王瑩 張文蘭

摘? ?要：重視學生個體差異是提升教學質量、實現教育公平的關鍵，探究技術支持下學生個體差異對技術賦能教育、促進學生個性化發(fā)展具有重要意義。為了更好地把握國內個體差異研究的進展和趨勢，文章采用文獻計量方法，借助CiteSpace軟件對中國知網數據庫中2010—2020年教育技術類核心期刊的文獻進行發(fā)文量分析、核心作者分析、關鍵詞共現分析、聚類分析、突現性分析、時間線和時區(qū)分析。最后總結三點個體差異研究進展的思考與啟示，為未來個體差異研究提供參考。

關鍵詞：個體差異;個性化學習;CiteSpace;研究綜述

中圖分類號：G434 文獻標志碼：A 文章編號：1673-8454（2021）05-0001-06

2020年《政府工作報告》再次提出要推動教育公平發(fā)展和質量提升。國家教育咨詢委員會委員談松華曾提到：“實現有質量的教育公平必須正視受教育者個體的差異性。”[1]《教育信息化2.0行動計劃》提出要“探索在信息化條件下實現差異化教學、個性化學習、精細化管理、智能化服務的典型途徑”。技術環(huán)境下學生之間的個體差異呈現得更加精準化，更有可能實現差異式教學。目前國內關于新技術環(huán)境下個體差異的研究缺乏相關綜述，因此，為了厘清我國技術支持下個體差異研究的具體進展和趨勢，本研究利用CiteSpace知識圖譜軟件對當前相關研究成果進行可視化分析，梳理研究現狀，了解研究趨勢，以期為該領域研究提供借鑒。

一、數據來源和方法

1.數據來源

本研究以中國知網（CNKI）數據庫為數據來源，本文旨在了解信息技術滲透的教育中，針對學生個體差異及個性化需求開展研究的現狀，因此，檢索條件主題為“個體差異”或含“個性化學習”。文獻分類目錄限定為社會科學II輯，文獻來源限定為教育技術學核心期刊（中國電化教育、電化教育研究、現代教育技術、中國遠程教育、現代遠距離研究、遠程教育雜志、現代遠程教育研究、開放教育研究）。2010年網絡技術加快應用，新型技術環(huán)境開始普及，因此檢索跨度為2010—2020年。經過嚴格篩選，剔除不符合個體差異主題的文獻，共選取451篇文獻作為研究樣本。

2.研究方法

本文主要采用定量和定性相結合的研究方法。研究工具采用CiteSpace5.5.R2（64-bit）、Java1.8.0_241-b07（64-bit），主要通過高頻引用詞頻統(tǒng)計、關鍵詞共現分析、LLR聚類分析、中心性分析、突現性分析、時間線分析以及時區(qū)分析等對文獻進行定量分析，再通過深入閱讀文獻進一步綜述國內個體差異研究的進展和趨勢。

二、研究結果與分析

1.年發(fā)文量分析

年發(fā)文量體現了一段時間學者對某領域的關注度，反映該領域的研究趨勢。從圖1可以看出，近10年個體差異相關研究的發(fā)文量整體呈現增長趨勢。2010—2013年是穩(wěn)定發(fā)展期，2013年發(fā)文量26篇。2013—2014年發(fā)文量呈井噴式增長，2014年發(fā)文量迅速達到58篇。2015年發(fā)文量55篇，稍有下滑但基本穩(wěn)定。2015—2020年發(fā)文量恢復穩(wěn)定增長趨勢，2019年達到73篇。

2.核心作者分析

依據普賴斯（Price）定理確定核心作者的人選，再依據h指數[2]、hm指數[3]綜合判斷核心作者在本領域的影響力。普賴斯（Price）定理規(guī)定核心作者最低發(fā)文量m≈0.749■，nmax為發(fā)文量最多的作者的發(fā)文數量。計算取整得m=4，發(fā)文量4篇以上的核心作者人選占32人。對18位核心作者人選的h、hm指數進一步測評，h指數大代表影響力大，若h指數相同，則hm指數小的影響力大。由表1可以看出，在個體差異領域，影響力前10位的核心作者是趙蔚、姜強、楊現民、牟智佳、王朋嬌、鐘紹春、祝智庭、余勝泉、武法提、周東岱，占總發(fā)文量的29.49%。

根據作者共現圖譜分析作者合作關系，節(jié)點和連線分別表示出現的頻次和合作關系，節(jié)點越大說明作者出現的頻次越多，連線越粗，則作者聯系越緊密。在某一領域，隨著研究越深入，學者之間的合作交流會越頻繁和緊密。根據圖2可以看出，僅有6個比較明顯的合作網絡，大部分學者處于獨立撰稿狀態(tài)。東北師范大學的趙蔚、姜強、王朋嬌是高產合作作者，合作發(fā)文6篇。楊現民、祝智庭、余勝泉等核心作者合作節(jié)點較小，有一些合作作者。個體差異研究領域合作關系多基于地緣因素，跨地域合作較少。

