論國內(nèi)外學(xué)習(xí)分析研究的熱點與前沿

摘要：目的：教育數(shù)字化轉(zhuǎn)型不斷推進，促使教育者利用學(xué)習(xí)分析技術(shù)挖掘?qū)W習(xí)行為數(shù)據(jù)背后隱含的學(xué)習(xí)需求，以數(shù)據(jù)驅(qū)動教育教學(xué)改革和教育生態(tài)重構(gòu)已成為新形勢下提升教育教學(xué)成效的關(guān)鍵?；诖?，文章直觀梳理近十年國內(nèi)外學(xué)習(xí)分析的研究脈絡(luò)，以了解相關(guān)領(lǐng)域的研究現(xiàn)狀和未來趨勢，為學(xué)習(xí)分析的發(fā)展提供重要參考。方法：文章采用文獻計量學(xué)方法，以2015—2024年中國知網(wǎng)（CNKI）中文數(shù)據(jù)庫和Web of Science（WoS）英文數(shù)據(jù)庫收錄的學(xué)習(xí)分析領(lǐng)域的中英文核心文獻為對象，探測國內(nèi)外學(xué)習(xí)分析研究的熱點與前沿。結(jié)果：研究發(fā)現(xiàn)，近十年國內(nèi)學(xué)習(xí)分析領(lǐng)域關(guān)注MOOC、多模態(tài)、認(rèn)知網(wǎng)絡(luò)分析、自適應(yīng)學(xué)習(xí)和個性化學(xué)習(xí)等研究主題，國外學(xué)習(xí)分析領(lǐng)域關(guān)注分類指標(biāo)、嚴(yán)肅游戲、智能教學(xué)系統(tǒng)、教育公平和區(qū)塊鏈等研究主題。國內(nèi)學(xué)習(xí)分析領(lǐng)域的研究前沿包括學(xué)習(xí)投入、多模態(tài)數(shù)據(jù)、數(shù)據(jù)挖掘和學(xué)習(xí)行為，與學(xué)習(xí)行為或教育數(shù)據(jù)有著密切聯(lián)系；國外學(xué)習(xí)分析領(lǐng)域的研究前沿與分析技術(shù)和學(xué)業(yè)表現(xiàn)的聯(lián)系較為緊密，包括人工智能、系統(tǒng)性文獻綜述、成就、機器學(xué)習(xí)。結(jié)論：未來學(xué)習(xí)分析研究可重點關(guān)注理實結(jié)合，協(xié)同促進學(xué)習(xí)分析可持續(xù)發(fā)展和學(xué)科共建，協(xié)同促進學(xué)習(xí)分析跨范式融合等重要研究方向。

關(guān)鍵詞：學(xué)習(xí)分析；文獻計量；研究熱點；研究前沿

中圖分類號：G420 文獻標(biāo)識碼：A 文章編號：1004-9436（2024）13-00-03

0 引言

學(xué)習(xí)分析借助數(shù)據(jù)收集工具和分析技術(shù)，探尋教育大數(shù)據(jù)中隱含的教育規(guī)律，為創(chuàng)新教學(xué)服務(wù)供給模式和實現(xiàn)大規(guī)模精準(zhǔn)教學(xué)提供了重要支撐，目前已成為學(xué)習(xí)科學(xué)領(lǐng)域的研究焦點。隨著我國教育數(shù)字化轉(zhuǎn)型的不斷推進，利用學(xué)習(xí)分析技術(shù)挖掘教育大數(shù)據(jù)背后隱含的學(xué)習(xí)需求，以數(shù)據(jù)驅(qū)動教育教學(xué)改革和教育生態(tài)重構(gòu)已成為新形勢下引領(lǐng)教育生產(chǎn)力發(fā)展的關(guān)鍵。因此，本研究對近十年國內(nèi)外學(xué)習(xí)分析研究的核心文獻進行系統(tǒng)綜述，梳理分析近十年的研究脈絡(luò)，識別其研究動態(tài)與趨勢，剖析其理論與實踐研究的局限性，以期為學(xué)習(xí)分析的理論深化與實踐探索提供參考。

