蔣允哲 姜亞亭

摘? 要? 以知識圖譜分析為主要分析方法，并運用Cite-Space 5.7.R5W、NoteExpress 3.4.0.8878、UCINET 6.186等軟件，對中國知網(wǎng)收錄的614篇與推薦技術(shù)和教育相關(guān)的期刊論文進(jìn)行分析，分析發(fā)現(xiàn)：推薦技術(shù)在教育領(lǐng)域應(yīng)用研究的文獻(xiàn)數(shù)量呈現(xiàn)不斷上升的趨勢;應(yīng)用主要聚焦于對學(xué)習(xí)者所需學(xué)習(xí)資源的個性化推薦;與人工智能、大數(shù)據(jù)技術(shù)結(jié)合的自適應(yīng)學(xué)習(xí)資源推薦成為當(dāng)下研究的新熱點。

關(guān)鍵詞? 推薦技術(shù);教育技術(shù);知識圖譜;學(xué)習(xí)資源

中圖分類號：G434? ? 文獻(xiàn)標(biāo)識碼：B

文章編號：1671-489X（2022）06-0085-05

0? 引言

隨著互聯(lián)網(wǎng)的出現(xiàn)與普及，其帶來的大量信息雖然滿足了用戶在信息時代對信息的需求，但面對海量的信息，用戶對獲取自身所需要信息的難度卻大大增加，信息的使用效率反而降低，這就是所謂的信息過載現(xiàn)象，而推薦技術(shù)的誕生使這種現(xiàn)象得到很大程度的緩解[1]。推薦技術(shù)是一種用于幫助用戶從海量對象中迅速篩選出符合自身偏好特征的對象的方法，主要方法包括基于內(nèi)容的推薦、協(xié)同過濾推薦、混合推薦等。

大數(shù)據(jù)環(huán)境下，在面對大量的、形式各異的教學(xué)資源時，學(xué)習(xí)者為滿足個性化發(fā)展需要，也面臨無從下手、學(xué)習(xí)迷航的尷尬局面。因此，部分教育領(lǐng)域的學(xué)者考慮引入推薦技術(shù)，通過利用推薦技術(shù)，實現(xiàn)對學(xué)習(xí)者所需學(xué)習(xí)資源的精準(zhǔn)推薦。同時，推薦技術(shù)的運用也是智能時代助力因材施教的一大技術(shù)基礎(chǔ)。Wan等[2]針對e-learning學(xué)習(xí)環(huán)境提出一種面向?qū)W習(xí)者的推薦方法，該方法結(jié)合了混合概念映射和免疫算法，通過與其他啟發(fā)式算法和傳統(tǒng)教學(xué)方法進(jìn)行對比實驗后發(fā)現(xiàn)，在適應(yīng)性和有效性方面更有優(yōu)勢。牟智佳等[3]通過從電子書包學(xué)習(xí)系統(tǒng)數(shù)據(jù)庫中挖掘?qū)W習(xí)者的個性化特征信息數(shù)據(jù)，以此來創(chuàng)建學(xué)習(xí)者模型，并基于此模型設(shè)計出一種個性化學(xué)習(xí)資源推薦框架，探討該框架如何實現(xiàn)學(xué)習(xí)資源的推薦。張近良等[4]通過結(jié)合大數(shù)據(jù)和人工智能兩種技術(shù)以及思維框架，構(gòu)建一種學(xué)習(xí)資源智能推薦模型，該模型具有更快的運行速度和更高的推薦精準(zhǔn)度。張靜[5]以提升學(xué)習(xí)者泛在學(xué)習(xí)體驗為目的，提出一種運用在泛在學(xué)習(xí)環(huán)境下的學(xué)習(xí)資源自適應(yīng)推薦模型，模型能感知學(xué)習(xí)者周圍環(huán)境、設(shè)備的變化，并基于個性化推薦規(guī)則數(shù)據(jù)庫定位最適合的學(xué)習(xí)資源，完成推薦。

目前，很少有人對教育領(lǐng)域的推薦技術(shù)進(jìn)行綜述分析。本文匯總2000—2020年教育技術(shù)領(lǐng)域?qū)ν扑]技術(shù)研究的相關(guān)文獻(xiàn)，通過采集數(shù)據(jù)形成知識圖譜，系統(tǒng)、規(guī)范地分析推薦技術(shù)在教育技術(shù)領(lǐng)域的應(yīng)用現(xiàn)狀，以揭示推薦技術(shù)的研究熱點和趨勢。

