張夢潔 劉峰 程薇

摘要： 以WOS收錄的2011-2021年780篇國外自適應學習技術(shù)文獻為研究對象，利用CiteSpace繪制時空和內(nèi)容知識圖譜，揭示近10年來國外在此領(lǐng)域的研究主題及發(fā)展趨勢。結(jié)果表明，研究主題主要分為以下四類，自適應性學習技術(shù)的研究與開發(fā);自適應性學習技術(shù)支持的個性化學習研究;智能學習環(huán)境的構(gòu)建研究;自適應性學習技術(shù)發(fā)展背景下教師適應性學習研究。其中前三個主題的研究已趨于成熟，而自適應學習技術(shù)背景下教師適應性學習研究還亟待發(fā)展，這將是未來此領(lǐng)域的一大研究趨勢。

關(guān)鍵詞： CiteSpace; 自適應學習技術(shù); 研究主題; 趨勢

中圖分類號：G40-05;G40-057? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2021）10-35-06

Analysis of research themes and trend on adaptive learning technology abroad

Zhang Mengjie， Liu Feng， Cheng Wei

（School of Education and Technology， Nanjing University of Posts and Telecommunications， Nanjing， Jiangsu 210023， China）

Abstract： This paper takes 780 foreign adaptive learning technology documents collected by WOS from 2011 to 2021 as the research object， uses CiteSpace to locate the time-space and content knowledge graph， and reveals foreign research themes and development trends in this field in the past 10 years. The results show that the research topics are mainly divided into the following four categories， the research and development of adaptive learning technology， the personalized learning research supported by adaptive learning technology， the research on construction of intelligent learning environment， and the research on teacher's adaptive learning under the background of the development of adaptive learning technology. Among them， the research on the first three themes has matured， and the research on teacher's adaptive learning under the background of adaptive learning technology still needs to be developed， it will be a major research trend in this field in the future.

Key words： CiteSpace; adaptive learning technology; research theme; trend

0 引言

近年來，隨著信息科技的飛速發(fā)展，智能化浪潮席卷而來，自適應學習技術(shù)成為人工智能賦能個性化教育的研究熱點，并且對教育生態(tài)重塑產(chǎn)生了深遠的影響。沃爾金頓（Walkington）認為，自適應學習技術(shù)（adaptive learning technology）是基于對學習者的經(jīng)驗、背景、知識存量、需求和興趣等因素的多維衡量，將學習評估，學習分析，學習調(diào)整等技術(shù)整合為一體[1]，致力于挖掘?qū)W生的教育數(shù)據(jù)以提供個性化學習路徑的教育技術(shù)手段。

美國新媒體聯(lián)盟在2020發(fā)布的《地平線報告（教與學版）》中強調(diào)，自適應學習技術(shù)能滿足不同高校，不同學生的個性化學習需求，突破傳統(tǒng)線性教育壁壘，實現(xiàn)千人千面教學，自適應學習技術(shù)正成為教學信息化建設(shè)的重點[2]。因此，對自適應學習技術(shù)的研究與發(fā)展將進一步推進傳統(tǒng)教育的信息化、智能化變革。

1 數(shù)據(jù)來源和研究方法

⑴ 數(shù)據(jù)源：本研究使用Web of Science（“WoS”）作為搜索數(shù)據(jù)庫，因為WoS是最著名的期刊文章集合之一，其科學引文索引（SCI）包含8500多種橫跨170多個學科較有影響力的期刊，相比于其他數(shù)據(jù)庫，其收錄的外文文獻數(shù)量較多，覆蓋面較全[3]。

⑵ 檢索區(qū)間：2011年1月至2021年2月。

⑶ 檢索關(guān)鍵詞：以主題=“adaptive learning” or“adaptive learning technology” or “adaptive educational technology”or“l(fā)earning adaptive” or “l(fā)earning adaptive technology”;下拉搜索數(shù)據(jù)庫選框，選擇“Web of Science核心合集”;在文章類型一欄，選擇“article”;在Web of Science類別一欄，勾選“educational education research”。