3.關鍵詞共現分析和聚類分析

（1）關鍵詞共現分析

關鍵詞共現網絡可反映某一領域的研究熱點以及熱點內容之間的聯系。以關鍵詞（keyword）為節(jié)點，時間閾值（Time Slicing）設置為“from 2010 to 2020”，時間分區(qū)（years per Slice）設置為1;連線閾值數據對象強度設置為夾角余弦距離（Cosine）類型;節(jié)點閾值（Selection Criteria）設置為50，得到關鍵詞共現圖譜如圖3所示。高頻關鍵詞和中心性也能反映某領域的研究熱點，因此結合被引頻次和中心性前10的關鍵詞進一步分析，如表2所示。

由于樣本文獻含有主題檢索詞“個性化學習”，因此“個性化學習”成為共現圖譜中最大的節(jié)點。除此之外，學習分析、人工智能、大數據、MOOC等是較大的節(jié)點，一定程度上代表了個體差異研究領域的熱點主題和內容。再結合關鍵詞被引頻次和中心性分析，被引頻次越高，代表作者關注度越高;關鍵詞中心性高，代表某一關鍵詞是網絡中的關鍵節(jié)點，具有重要地位，起較強的連接作用。通過表2對比發(fā)現，教師專業(yè)發(fā)展、個人學習環(huán)境具有較高的中心性，但引用頻次較低，說明他們發(fā)揮重要中介作用卻尚未引起研究者足夠重視，是潛在的研究方向，有待深入研究。而教育信息化、智慧教育具有較高引用頻次，較低中心性，說明學者有較大的關注度，但在個體差異研究領域未起到關鍵中介作用，這也表明學者更關注教育信息化或智慧教育背景下的個體差異研究。

（2）聚類視圖分析

聚類是根據某種相似程度，將差異量小的對象聚在一起，將具有較大相異性的對象分別聚類。運用CiteSpace統(tǒng)計分析，得到模塊值（簡稱Q值）為0.6058，大于0.3，意味著本研究劃分出的聚類結構是顯著的，平均輪廓值（Silhouette，簡稱S值）為0.6356，大于0.5，說明對個體差異相關研究的聚類是合理的。

研究中樣本文獻通過LLR聚類后，分為10類，代表著10種不同的個體差異研究主題，包括數據挖掘（聚類#0）、學習風格（聚類#1）、元認知（聚類#2）、智能技術（聚類#3）、教學模式（聚類#4）、人工智能（聚類#5）、實證研究（聚類#6）、微課程（聚類#7）、Web2.0（聚類#8）、教育數據挖掘（聚類#9）等。（見圖4）

根據關鍵詞共現和聚類結果，對這10個聚類進一步分析可以看出：個體差異的研究對象，主要針對學生學習風格、學習認知和學習習慣上的差異開展研究;個體差異研究包含Web2.0、人工智能、數據挖掘，也有其他智能技術的介入;個體差異研究領域開展大量實證研究和應用探索，包括基于在線學習平臺挖掘學習者信息、提供個性化學習服務以及學習資源等;個體差異研究領域開展教學實踐探索，主要圍繞構建智能化學習空間、學習環(huán)境，探索新的教學模式，優(yōu)化教學過程等進行。

關于個體差異的主要研究內容，學習風格、學習認知以及學習習慣是差異研究的主要方面，針對學習風格，浙江大學教育技術研究所2010年提出CS-LS學生模型，該模型較好地反映了學生在認知狀態(tài)和學習風格上的個體差異。[4]東北師范大學傳媒科學學院研究以用戶模型為依據，根據Felder-Silverman學習風格量表和學習過程行為模式，推斷學習風格;基于概念累積分法推斷認知水平，進而實現個性化本體學習資源推薦。[5]北師大武法提等人構建學習習慣的測量模型，設計精準化的學習習慣干預模型，探索基于教育大數據的學習習慣動力學機制。[6]

關于個體差異研究技術條件，基于人工智能、學習分析、大數據以及區(qū)塊鏈等進行。華南師大吳洪艷基于學習分析技術構建個性化在線學習系統(tǒng)，旨在分析學習者學習行為和知識狀態(tài)，按需推送合適的學習資源，并提供適時的學習干預。[7]東北師范大學姜強等人基于大數據分析，從四個維度構建個性化自適應在線學習分析模型。[8]首都師范大學方海光等人基于區(qū)塊鏈技術設計智慧學習機器人，記錄學習過程、監(jiān)督學習質量。[9]余勝泉等人基于大數據分析技術構建智慧教育公共服務平臺，形成了一套用大數據改進區(qū)域教育質量的解決方案。[10]