1? 數(shù)據(jù)來源及研究方法

1.1? 數(shù)據(jù)來源

本文選取中國知網(wǎng)數(shù)據(jù)庫（CNKI）為樣本數(shù)據(jù)庫來源，檢索時間為2021年5月22日，通過高級檢索，主題檢索欄以“推薦*學(xué)習(xí)資源”“推薦*課程”“推薦*學(xué)習(xí)者”“推薦*學(xué)習(xí)路徑”為檢索式，時間設(shè)定為2000—2020年，共檢索出文獻(xiàn)614篇。通過去重和篩選不相關(guān)文獻(xiàn)，處理后共得到有效文獻(xiàn)528篇。

1.2? 研究方法

本文基于可視化理論基礎(chǔ)，主要采取知識圖譜分析、共詞分析和社會網(wǎng)絡(luò)分析的方法，使用一系列相關(guān)軟件生成相應(yīng)的知識圖譜，并通過分析各個圖譜，探究推薦技術(shù)在教育技術(shù)領(lǐng)域的運用現(xiàn)狀及發(fā)展趨勢。研究主要采用的分析工具包括CiteSpace?5.7.R5W、Ucinet 6.186、NoteExpress 3.4.0.8878。

2? 知識圖譜分析

2.1? 文獻(xiàn)量統(tǒng)計分析

文獻(xiàn)量的變化能在一定程度上反映某一領(lǐng)域的現(xiàn)狀和熱度，文獻(xiàn)統(tǒng)計曲線的走向能夠很直觀地體現(xiàn)領(lǐng)域研究的熱度情況變化。圖1是2004—2020年的發(fā)文量增長趨勢圖，可知國內(nèi)最早研究將推薦技術(shù)運用到教育技術(shù)領(lǐng)域始于2004年。從圖的整體上可以看出：國內(nèi)對該領(lǐng)域的研究呈現(xiàn)不斷上升的趨勢，雖然在2011年有所下降，但從2012年起發(fā)生轉(zhuǎn)折，進(jìn)入一個快速發(fā)展時期，2019年文獻(xiàn)量更是達(dá)到101篇。原因是21世紀(jì)初，信息技術(shù)的普及為教育技術(shù)的發(fā)展帶來契機，教育信息化的出現(xiàn)將課程與信息技術(shù)結(jié)合，而2010—2018年，教育信息化步入2.0時代[6]，原先由信息技術(shù)發(fā)展催生出的新的教學(xué)形式也得到改善與突破，學(xué)習(xí)環(huán)境也發(fā)生改變。國內(nèi)的學(xué)者漸漸發(fā)現(xiàn)學(xué)習(xí)者在新的學(xué)習(xí)環(huán)境下出現(xiàn)信息過載的難題，找到推薦技術(shù)與教育技術(shù)結(jié)合的研究方向，進(jìn)入研究的新軌道[7]。

2.2? 內(nèi)容知識圖譜分析

關(guān)鍵詞是文獻(xiàn)的標(biāo)簽，也是研究者進(jìn)行檢索文獻(xiàn)的重要依據(jù)之一，不僅能體現(xiàn)文章的核心內(nèi)容，還能夠反映研究的主題，因此，通過對文獻(xiàn)關(guān)鍵詞的分析可以直觀了解研究領(lǐng)域內(nèi)容的變化。使用NoteEpress 3.4.0.8878軟件對528篇有效文獻(xiàn)進(jìn)行數(shù)據(jù)分析，并選取出頻次排名前40的關(guān)鍵詞，在對其進(jìn)行統(tǒng)計分析后發(fā)現(xiàn)（見表1）：“個性化推薦”“協(xié)同過濾”“學(xué)習(xí)資源推薦”“在線學(xué)習(xí)”“e-Learning”等關(guān)鍵詞在國內(nèi)推薦技術(shù)應(yīng)用于教育技術(shù)領(lǐng)域研究文獻(xiàn)中出現(xiàn)頻次較高。統(tǒng)計高頻次關(guān)鍵詞的目的是因為高頻次的關(guān)鍵詞能夠反映一定領(lǐng)域的研究熱點[8]。