⑷ 文獻篩選步驟和處理程序如下：第一步，輸入關(guān)鍵詞，獲得初步數(shù)據(jù)樣本780篇;第二步是篩選樣本類型，一般認為，期刊文章可能比其他類型的研究材料更敏銳，并且可以更直接地反映研究熱點和前沿[4]。因此，通過瀏覽初始數(shù)據(jù)樣本的題錄信息（由Excel導出，包含樣本標題、出版年限、摘要和關(guān)鍵詞等信息），得到符合期刊類型的論文568篇;第三步，根據(jù)納入與排除標準，通過仔細閱讀，依據(jù)文章具體研究主題、研究內(nèi)容進一步篩選，最終確定有效文獻502篇，作為本文的數(shù)據(jù)來源。

2 時空知識圖譜及其分析

2.1 國外自適應學習技術(shù)研究領(lǐng)域的時間分布圖譜

為了宏觀展示自適應學習技術(shù)領(lǐng)域的研究成果，使用CiteSpace統(tǒng)計了2011-2021所發(fā)表的有關(guān)期刊文章數(shù)量，每年的論文數(shù)量和變化趨勢如圖1所示。

整體而言，自適應學習技術(shù)領(lǐng)域論文數(shù)量呈現(xiàn)逐年上升趨勢。其中2013年成為高速發(fā)展的起點，圍繞自適應學習技術(shù)的研究文獻急增，研究成果豐富，主要歸結(jié)于大數(shù)據(jù)時代的到來，使得基于教育數(shù)據(jù)挖掘與應用的自適應學習技術(shù)被推向了“快車道”。2018年-2020年，由于國家政策起到的導向作用，故自適應學習技術(shù)相關(guān)的文獻數(shù)量呈爆發(fā)式增長，說明自適應學習技術(shù)已引起越來越多國外專家學者的重視。

2.2 國外自適應學習技術(shù)研究領(lǐng)域的空間分布圖譜

如圖2所示，在自適應學習技術(shù)領(lǐng)域發(fā)文數(shù)量排名前三的高校分別是國立臺灣師范大學，美國普渡大學，美國亞利桑那州，說明這三個機構(gòu)在自適應學習技術(shù)研究領(lǐng)域處于世界領(lǐng)先水平，具有較強的科研能力。值得注意的是，北京師范大學發(fā)文量與國外一些著名大學相當，表明自適應學習技術(shù)研究領(lǐng)域已受到國內(nèi)學術(shù)界的廣泛關(guān)注。

為更進一步分析不同機構(gòu)之間的合作情況，利用CiteSpace可視化分析工具中的“發(fā)文機構(gòu)合作統(tǒng)計”功能，生成該領(lǐng)域相關(guān)研究機構(gòu)的合作狀態(tài)圖譜。如圖3所示，機構(gòu)合作的網(wǎng)絡中一共有290個節(jié)點，139條連線，整體網(wǎng)絡密度僅達到0.0033，節(jié)點和連線比較疏松，表明國外自適應學習技術(shù)研究團隊分散，不同機構(gòu)之間交流不密切，合作較少，未形成極具凝聚力的研究群體。

3 內(nèi)容知識圖譜及其分析

3.1 國外近十年自適應學習技術(shù)領(lǐng)域關(guān)鍵詞共現(xiàn)圖譜

圖4所呈現(xiàn)的是國外自適應學習技術(shù)領(lǐng)域的關(guān)鍵詞共現(xiàn)圖譜。由圖4可知，自適應學習技術(shù)、自適應教學策略、自適應模型、學生表現(xiàn)是四個較為突出的研究熱點。

根據(jù)關(guān)鍵詞共現(xiàn)圖譜，進而整理出關(guān)鍵詞共現(xiàn)頻率表，由表1可見，國外研究文獻中出現(xiàn)頻次較高的部分關(guān)鍵詞（表格中展示的是共現(xiàn)頻次大于等于10次的詞）有“自適應學習技術(shù)”、“自適應模型”、“教育”、“自適應性學習”、“表現(xiàn)”、“交互式學習環(huán)境”等，這反應出自適應學習技術(shù)在推進、發(fā)展過程中所關(guān)注方向的聚焦和變化。

3.2 國外近十年自適應學習技術(shù)領(lǐng)域研究前沿聚類分析圖譜

圖5呈現(xiàn)的是國外自適應學習技術(shù)領(lǐng)域研究前沿聚類分析圖譜，共生成16個聚類區(qū)域（圖5只展示前10個聚類區(qū)域），對從聚類圖中獲得的16個聚類區(qū)域進行篩選和二次合并，提煉歸納出國外自適應學習技術(shù)領(lǐng)域重點關(guān)注的四個研究主題，即自適應學習技術(shù)的研究與開發(fā)、自適應學習技術(shù)支持下的個性化學習研究、自適應學習技術(shù)發(fā)展背景下的教師適應性學習、智能學習環(huán)境構(gòu)建。每個主題維度對應的關(guān)鍵詞如表2所示。