1 研究設(shè)計

1.1 數(shù)據(jù)來源

將中國知網(wǎng)（CNKI）中文數(shù)據(jù)庫和Web of Science（WoS）英文數(shù)據(jù)庫作為本研究的來源數(shù)據(jù)庫。為保證文獻的全面性和權(quán)威性，以“學(xué)習(xí)分析”或“學(xué)習(xí)行為分析”為關(guān)鍵詞在CNKI中文數(shù)據(jù)庫搜索文獻，將檢索時間范圍設(shè)為2015年1月1日至2024年6月30日，來源類別限定為北大核心、CSSCI和CSCD，剔除會議、學(xué)術(shù)資訊和學(xué)校簡介等不符合要求的文獻后，得到370篇中文文獻；在WoS英文數(shù)據(jù)庫中，以WoS核心合集為數(shù)據(jù)庫，以SSCI、SCIE和A&HCI為引文索引，以“Learning Analytics”O(jiān)R“Learning Behavior Analysis”為檢索關(guān)鍵詞，檢索時間范圍不變，得到363篇英文文獻。

1.2 研究方法

CiteSpace是文獻計量學(xué)中最具代表性的知識圖譜繪制工具，可用于發(fā)掘某一領(lǐng)域的研究熱點和研究前沿。因此，本研究采用文獻計量法，選擇CiteSpace 6.3.R3分別對中文文獻和英文文獻的關(guān)鍵詞進行聚類和突現(xiàn)分析，將“Node Types”和“Selected Criteria”分別設(shè)定為Keyword和g-index（k=25），以獲知國內(nèi)外學(xué)習(xí)分析領(lǐng)域的研究熱點和前沿。

2 國內(nèi)外學(xué)習(xí)分析研究的熱點與前沿

2.1 關(guān)鍵詞聚類網(wǎng)絡(luò)分析

關(guān)鍵詞代表文獻研究的主題概念。本研究利用CiteSpace的聚類功能對中文文獻和英文文獻的關(guān)鍵詞進行聚類分析，分別形成國內(nèi)外學(xué)習(xí)分析研究知識圖譜，且所有聚類的平均輪廓值均大于0.7。選取節(jié)點數(shù)量排名前五的聚類為代表，分析近十年國內(nèi)外學(xué)習(xí)分析研究的主題。

2.1.1 國內(nèi)研究熱點

第一，MOOC聚類的研究涉及兩個主題：一是利用大數(shù)據(jù)分析學(xué)習(xí)行為，如運用大數(shù)據(jù)技術(shù)分析MOOC視頻特征與學(xué)生跳轉(zhuǎn)行為之間的關(guān)系，評估學(xué)習(xí)行為作為學(xué)習(xí)投入測量指標(biāo)的可行性，并探索如何提高學(xué)生學(xué)習(xí)的投入度［1］；二是學(xué)業(yè)成就預(yù)測模型的構(gòu)建，如挖掘典型學(xué)習(xí)行為特征數(shù)據(jù)，判斷學(xué)習(xí)者能否完成學(xué)習(xí)任務(wù)［2］。

第二，多模態(tài)聚類的研究主題可被歸納為多模態(tài)學(xué)習(xí)分析的應(yīng)用價值和多模態(tài)學(xué)習(xí)行為的可解釋性。多模態(tài)數(shù)據(jù)之間的互補性能實現(xiàn)對個體特征的精準(zhǔn)預(yù)測，并將反饋信息以可視化的方式傳輸給教師，實現(xiàn)基于多模態(tài)數(shù)據(jù)反饋的個性化學(xué)習(xí)［3］。

第三，認(rèn)知網(wǎng)絡(luò)分析聚類的研究涉及兩個主題：一是認(rèn)知網(wǎng)絡(luò)分析的應(yīng)用和發(fā)展，社會認(rèn)知網(wǎng)絡(luò)分析因融合了社會網(wǎng)絡(luò)和認(rèn)知網(wǎng)絡(luò)的優(yōu)勢，能對學(xué)習(xí)過程進行動態(tài)可視化呈現(xiàn)和分析，備受學(xué)界關(guān)注［4］；二是群體協(xié)作學(xué)習(xí)投入特征畫像，如多模態(tài)交互分析方法能融合和表征群體多維投入特征，在行為參與、社會關(guān)系和觀點建構(gòu)等重要指標(biāo)上刻畫協(xié)作學(xué)習(xí)參與者的投入特征［5］。