2.2.1? 關(guān)鍵詞共現(xiàn)分析? 共詞分析方法是通過統(tǒng)計某些詞語或短語在同一篇文獻(xiàn)中同時出現(xiàn)的頻次，并對其進(jìn)行聚類分析，從而反映出它們之間的親疏關(guān)系，并揭示這些詞語所代表主題的結(jié)構(gòu)變化[9]。本文通過NoteEpress 3.4.0.8878軟件的數(shù)據(jù)分析模塊，得到高頻關(guān)鍵詞的共現(xiàn)矩陣，之后將得到的矩陣文件導(dǎo)入UCINET 6.186軟件進(jìn)行相關(guān)預(yù)處理，并運行NetDraw可視化分析模塊進(jìn)行中心度分析，生成高頻詞共現(xiàn)網(wǎng)絡(luò)圖，如圖2所示。

在共線網(wǎng)絡(luò)圖中，節(jié)點的大小代表關(guān)鍵詞的中心度，節(jié)點越大，中心度就越大，且控制力越強;節(jié)點間的連線反映關(guān)鍵詞之間的共現(xiàn)情況，連線越粗則表示共現(xiàn)次數(shù)越多，連線越短則共現(xiàn)的關(guān)系就越密切[9];箭頭方向代表節(jié)點之間的上下級關(guān)系，箭頭所指節(jié)點是箭尾節(jié)點的上級關(guān)系。如圖2所示：圖譜由40個節(jié)點及其連線構(gòu)成，其中“協(xié)同過濾”處于圖譜中心的位置，且中心度最大，這表明協(xié)同過濾推薦的研究是研究者關(guān)注程度最高的內(nèi)容，是研究領(lǐng)域的一個核心;“個性化推薦”“學(xué)習(xí)資源”“個性化學(xué)習(xí)”等節(jié)點較大，在網(wǎng)絡(luò)中位于中心位置，說明這些關(guān)鍵詞的控制力很強，表明領(lǐng)域內(nèi)主要側(cè)重于研究針對學(xué)習(xí)者個性化學(xué)習(xí)的學(xué)習(xí)資源個性化推薦;“在線學(xué)習(xí)”“e-Learning”“大數(shù)據(jù)”“數(shù)據(jù)挖掘”等關(guān)鍵詞則處于圖譜的中間位置，且數(shù)量較多，表明研究涉及在線學(xué)習(xí)、網(wǎng)絡(luò)學(xué)習(xí)等技術(shù)方面較為廣泛;“學(xué)習(xí)路徑推薦”“泛在學(xué)習(xí)”“遠(yuǎn)程教育”“自適應(yīng)學(xué)習(xí)”等關(guān)鍵詞位于圖譜的邊緣，且節(jié)點較小，表明其在領(lǐng)域內(nèi)受到的關(guān)注較少，但未來是否會成為該領(lǐng)域研究的新趨勢尚未可知。另外，在圖譜中還能發(fā)現(xiàn)的一個特點是，每個關(guān)鍵詞之間均是雙向箭頭，說明各個關(guān)鍵詞之間均是相互影響的。

協(xié)同過濾推薦技術(shù)是通過找到目標(biāo)學(xué)習(xí)者興趣相似的學(xué)習(xí)者，再將這些學(xué)習(xí)者所感興趣的學(xué)習(xí)資源推薦給目標(biāo)學(xué)習(xí)者，其優(yōu)點相較于其他推薦技術(shù)，對推薦學(xué)習(xí)資源的內(nèi)容、形式?jīng)]有特定的限制[10]，因此，這種推薦技術(shù)更加適用于當(dāng)下數(shù)字化學(xué)習(xí)資源形式多樣化的環(huán)境。網(wǎng)絡(luò)技術(shù)的發(fā)展是在線學(xué)習(xí)得到普及的原因之一，越來越多的人通過網(wǎng)絡(luò)學(xué)習(xí)或在線學(xué)習(xí)的方式來獲取知識信息，而面對海量的數(shù)字化學(xué)習(xí)資源，通過協(xié)同過濾推薦技術(shù)來實現(xiàn)對學(xué)習(xí)者感興趣的學(xué)習(xí)資源的精準(zhǔn)推薦，必然少不了對學(xué)習(xí)者的建模。移動設(shè)備的普及讓學(xué)習(xí)者擺脫了傳統(tǒng)學(xué)習(xí)對時間和空間的限制，可以隨時展開學(xué)習(xí)，而讓學(xué)習(xí)者利用碎片化時間去獲得所需的學(xué)習(xí)資源，推薦技術(shù)就顯得尤為重要。因此，推薦技術(shù)在教育技術(shù)領(lǐng)域的應(yīng)用研究主要聚焦于通過協(xié)同過濾的方式實現(xiàn)學(xué)習(xí)資源的個性化推薦，以滿足學(xué)習(xí)者在大數(shù)據(jù)環(huán)境下個性化學(xué)習(xí)的需要。