4 近十年來國外自適應學習技術(shù)的研究主題

這部分結(jié)合具體文獻和上文統(tǒng)計得到的研究前沿聚類圖、關(guān)鍵詞聚類分布表，對四個研究主題進行闡發(fā)與總結(jié)。

4.1 自適應學習技術(shù)的開發(fā)研究

關(guān)于自適應學習技術(shù)的開發(fā)研究，主要集中在算法優(yōu)化方面。經(jīng)整理歸納發(fā)現(xiàn)，語義網(wǎng)本體技術(shù)是當前廣泛應用的自適應學習技術(shù)開發(fā)手段。語義網(wǎng)（Semantic Web）最早由萬維網(wǎng)之父蒂姆·伯納斯·李（Tim Berners Lee）于1998年提出，它一般提供形式化的知識表達模型來表征和共享知識，對語義網(wǎng)而言，查詢和本體是非常重要的構(gòu)成元素。通過本體來對各種學習資源進行標記，能夠讓資源共享、資源集成、資源擴展變得更加容易[5]。Vesin等[6]以語義網(wǎng)本體技術(shù)為基礎(chǔ)，設(shè)計了一種智能教學系統(tǒng)Protus 2.0，并結(jié)合學習者學習風格識別模型、內(nèi)容推薦原則以及適應性原則推理等方法滿足不同學生的個性化學習需求。類似地，Huang， Yang， Chiang[7]基于網(wǎng)本體技術(shù)，利用目標詞匯與上下文語義的相似性，開發(fā)了個性化移動詞匯學習系統(tǒng)，使學習者不再囿于枯燥重復的詞匯背誦，而是根據(jù)他們的認知水平和記憶規(guī)律，為他們提供個性化詞匯學習路徑。

4.2 自適應學習技術(shù)支持下的個性化學習研究

近十年來，自適應學習技術(shù)支持下的個性化學習研究重點聚焦于如何利用自適應技術(shù)增強學習者的個性化學習體驗，提高其學習效果。主要研究可分為自適應學習系統(tǒng)、學習分析技術(shù)的開發(fā)，在MOOC背景下增強式個性化學習實現(xiàn)、調(diào)適以及線上線下混合學習模式的創(chuàng)新性研究[8]。在自適應學習系統(tǒng)設(shè)計開發(fā)過程方面，主要涉及四個環(huán)節(jié)：測評-練習-學習-教授。它一方面持續(xù)動態(tài)地收集學生學習行為數(shù)據(jù)，對學生當前的知識掌握程度進行精準評估，為學生制定一條更適合他們的學習路徑。另一方面，根據(jù)學生的學習進度來對線上教學視頻進行精準推送，使學習過程得以迭代。Latham，Keeley Crockett，David McLean[9]等人開發(fā)了一種稱為PAT2Math的智能教學系統(tǒng)，該系統(tǒng)主要用于為學生解決復雜代數(shù)問題提供指導方案。而Lobo和Aher， S. B[10]則以關(guān)聯(lián)規(guī)則算法以及聚類算法為基礎(chǔ)，對智能化課程推薦系統(tǒng)進行了設(shè)計迭代，通過該系統(tǒng)將高質(zhì)量的課程推送給新生;在MOOCs背景下個性化學習調(diào)適方面，即使在線課程的大規(guī)模開展有效解決了高質(zhì)量教育資源匱乏問題，但其龐雜的資源庫無法為學生提供匹配且個性化的在線課程，從而影響學生的在線學習成效，這一缺陷有望通過自適應學習技術(shù)得以彌補。伴隨著決策樹以及神經(jīng)網(wǎng)絡算法等先進技術(shù)的飛速發(fā)展，基于MOOCs的學習資源的個性化配置的實現(xiàn)成為可能，如Ghauth和 Abdullah[11]根據(jù)學習者在線學習打分情況為學習者推送有關(guān)的學習研究材料以及在線教學視頻。