第四，自適應(yīng)學(xué)習(xí)聚類的研究涉及兩個主題：一是人工智能時代的教學(xué)生態(tài)變遷，未來開放大學(xué)2.0應(yīng)該有序開展智能學(xué)習(xí)平臺開發(fā)、教學(xué)應(yīng)用和教學(xué)研究，探索技術(shù)賦能的個性化教學(xué)設(shè)計和人機協(xié)作教學(xué)的新規(guī)律［6］；二是自適應(yīng)學(xué)習(xí)研究取向的演變，如具有數(shù)據(jù)隱私保護功能的自適應(yīng)學(xué)習(xí)牽引模型［7］。

第五，個性化學(xué)習(xí)聚類的研究主題可被歸納為開放學(xué)習(xí)者模型的構(gòu)建和應(yīng)用。人機交互、數(shù)據(jù)庫和人工智能技術(shù)是構(gòu)建開放學(xué)習(xí)者模型的關(guān)鍵技術(shù)，允許學(xué)習(xí)者參與模型的構(gòu)建與控制，對實現(xiàn)學(xué)習(xí)過程的透明化和支持個性化學(xué)習(xí)至關(guān)重要［8］。

2.1.2 國外研究熱點

第一，classification聚類的研究主題可被歸納為在線學(xué)習(xí)體驗和學(xué)習(xí)成果。例如，通過分析學(xué)習(xí)行為數(shù)據(jù)，抽取參與指標(biāo)，建立學(xué)生行為模型，再運用聚類分析揭示學(xué)習(xí)者在不同學(xué)習(xí)階段的行為模式，為學(xué)習(xí)者提供定制化的教育干預(yù)措施［9］。

第二，games聚類的研究主題可被歸納為嚴(yán)肅游戲及其應(yīng)用領(lǐng)域。目前，人工智能和數(shù)據(jù)科學(xué)在嚴(yán)肅游戲中的應(yīng)用潛力廣受關(guān)注，有望為計算社會科學(xué)帶來革命性變化，開展更大規(guī)模、更精準(zhǔn)的社會

研究［10］。

第三，intelligent tutoring systems聚類的研究主題可被歸納為智能教學(xué)系統(tǒng)的設(shè)計開發(fā)。例如，在Moodle中適配專家系統(tǒng)和模糊邏輯的智能輔導(dǎo)系統(tǒng)，自動生成個性化學(xué)習(xí)計劃，強化學(xué)習(xí)效果［11］。

第四，education聚類的研究主題可被歸納為對教育公平的關(guān)注。盡管教育在塑造社會和推動未來進步中起著關(guān)鍵作用，但許多學(xué)生仍面臨教育機會不平等的問題。建立健全數(shù)據(jù)質(zhì)量基礎(chǔ)設(shè)施和鼓勵數(shù)據(jù)賦能教育公平的改革可以構(gòu)建一個更平等的社會［12］。

第五，blockchain聚類的研究主題可被歸納為數(shù)據(jù)科學(xué)在教育領(lǐng)域的應(yīng)用現(xiàn)狀、研究趨勢、局限及未來發(fā)展方向。雖然數(shù)據(jù)科學(xué)在提升教育質(zhì)量、優(yōu)化資源配置等方面具有巨大潛力，但也需要應(yīng)對數(shù)據(jù)隱私、技術(shù)整合等挑戰(zhàn)［13］。

2.2 研究前沿分析

突現(xiàn)詞的詞頻變化能夠反映研究領(lǐng)域的動向。因此，本研究利用CiteSpace的Burstness菜單分別對中英文文獻的關(guān)鍵詞進行突現(xiàn)處理，以探明國內(nèi)外學(xué)習(xí)分析領(lǐng)域的研究前沿。從突現(xiàn)詞可以看出，近十年國內(nèi)學(xué)習(xí)分析研究的前沿與學(xué)習(xí)行為或教育數(shù)據(jù)有著密切聯(lián)系，而國外學(xué)習(xí)分析研究的前沿則與分析技術(shù)或?qū)W業(yè)表現(xiàn)的聯(lián)系較為緊密。