2.2.2? 關(guān)鍵詞時序分析? 將文獻(xiàn)數(shù)據(jù)導(dǎo)入軟件CiteSpace 5.7.R5W中，并對各類參數(shù)進(jìn)行調(diào)節(jié)設(shè)置：時間切片設(shè)置為2004—2020，時間分區(qū)設(shè)為1年，“Node Types”選項設(shè)為“keyword”，可視化方式為以時間區(qū)域呈現(xiàn)可視化結(jié)果?；谝陨显O(shè)置參數(shù)運行可視化軟件后得到圖3所示國內(nèi)教育領(lǐng)域?qū)ν扑]技術(shù)運用研究前沿的關(guān)鍵詞時序圖譜。由圖3可見：除“推薦系統(tǒng)”外，“學(xué)習(xí)資源”是整個時序圖譜中最大的關(guān)鍵詞，其次相關(guān)的是“學(xué)習(xí)路徑”“在線學(xué)習(xí)”“移動學(xué)習(xí)”等。

通過圖譜的展示，可以將國內(nèi)教育技術(shù)領(lǐng)域?qū)ν扑]技術(shù)的應(yīng)用研究大致分為三個階段。

第一階段為起步階段，時間為2004—2006年，這個時期主要側(cè)重于探索如何將推薦技術(shù)與教育技術(shù)相結(jié)合，且更多的是偏向推薦技術(shù)本身的研究，主要涉及方面包括推薦系統(tǒng)、推薦模型、個性化推薦、在線教學(xué)等。

第二階段為發(fā)展階段，并向在線學(xué)習(xí)等方面靠攏，時間為2007—2014年，這個時期在線學(xué)習(xí)平臺、e-Learning學(xué)習(xí)平臺逐漸興起，學(xué)習(xí)者為追求個性化發(fā)展，在海量信息中去尋求適合自身需要的在線學(xué)習(xí)資源，從學(xué)習(xí)平臺的眾多學(xué)習(xí)活動中找到適合的學(xué)習(xí)活動展開序列，因此便產(chǎn)生學(xué)習(xí)資源的推薦和學(xué)習(xí)路徑的推薦，主要涉及個性化學(xué)習(xí)、學(xué)習(xí)資源推薦、學(xué)習(xí)路徑推薦等。

第三階段為創(chuàng)新階段，在經(jīng)歷了一段時間的發(fā)展后，個性化推薦技術(shù)不斷深入，移動設(shè)備的普及以及大數(shù)據(jù)環(huán)境和云環(huán)境的到來讓學(xué)者逐漸意識到推薦技術(shù)的重要性，新環(huán)境下網(wǎng)絡(luò)信息種類繁多、特征混亂、信息結(jié)構(gòu)可視化難度大等問題又為推薦技術(shù)帶來推薦效率不高、興趣表達(dá)不充分等問

題[11]。為解決上述問題，適應(yīng)新環(huán)境的變化，必然要對推薦技術(shù)的應(yīng)用進(jìn)行創(chuàng)新，因此，融入人工智能技術(shù)、大數(shù)據(jù)技術(shù)相關(guān)因素的推薦技術(shù)誕生了，同時推薦技術(shù)也是自適應(yīng)學(xué)習(xí)平臺引導(dǎo)學(xué)生尋找最適合自己的下一步學(xué)習(xí)內(nèi)容和活動的技術(shù)基礎(chǔ)。此階段主要涉及的方面包括大數(shù)據(jù)、云計算、深度學(xué)習(xí)、移動學(xué)習(xí)、自適應(yīng)學(xué)習(xí)等。

3? 結(jié)語

本研究通過運用CiteSpace 5.7.R5W、UCINET 6.186、NoteExpress 3.4.0.8878等軟件，對從中國知網(wǎng)（CNKI）數(shù)據(jù)庫獲得的2000—2020年間的528篇與推薦技術(shù)在教育領(lǐng)域應(yīng)用研究相關(guān)的文獻(xiàn)進(jìn)行篩選、轉(zhuǎn)換、可視化等處理，并對生成的知識圖譜進(jìn)行分析和可視化研究，得到以下結(jié)論。