4.3 智能學習環(huán)境構(gòu)建

在教育個性化需求不斷增強的時代背景下，智能學習環(huán)境的創(chuàng)新性變革是實現(xiàn)個性化學習的又一關(guān)鍵進路，也是自適應學習技術(shù)關(guān)注的重點領(lǐng)域[12]?，F(xiàn)有的國外相關(guān)研究主要集中在以下幾個方面：首先是自適應技術(shù)支持下交互式、協(xié)作式、泛在式、智能式學習環(huán)境的構(gòu)建;其次是怎樣對學習風格建模、情感感知、虛擬現(xiàn)實等技術(shù)進行應用，以便更好地構(gòu)建適合學習者的智能學習環(huán)境;最后是如何為學習者提供更多的學習機會，從而提高其學習效果[13]。Hsu Hsu， T. Y.， C. K.， Tseng等[14]設(shè)計了一個基于情感感知技術(shù)的主動學習支持系統(tǒng)ALESS，對學生參與課堂任務的情感狀態(tài)進行檢測和評估，自動輸出反饋結(jié)果并提供即時的精準化指導。Graf， S.， Liu， T. C[15]等人通過研究發(fā)現(xiàn)，針對某一種特定學習風格設(shè)計的適應性學習環(huán)境，將有助于學生學業(yè)成績與滿意度的提高。

4.4 自適應學習技術(shù)發(fā)展背景下教師適應性學習研究

此主題的國外相關(guān)文獻的數(shù)量占比最少，表明這方面的研究還亟待發(fā)展，需要與其他探究重心相互結(jié)合。已有的國外研究主要關(guān)注教師專業(yè)發(fā)展、教師自適應學習、自適應技術(shù)如何改善教師教學、自適應教育背景下教師角色定位等幾個方面[16]。其中，教師的專業(yè)發(fā)展受到國外學者的廣泛關(guān)注，在自適應學習技術(shù)高度發(fā)展的背景下，如何不斷提高教師的自適應性素養(yǎng)，使他們成為合格的適應性專家（adaptive expert），從而使技術(shù)與人達到真正融合是“技術(shù)賦能教育”的重要一環(huán)，也是必然要求。當前，盡管信息化大潮已逐步重構(gòu)了教育教學形態(tài)，但學校對教師的專業(yè)技能培訓、信息技術(shù)素養(yǎng)與自適應素養(yǎng)提升方面仍重視不夠，導致技術(shù)與人處于分離狀態(tài)。盡管以自適應學習技術(shù)支持的各種學習產(chǎn)品、服務系統(tǒng)層出不窮，然而卻鮮有大規(guī)模運用于課程教學的實際案例，歸根結(jié)底，是因為忽視了對教師素養(yǎng)的提升。

5 總結(jié)與討論

本文通過分析國外近十年來自適應學習技術(shù)領(lǐng)域研究主題的發(fā)展脈絡和演進規(guī)律，可以得到以下結(jié)論。

首先，從時間上看，2013年成為研究高速發(fā)展的起點，2018-2020年進入大規(guī)模發(fā)展階段。從發(fā)文量來看，2018年此領(lǐng)域文章的發(fā)表數(shù)量呈現(xiàn)爆發(fā)式增長，這主要得益于大數(shù)據(jù)技術(shù)、學習分析等技術(shù)的高速發(fā)展。根據(jù)目前的研究數(shù)據(jù)，自適應學習技術(shù)賦能個性化教育具有良好的發(fā)展前景。

其次，通過研究發(fā)現(xiàn)自適應學習技術(shù)的實際應用和推廣也遇到了一些困難。譬如實施個性化精準教學需要耗費大量的時間、投入成本較高、家長和教師的技術(shù)接受度較低;一些自適應學習產(chǎn)品通常存在數(shù)據(jù)維度不全面、學習模型單一化、學習資源不豐富、個性化調(diào)整不夠智能等問題;自適應系統(tǒng)與學?，F(xiàn)有教學體系不適配的問題，如技術(shù)與人難以融合問題，教師如何使用自適應技術(shù)更好的配合其課堂教學工作，在同一個班級中，教師如何管理和評估具有不同學習需求的學生。因此，我國在進行自適應學習技術(shù)研究和實踐探索過程中，除了借鑒國外已有研究成果外，對國外研究的薄弱地帶需加以重視，并結(jié)合我國教育發(fā)展的實際情況，繪制符合我國教育情景的自適應教育藍圖。