2.2.1 國內(nèi)研究前沿

從學(xué)習(xí)投入的高被引文獻來看，未來學(xué)習(xí)投入研究應(yīng)重點圍繞決策級數(shù)據(jù)建模與融合方法，設(shè)計學(xué)習(xí)分析工具，刻畫學(xué)習(xí)投入的多維復(fù)雜特征，形成對學(xué)習(xí)投入的動態(tài)評估能力［14］。從多模態(tài)數(shù)據(jù)的高被引文獻來看，未來的學(xué)習(xí)分析應(yīng)充分利用多模態(tài)數(shù)據(jù)，結(jié)合腦科學(xué)、心理學(xué)等領(lǐng)域的研究成果，實現(xiàn)對學(xué)習(xí)者學(xué)習(xí)過程的全面、系統(tǒng)、精準(zhǔn)分析。從數(shù)據(jù)挖掘的高被引文獻來看，智慧課堂“四建模三分析”教育大數(shù)據(jù)研究方法論能從理論層面為智慧課堂的教學(xué)優(yōu)化和學(xué)生的個性化學(xué)習(xí)提供有力支持［15］。從學(xué)習(xí)行為的高被引文獻來看，滯后序列分析法作為一種有效的學(xué)習(xí)行為分析方法，能夠幫助研究者和教學(xué)者準(zhǔn)確把握學(xué)習(xí)者的行為模式，從行為視角闡釋技術(shù)增強學(xué)習(xí)效果的原因，并有效指導(dǎo)后續(xù)教與學(xué)活動的設(shè)計與實施。

2.2.2 國外研究前沿

從artificial intelligence、systematic literature review和machine learning的高被引文獻來看，已有不少學(xué)者對MOOC、分布式人工智能、數(shù)據(jù)挖掘、學(xué)業(yè)預(yù)測性分析工具等已取得豐碩成果的研究主題進行系統(tǒng)性回顧和總結(jié)，并指出不同領(lǐng)域未來的研究方向，如未來的教育人工智能研究應(yīng)做到教育技術(shù)與倫理并重，加強跨學(xué)科合作，以確保其應(yīng)用能在實踐中發(fā)揮作用以及對學(xué)習(xí)產(chǎn)生積極影響。從achievement和success的高被引文獻來看，其研究集中在發(fā)掘?qū)W業(yè)表現(xiàn)的影響因素和預(yù)測指標(biāo)方面。未來研究應(yīng)擴大樣本量，提升課程的多樣性，進一步驗證其他變量與學(xué)業(yè)表現(xiàn)之間的因果關(guān)系。

3 結(jié)語

回顧國內(nèi)外學(xué)習(xí)分析近十年的發(fā)展脈絡(luò)，盡管其最早僅被視作學(xué)習(xí)科學(xué)的研究分支，但隨著新一代信息技術(shù)的發(fā)展，學(xué)習(xí)分析與各學(xué)科的融合程度正不斷深化。隨著技術(shù)的不斷成熟，其應(yīng)用價值將更受認(rèn)可，對教學(xué)體驗和學(xué)業(yè)表現(xiàn)的積極影響將更加顯著，并有望引領(lǐng)教育生態(tài)重構(gòu)，促進教育高質(zhì)量發(fā)展。

基于以上結(jié)論，未來學(xué)習(xí)分析研究可重點關(guān)注兩個方面。一是理實結(jié)合，協(xié)同促進學(xué)習(xí)分析可持續(xù)發(fā)展。理論是深刻把握學(xué)習(xí)分析本質(zhì)、科學(xué)引領(lǐng)學(xué)習(xí)分析實踐的關(guān)鍵。因此，學(xué)習(xí)分析需要繼續(xù)深耕理論研究工作，不斷優(yōu)化教學(xué)體驗，提升教學(xué)成效，構(gòu)建高效的數(shù)字化教育生態(tài)系統(tǒng)，超越工具理性，回歸人本取向，推動教育改革朝著更加包容、高效、公平的方向發(fā)展。二是學(xué)科共建，協(xié)同促進學(xué)習(xí)分析跨范式融合。學(xué)習(xí)分析研究領(lǐng)域大多數(shù)問題的解決都需要計算機科學(xué)、教育學(xué)和統(tǒng)計學(xué)學(xué)科的通力協(xié)作。在新一輪科技革命和產(chǎn)業(yè)變革快速發(fā)展的背景下，開展跨學(xué)科研究因符合知識生產(chǎn)的內(nèi)在邏輯，已成為全球高等教育領(lǐng)域的普遍共識。學(xué)習(xí)分析必須走出單一學(xué)科視角，重視跨學(xué)科的思維和視野，在比較、借鑒、融合和改進的基礎(chǔ)上開展跨范式研究。