關于開展個體差異實證研究和應用探索，姜強、趙蔚等人從多元維度構建學習者能力模型，并在個性化自適應學習系統(tǒng)中應用，實現能力導向的個性化學習路徑生成，以及基于個體能力差異的因材施教，并對其學習效率進行實證評價研究。[11]東北師大韓建華等人構建了智能導學系統(tǒng)的結構模型與學習過程模型;以Bettys Brain系統(tǒng)為例進行實證研究，結果表明智能導學環(huán)境有助于促進學習者的自我調節(jié)、自我反思及自我評價。[12]趙學孔等人通過實驗驗證了基于B/S模式的自適應學習系統(tǒng)個性化推薦模型，在學習者的學習風格、認知水平與領域知識元對象特征之間進行關聯規(guī)則匹配，實現個性化推薦。[13]

關于教學實踐探索，主要包含構建智能化學習空間、學習環(huán)境，探索個性化教學模式等。

祝智庭等人基于數字學習環(huán)境兩類主導設計——VLE、PLE整合研究趨向，提出并談及協(xié)調教與學的個人學習空間（PLS）。[14]陸芳、李克東構建基于Web2.0的個人學習環(huán)境結構模型，開展基于iGoogle的個人學習環(huán)境構建和課程教學應用實踐。[15]方海光等人利用PADClass模型對學習過程進行數據形式化采集和描述，得出PADClass情境中的教學策略。通過這些數據和分析結果，可以進行教學控制和教學反思，進而提高課堂教學水平。[16]馬玉慧等人研究了關注認知診斷的個性化學習資源推送方法，補充對學生認知結構的差異考慮和對推送內容的解釋，實現在線學習過程中的因材施教。[17]

4.關鍵詞突現性分析

關鍵詞突現性指某時間段內該關鍵詞突然上升或下降的頻率，通常代表某一研究的轉變。[18]突現性的數值越高，表示該關鍵詞在該時間段內受到高度關注。如表3所示，在2010—2020年國內個體差異研究中，突現性排在首位的關鍵詞是“人工智能”，突現性為9.96，突現年份為2018年，接著依次排列的關鍵詞是MOOC、個性化學習、個人學習環(huán)境、翻轉課堂等。

從關鍵詞突現性來看，“學習風格”在2010—2015年突現，“個性化推薦”“個性化學習”在2010—2013年成為個體差異研究的熱點關鍵詞，由于文章檢索時間設定在2010年以后，所以“個性化推薦”以及“學習風格”可能突現時間更長，代表在個體差異研究領域被給予更長時間的關注;“個人學習環(huán)境”“電子書包”“翻轉課堂”“MOOC”在2012—2016年成為關注熱點;“智能教育”“人工智能”在2018年成為熱點關鍵詞。大部分高頻高中心性、突現詞屬于聚類#1、聚類#0或聚類#2，說明學習風格、元認知和智能技術相關內容一定程度上代表個體差異研究領域的主要內容，表明近10年學者對個體差異的具體內容以及技術支持比較關注。2010—2020年國內個體差異研究突現關鍵詞圖譜如圖5所示。

5.關鍵詞時間線和時區(qū)分析

時間線視圖可以根據連線看出聚類間的傳承關系，如圖6所示。時區(qū)視圖側重于從時間維度表示研究的演進。某一時區(qū)文獻越多，說明該領域處于繁榮時期，相反，則處于低谷時期，如圖7所示。結合時間線和時區(qū)分析理清研究發(fā)展的脈絡。

國內個體差異研究在2011—2012年處于低谷期，2012年以后，隨著網絡技術的發(fā)展、電子書包和手機等移動學習終端的日益廣泛應用，特別是大數據和人工智能技術的發(fā)展，個體差異研究受到廣泛關注。學者開始關注大數據、學習分析、人工智能以及自適應等技術環(huán)境下的個體差異問題。2010—2013年伴隨著互聯網的成熟以及中央的高度關注，大數據得到長足發(fā)展。由此，2013年大數據首次成為個體差異研究領域的熱點，通過構建數據模型、學習分析模型等，對學生的學習習慣、風格的差異進行研究。2014年隨著在線教育不斷受到互聯網企業(yè)的重視、在線教育行業(yè)的迅速發(fā)展，大規(guī)模在線課程應運而生。個體差異研究場景聚焦于在線學習，學者更加關注構建在線學習生態(tài)、學習環(huán)境及學習模型。2016年開啟人工智能時代，從機器學習到深度學習，教育大數據、智能學習系統(tǒng)、可視化分析等技術方法輔助教學更精準化呈現學習者的個體差異。2010—2020年國內個體差異的時區(qū)視圖如圖7所示。