最后，自適應學習技術(shù)賦能個性化教育無疑是未來發(fā)展趨勢，而自適應學習也已經(jīng)成為教育技術(shù)研究領(lǐng)域的一個重要研究范式。但無論技術(shù)如何發(fā)展，它始終只是一種手段，無法解決所有的教育問題，最佳的自適應絕不僅僅只是技術(shù)，而是包含教師和技術(shù)兩方面。所以在追求技術(shù)極大發(fā)展的同時，不能忽視教師自適應素養(yǎng)的提升。為廣大教師提供適合且即時的專業(yè)發(fā)展機會，以及促進自適應學習技術(shù)與教師專業(yè)發(fā)展的整合與創(chuàng)新將是未來自適應學習技術(shù)領(lǐng)域中的一大研究趨勢。

參考文獻（References）：

[1] Walkington， C. A. Using adaptive learning technologies to personalize instruction to student interests： the impact of relevant con?texts on performance and learning outcomes. Journal of Educational Psychology，2013.105（4）：932-945

[2] 劉永貴，劉瑞，包雅君，劉奇岳.《2020地平線報告》啟示因校制宜推動教學信息化[J].中國教育網(wǎng)絡，2020.6：28-30

[3] 王娟，陳世超，王林麗，楊現(xiàn)民.基于CiteSpace的教育大數(shù)據(jù)研究熱點與趨勢分析[J].現(xiàn)代教育技術(shù)，2016.26（2）：5-13

[4] 張斌賢，陳瑤，祝賀，羅小蓮. 近三十年我國教育知識來源的變遷——基于《教育研究》雜志論文引文的研究[J].教育研究，2009.30（4）：17-25

[5] JOVANOVIC J， TORNIAI C， et al. The social semantic web in intelligent learning environments： state of the art and future challenges[J].Interactive learning environments，2012.17（4）：273-309

[6] VESIN B， IVANOVIC M， BUDIMAC Z. Protus 2.0： ontology-based semantic recommendation in programming tutoring system[J]. Expert systems with applications an international journal，2012.39（15）：12229-12246

[7] Huang， C. S.， Yang， S. J.， Chiang， T. H.， &Su， A. Y. Effects of situated mobile learning approach on learning motivation and performance of EFL students[J].Educational Technology & Society，2016.19（1）：263-276

[8] HaoranXie， Hui-Chun Chu， Gwo-Jen Hwang.Trends and development in technology-enhanced adaptive/personalized learning： A systematic review of journal publications from 2007 to 2017[J].Computers& Education，2019.140（18）：1-16

[9] Annabel Latham， Keeley Crockett， David McLean， Bruce Edmonds. A conversational intelligent tutoring system to automatically predict learning styles[J]. Computers & Education，2012.59（1）：95-109

[10] Aher， S. B.， & Lobo， L. M. R. J. Combination of machine learning algorithms for recommendation of courses in e-learning system based on historical data. Knowledge-Based Systems， 2017.51（1）：1-14

[11] Ghauth， K. I.， Abdullah. N. A.. Learning materials recommendation using good learners' ratings and content-based filtering. Educational Technology Research & Development，2010.58（6）：711-727

[12] MiekeVandewaetere，Piet Desmet， Geraldine Clarebout. The contribution of learner characteristics in the development of computer-based adaptive learning environments[J].Computers in Human Behavior，2015.27（12）：118-130

[13] Nur BaitiAfiniNormadhi， LiyanaShuib， Hairul Nizam Md

Nasir， Andrew Bimba. Identification of personal traits in adaptive learning environment：Systematic literature review[J].Computers & Education，2019.130（3）：168-190

[14] Hsu， T. Y.， Chiou， C. K.， Tseng， J. C. R.， & Hwang， G. J.

Development and evaluation of an active learning support system for context-aware ubiquitous learning[J].IEEE Transactions on Learning Technologies，2016.9（1）：37-45

[15] Graf， S.， Liu， T. C.， &Kinshuk. Analysis of learners' navigational behavior and their learning styles in an online course[J].Journal of Computer Assisted Learning，2014.26（2）：116-131

[16] Hector Yago， Julia Clemente， Daniel Rodriguez.Competence-based recommender systems：a systematic literature review[J].Behavior& Information Technology，2018.37（11）：958-957