參考文獻：

［1］ 陳侃，周雅倩，丁妍，等.在線視頻學(xué)習(xí)投入的研究：MOOCs視頻特征和學(xué)生跳轉(zhuǎn)行為的大數(shù)據(jù)分析［J］.遠(yuǎn)程教育雜志，2016，34（4）：35-42.

［2］ 賀超凱，吳蒙. edX平臺教育大數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測［J］.中國遠(yuǎn)程教育，2016（6）：54-59.

［3］ 陸吉健，周美美，張霞，等.基于MR實驗的“多模態(tài)+人機協(xié)同”教學(xué)及應(yīng)用探索［J］.遠(yuǎn)程教育雜志，2021，39（6）：58-66.

［4］ 馬寧，魏曉陽，孫亦凡.在線教師培訓(xùn)中的群體社會認(rèn)知網(wǎng)絡(luò)特征分析［J］.現(xiàn)代遠(yuǎn)距離教育，2022（6）：59-67.

［5］ 馬志強，孔伶玉，岳蕓竹.面向協(xié)作學(xué)習(xí)多重投入特征畫像的多模態(tài)學(xué)習(xí)分析［J］.遠(yuǎn)程教育雜志，2022，40（1）：72-80.

［6］ 鮑日勤.人工智能時代的教與學(xué)變遷與開放大學(xué)2.0新探［J］.遠(yuǎn)程教育雜志，2018，36（3）：25-33.

［7］ 李鳳英，龍紫陽.從自適應(yīng)學(xué)習(xí)推薦到自適應(yīng)學(xué)習(xí)牽引模型：“智能+”教育時代自適應(yīng)學(xué)習(xí)研究取向［J］.遠(yuǎn)程教育雜志，2020，38（6）：10.

［8］ 危怡，胡夢華，胡藝齡，等.開放學(xué)習(xí)者模型：讓學(xué)習(xí)者參與構(gòu)建：訪國際知名教育人工智能專家朱迪·凱教授［J］.開放教育研究，2018，24（3）：4-11.

［9］ 拉布羅維奇，佩特羅維奇，安德爾科維奇，等.在線英語課程中的行為參與模式：聚類分析［J］.高等教育計算雜志，2023（11）：1-26.

［10］ 佩雷斯，卡斯特羅，洛佩斯.嚴(yán)肅游戲與人工智能：計算社會科學(xué)面臨的挑戰(zhàn)與機遇［J］.美國電氣和電子工程師協(xié)會開源雜志，2023（11）：62051-62061.

［11］ 布拉達奇，斯莫卡，科特爾巴，等.設(shè)計一個智能輔導(dǎo)系統(tǒng)：利用專家系統(tǒng)創(chuàng)建個性化學(xué)習(xí)計劃［J］.巴塞爾應(yīng)用科學(xué)，2022，12（12）：6236-6256.

［12］ 奎羅加，西凱拉，波特拉，等.數(shù)據(jù)驅(qū)動的策略以實現(xiàn)學(xué)校公平：來自巴西的見解與政策建議［J］.美國電氣和電子工程師協(xié)會開源雜志，2024（12）：101646-101659.

［13］ 拜格，舒伊布，亞德加里德科迪.教育中的大數(shù)據(jù)：現(xiàn)狀、局限性與未來研究方向［J］.國際高等教育技術(shù)，2020，17（1）：44-67.

［14］ 張琪，王紅梅.學(xué)習(xí)投入的多模態(tài)數(shù)據(jù)表征：支撐理論、研究框架與關(guān)鍵技術(shù)［J］.電化教育研究，2019，40（12）：21-28.

［15］ 孫曙輝，劉邦奇，李鑫.面向智慧課堂的數(shù)據(jù)挖掘與學(xué)習(xí)分析框架及應(yīng)用［J］.中國電化教育，2018（2）：59-66.