(yīng)當(dāng)基于某一具體學(xué)科或?qū)W段，結(jié)合該學(xué)科或?qū)W段的特殊性，因地制宜地開展研究，才能更有針對性解決該領(lǐng)域產(chǎn)生的實踐問題。

（2）忽略了學(xué)生的主體地位。盡管學(xué)習(xí)者的主體地位已多次被強調(diào)，但在研究主題上仍不足以體現(xiàn)出學(xué)習(xí)者的主體地位。多數(shù)研究僅從研究者或教師的視角分析學(xué)生在人工智能教育應(yīng)用中的情感、認知等，而從學(xué)習(xí)者的視角來研究人工智能教育應(yīng)用的文獻較少，忽視了學(xué)生對人工智能教育應(yīng)用的接受度、適應(yīng)性等。

（3）研究周期較短。人工智能教育應(yīng)用由于自身的復(fù)雜性、交叉性，在研究中難免遇到困境與難題，需要研究者耗費較多的時間與精力專注于該問題。然而，經(jīng)過前文膨脹詞的分析，發(fā)現(xiàn)我國的人工智能教育應(yīng)用研究受外部影響較大，不利于研究的獨立性和持久性。

（4）國際合作交流不足。通過WOS數(shù)據(jù)庫中的國家合作網(wǎng)絡(luò)分析可知，我國學(xué)者在人工智能教育應(yīng)用研究的國際合作交流不足，而人工智能是一門涵蓋了計算機科學(xué)、神經(jīng)科學(xué)、生理學(xué)等的交叉學(xué)科，教育又是培養(yǎng)人且具有極其復(fù)雜性的社會實踐[8]，這便表明研究人工智能教育應(yīng)用的學(xué)者需要加強學(xué)科間的交流與合作，豐富自身的理論素養(yǎng)。

（5）研究方法較為單一，實證研究稀缺。人工智能教育應(yīng)用，從根本上來說是實踐的，是通過實踐應(yīng)用實現(xiàn)其目的。然而，我國的人工智能教育應(yīng)用研究實證研究比例仍較少，但以目前的教育領(lǐng)域發(fā)展趨勢來看，并非是國內(nèi)對這一方面的研究有所忽視，究其根本，則是人工智能在教育應(yīng)用領(lǐng)域的實證研究在實施的過程中存在著如技術(shù)層面、人才層面等方面的限制。

5 結(jié)束語

人工智能技術(shù)作為實現(xiàn)我國教育信息化的關(guān)鍵推動力，在教育領(lǐng)域受到了極大的關(guān)注。然而，人工智能技術(shù)的應(yīng)用在教育實踐中存在著理想化的情況，對于殘障人群、弱勢群體等特定人群，相關(guān)的人工智能教育應(yīng)用仍較少，難以與真實狀態(tài)下的大規(guī)模教育實踐相結(jié)合。人工智能教育應(yīng)用研究作為人工智能教育實踐的重要引領(lǐng)，有必要對目前的人工智能教育研究進行整理反思，從而發(fā)現(xiàn)研究中存在的誤區(qū)。通過對近12年國內(nèi)外的有關(guān)人工智能教育應(yīng)用的文獻進行對比分析，從發(fā)文量、關(guān)鍵詞、合作網(wǎng)絡(luò)對文獻進行量化分析，并以國內(nèi)外高被引文獻為研究對象，以內(nèi)容分析法對比分析國內(nèi)外高被引文獻的差異，研究發(fā)現(xiàn)人工智能教育應(yīng)用研究存在著研究主題寬泛、學(xué)生的主體地位不足、研究周期短、國際交流不足、實證研究較少的問題。本文探尋人工智能教育應(yīng)用研究中存在的問題，以期為后續(xù)人工智能教育應(yīng)用研究的落腳點與著重點提供相應(yīng)的啟發(fā)，助力研究與實踐的深入結(jié)合。

[1]董文娟，黃堯. 人工智能背景下職業(yè)教育變革及模式建構(gòu)[J]. 中國電化教育，2019(7): 1-7，45.

[2]何聚厚，李天宇，何秀青. 中小學(xué)人工智能教育大單元設(shè)計的意蘊、困境和路徑[J]. 中國電化教育，2022(2): 30-37.

[3]郭利明，楊現(xiàn)民，段小蓮，等. 人工智能與特殊教育的深度融合設(shè)計[J]. 中國遠程教育，2019(8): 10-19，92-93.

[4]易紅郡，曾令琴. 近十年教育國際化研究綜述: 基于2010-2019年CNKI與WOS期刊文獻的定量分析[J]. 比較教育研究，2020，42(5): 44-52.

[5]TENENBAUM J B, KEMP C, GRIFFITHS T L, et al. How to grow a mind: Statistics, structure, and abstraction[J]. Science, 2011, 331(6022): 1279-1285.

[6]CALINON S, D'HALLUIN F, SAUSER E L, et al. Learning and reproduction of gestures by imitation: An approach based on hidden markov model and gaussian mixture regression[J]. IEEE Robotics and Automation Magazine: A publication of the IEEE Robotics and Automation Society, 2010, 17(2): 44-54.

[7]WHITEHILL J, SERPELL Z, LIN Y C, et al. The faces of engagement: Automatic recognition of student engagementfrom facial expressions[J]. IEEE Transactions on Affective Computing, 2014, 5(1): 86-98.

[8]李福華，年浩，張家年. 人工智能教育應(yīng)用論綱[J]. 現(xiàn)代大學(xué)教育，2020(1): 1-8，110.

Analysis of Artificial Intelligence Educational Application Research from a Comparative Perspective

At present, the application of artificial intelligence technology in the field of education is mostly limited to shallow and small-scale practical applications, making it difficult to combine with large-scale educational practices in real situations. In order to explore the misunderstandings existing in the research on the application of artificial intelligence in education that guide China's educational practice, with the theme of the application of artificial intelligence in education, the relevant literature of WOS core database and CSSCI class of the knowledge network in the recent 12 years is selected, and the knowledge graph of national cooperation network and keywords is compared and analyzed with CiteSpace. By using the content analysis method to compare and analyze the highly cited literature at home and abroad, it is found that the current research on the application of artificial intelligence education has some problems, such as broad research topic, insufficient subject status of students, short research period, insufficient international communication and few empirical studies.

artificial intelligence educational application; comparative study; comparative perspective

G47

A

1008-1151(2023)07-0171-04

2022-09-14

肖康（2003－），女，湖南邵陽人，淮北師范大學(xué)在讀碩士研究生，研究方向為在線教育。