三、思考與啟示

1.國內個體差異研究進展

目前國內個體差異研究以學習風格、學習認知以及學習習慣等為主要研究對象，其中學習風格、元認知和智能技術等內容代表本領域的研究重點，教師專業(yè)發(fā)展和個人學習環(huán)境對適應學生個體差異起著重要作用，是潛在的研究方向。該領域核心作者包含趙蔚、姜強、楊現民、牟智佳、王朋嬌等學者。本領域的研究仍舊處于初期探索階段，學者沒有形成深度而廣泛的合作，有待后續(xù)學者進一步探索。

2.研究內容貼合技術發(fā)展趨勢

從文獻計量分析來看，我們發(fā)現，個體差異研究進程稍滯后于我國技術的發(fā)展進程，但始終貼合技術的發(fā)展趨勢，且隨著技術熱度的轉變而轉變。根據近10年的發(fā)展趨勢來看，我們預測未來個體差異研究勢必會融合時下新型技術，可能在人工智能、區(qū)塊鏈、5G等技術支持下進一步探索。未來技術賦能教育將會為學生個體差異問題提供更優(yōu)解。

3.未來研究方向和啟示

從文獻計量分析結果來看，目前個體差異研究側重于理論建構和技術支持，集中在模型構建、資源推薦和支持服務等方面;教學實踐中的應用還不夠深入，目前還停留在處理和分析表層差異、提出較單一的教學策略階段，研究場景還聚焦于在線學習。因此，未來個體差異研究可以結合理論探索，把握新型技術環(huán)境下學生個體差異的多層內涵，拓展深層次的實踐應用，探索更多個體差異的研究場景，如混合式學習環(huán)境、虛擬現實環(huán)境等。

參考文獻：

[1]談松華.有質量的公平須正視個體差異[N].中國教育報，2016-03-04（005）.

[2]HIRSCH JE.An index to quantify an individuals scientific research output[J].Proc Natl Acad Sci USA，2005，102（46）.

[3]張學梅.hm指數——對h指數的修正[J].圖書情報工作，2007，51（10）：16，116-118.

[4]陳仕品，張劍平.適應性學習支持系統(tǒng)的學生模型研究[J].中國電化教育，2010（5）：112-117.

[5]姜強，趙蔚，杜欣等.基于用戶模型的個性化本體學習資源推薦研究[J].中國電化教育，2010（5）：106-111.

[6]武法提，殷寶媛，黃石華.基于教育大數據的學習習慣動力學研究框架[J].中國電化教育，2019（1）：70-76.

[7]吳洪艷.智慧學習視角下個性化在線學習系統(tǒng)設計與應用[J].中國電化教育，2015（6）：127-131.

[8]姜強，趙蔚，王朋嬌等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.

[9]方海光，仝賽賽，杜婧敏等.基于區(qū)塊鏈技術的智慧學習機器人設計研究——面向大規(guī)模學習服務系統(tǒng)的智慧學習機器人[J].遠程教育雜志，2017，35（4）：42-48.

[10]余勝泉，李曉慶.基于大數據的區(qū)域教育質量分析與改進研究[J].電化教育研究，2017，38（7）：5-12.

[11]姜強，趙蔚，劉紅霞等.能力導向的個性化學習路徑生成及評測[J].現代遠程教育研究，2015（6）：104-111.

[12]韓建華，姜強，趙蔚等.智能導學環(huán)境下個性化學習模型及應用效能評價[J].電化教育研究，2016（7）：66-73.

[13]趙學孔，徐曉東，龍世榮.B/S模式下自適應學習系統(tǒng)個性化推薦服務研究[J].中國遠程教育，2015（10）：71-78，80.

[14]祝智庭，管玨琪，劉俊.個人學習空間：數字學習環(huán)境設計新焦點[J].中國電化教育，2013（3）：1-6，11.

[15]陸芳，李克東.基于Web2.0的PLE結構模型構建研究[J].電化教育研究，2013，34（9）：51-56.

[16]方海光，侯偉鋒，王曉春等.基于PADClass模型的數字化課堂學習過程數據挖掘與分析研究[J].電化教育研究，2014，35（10）：110-113，120.

[17]馬玉慧，王珠珠，王碩爍等.面向智慧教育的學習分析與智能導學研究——基于RSM的個性化學習資源推送方法[J].電化教育研究，2018，39（10）：47-52，82.

[18]陳悅，陳超美，胡志剛等.引文空間分析原理與應用：CiteSpace實用指南[M].北京：科學出版社，2014.9：86-89.

（編輯：王天鵬）