1）國內(nèi)教育領(lǐng)域?qū)ν扑]技術(shù)的應(yīng)用研究呈現(xiàn)出日益發(fā)展的上升趨勢。從對文獻(xiàn)發(fā)文量統(tǒng)計的知識圖譜可以看出，我國教育技術(shù)領(lǐng)域?qū)ν扑]技術(shù)的應(yīng)用研究最早始于2004年，于2012年伴隨著教育信息化的發(fā)展開始進(jìn)入快速發(fā)展階段，并在2019年達(dá)到一個高峰，說明近些年來教育技術(shù)領(lǐng)域?qū)ν扑]技術(shù)的應(yīng)用研究還是較為關(guān)注的。

2）國內(nèi)教育領(lǐng)域?qū)ν扑]技術(shù)的應(yīng)用研究主要聚焦于通過協(xié)同過濾推薦的方式實現(xiàn)對學(xué)習(xí)資源的個性化推薦。由關(guān)鍵詞共現(xiàn)圖譜可以看出，協(xié)同過濾的中心度最大，并位于網(wǎng)絡(luò)的中心位置;其次是個性化、學(xué)習(xí)資源等，說明該領(lǐng)域主要的研究方向是學(xué)習(xí)資源的個性化推薦。

推薦技術(shù)在教育領(lǐng)域的應(yīng)用經(jīng)歷了起步、發(fā)展和創(chuàng)新等階段，實現(xiàn)與在線學(xué)習(xí)的結(jié)合，并逐漸向移動學(xué)習(xí)、大數(shù)據(jù)、人工智能等技術(shù)靠攏，成為學(xué)習(xí)者實現(xiàn)自適應(yīng)學(xué)習(xí)必不可少的技術(shù)因素?！?/p>

參考文獻(xiàn)

[1] 奉國和，梁曉婷.國內(nèi)推薦引擎學(xué)術(shù)研究知識圖譜分析[J].情報科學(xué)，2012，30（1）：144-148，160.

[2] Wan Shanshan， Niu Zhendong. A learner orientedlearning recommendation approach based on mixed?concept mapping and immune algorithm[J].Know-?ledge-Based Systems，2016，103（1）：28-40.

[3] 牟智佳，武法提.電子書包中基于學(xué)習(xí)者模型的個? ??性化學(xué)習(xí)資源推薦研究[J].電化教育研究，2015，36（1）：69-76.

[4] 張進(jìn)良，葉求財.大數(shù)據(jù)視閾下學(xué)習(xí)資源智能推薦模型構(gòu)建[J].湖南科技大學(xué)學(xué)報（社會科學(xué)版），2019，22（4）：178-184.

[5] 張靜.一個泛在學(xué)習(xí)資源自適應(yīng)推薦模型的設(shè)計[J].中國教育技術(shù)裝備，2014（18）：39-40.

[6] 昌娜，鐘志賢.改革開放以來我國教育技術(shù)研究熱點圖譜分析[J].江西廣播電視大學(xué)學(xué)報，2020，22（1）：70-77.

[7] 孫鴻飛，武慧娟，李晟光.基于知識圖譜的個性化推薦研究熱點與前沿分析[J].情報科學(xué)，2014，32（12）：12-15，20.

[8] 曹慧娟，王曉春，劉彥蓉.國內(nèi)教育數(shù)據(jù)挖掘文獻(xiàn)的知識圖譜分析[J].中國教育信息化，2019（17）：5-8.

[9] 周琴英，楊文正.推薦系統(tǒng)用戶模型的研究熱點及啟示：基于近十年核心文獻(xiàn)的知識圖譜分析[J].情報科學(xué)，2020，38（09）：166-173.

[10] 趙佳男，王楠.數(shù)字學(xué)習(xí)資源推薦技術(shù)研究現(xiàn)狀及?趨勢分析[J].北京郵電大學(xué)學(xué)報（社會科學(xué)版），?2014，16（6）：90-96.

[11] 劉忠寶，宋文愛，孔祥艷，等.云環(huán)境下學(xué)習(xí)者建?模與學(xué)習(xí)資源推薦方法研究[J].電化教育研究，?2017，38（7）：58-63.

作者：蔣允哲、姜亞亭，首都師范大學(xué)教育學(xué)院在讀研究生，研究方向為人工智能教育（100037）。