馬 華，李京澤，唐文勝，黃卓軒

（1.湖南師范大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙 410081；2.騰訊云計(jì)算（長(zhǎng)沙）有限責(zé)任公司，湖南 長(zhǎng)沙 410221）

0 引言

近年來(lái)，互聯(lián)網(wǎng)、移動(dòng)通信、云計(jì)算、大數(shù)據(jù)和人工智能等技術(shù)的融合與迅猛發(fā)展，推動(dòng)了全球教育方式的變革。2019 年2 月，中共中央、國(guó)務(wù)院印發(fā)《中國(guó)教育現(xiàn)代化2035》，明確了我國(guó)要加快信息化教育變革，實(shí)現(xiàn)規(guī)?；逃c“個(gè)性化培養(yǎng)”的有機(jī)結(jié)合。2020 年，在全球爆發(fā)的新冠疫情，客觀上促進(jìn)了在線學(xué)習(xí)的大規(guī)模普及［1］，并推動(dòng)了公共學(xué)習(xí)平臺(tái)（例如edX、Coursera、Udacity、中國(guó)大學(xué)MOOC、學(xué)習(xí)通、智學(xué)網(wǎng)、EduCoder 等）和各個(gè)教學(xué)單位自有網(wǎng)絡(luò)教學(xué)系統(tǒng)的快速發(fā)展。目前，這些平臺(tái)和系統(tǒng)已積累了包括慕課（MOOC）、開(kāi)放式課程（Open Course Ware，OCW）、課件、試題、習(xí)題（或?qū)嶒?yàn)、實(shí)訓(xùn)）等在內(nèi)的龐大學(xué)習(xí)資源。為不斷提高自己的知識(shí)水平，學(xué)習(xí)者迫切希望從海量的各類學(xué)習(xí)資源中快速挑選出適合自己的個(gè)性化資源以有效完善自己的知識(shí)結(jié)構(gòu)［2-3］。如何實(shí)現(xiàn)精準(zhǔn)的個(gè)性化學(xué)習(xí)輔導(dǎo)，已成為當(dāng)前在線學(xué)習(xí)研究面臨的一個(gè)關(guān)鍵問(wèn)題［4］。

在線學(xué)習(xí)大規(guī)模普及背景下，面對(duì)現(xiàn)已生成的海量且多模態(tài)的歷史學(xué)習(xí)數(shù)據(jù)、豐富且異構(gòu)化的學(xué)習(xí)資源，在學(xué)習(xí)者認(rèn)知能力不確定性、學(xué)習(xí)興趣變化性、學(xué)習(xí)偏好多樣性等因素影響下，個(gè)性化在線學(xué)習(xí)資源推薦研究面臨諸多挑戰(zhàn)，已受到許多學(xué)者關(guān)注，他們的研究獲得了政府和民間的多項(xiàng)資助。例如，中國(guó)國(guó)家自然科學(xué)基金委于2018年新設(shè)立了項(xiàng)目申請(qǐng)代碼F0701（“教育信息科學(xué)與技術(shù)”），近4 年來(lái)已資助10 余項(xiàng)與學(xué)習(xí)資源個(gè)性化推薦相關(guān)的項(xiàng)目。美國(guó)蘭德公司在比爾及梅琳達(dá)·蓋茨基金會(huì)資助下進(jìn)行了Observations and Guidance on Implementing Personalized Learning 項(xiàng)目研究［5］，美國(guó)奧斯汀佩伊州立大學(xué)的Degree Compass、普渡大學(xué)的Course Signals 和亞利桑那州立大學(xué)的eAdvisor 等項(xiàng)目，也都致力于提供大數(shù)據(jù)背景下的個(gè)性化學(xué)習(xí)推薦服務(wù)［6］。以上項(xiàng)目的實(shí)施，有效促進(jìn)了個(gè)性化在線學(xué)習(xí)資源推薦研究的發(fā)展。

目前，個(gè)性化在線學(xué)習(xí)資源推薦研究已取得一定進(jìn)展和成果［7］，但至今尚未見(jiàn)到對(duì)現(xiàn)有研究成果進(jìn)行可視化分析的文獻(xiàn)。本文采用文獻(xiàn)計(jì)量法，使用CiteSpace［8］軟件分析了中國(guó)知網(wǎng)（CNKI）和Web of Science（WoS）近十年的相關(guān)研究現(xiàn)狀，總結(jié)了個(gè)性化在線學(xué)習(xí)資源推薦研究的熱點(diǎn)和趨勢(shì)，并指出了未來(lái)研究的主要方向，以期為相關(guān)研究者提供參考與啟發(fā)。

1 研究方案

考慮到CNKI 和WoS 核心庫(kù)是當(dāng)前最主流和最權(quán)威的中、英文學(xué)術(shù)信息數(shù)據(jù)庫(kù)，本文將以它們作為數(shù)據(jù)采集平臺(tái)。統(tǒng)計(jì)主題由“個(gè)性化在線學(xué)習(xí)方式”和“學(xué)習(xí)資源類型”兩部分組成，以CNKI 為例，其統(tǒng)計(jì)主題為“（個(gè)性化學(xué)習(xí)+在線學(xué)習(xí)+網(wǎng)絡(luò)教學(xué)+移動(dòng)學(xué)習(xí)+學(xué)習(xí)資源+習(xí)題+試題+慕課+MOOC+開(kāi)放式課程+OCW+學(xué)習(xí)路徑+教育資源+學(xué)習(xí)小組+課件+學(xué)習(xí)視頻）*推薦”。根據(jù)數(shù)據(jù)統(tǒng)計(jì)分析可知，2010 年之前發(fā)表的與本主題相關(guān)的學(xué)術(shù)成果數(shù)量較少，故本文將發(fā)文年份設(shè)為2011-2021 年，即分析近十年的相關(guān)研究成果。此外，數(shù)據(jù)采集時(shí)可能導(dǎo)入一些與統(tǒng)計(jì)主題關(guān)聯(lián)性較小學(xué)科的無(wú)效數(shù)據(jù)，例如CNKI 中的“高等教育”“成人教育與特殊教育”“外國(guó)語(yǔ)言文學(xué)”等學(xué)科有大量單純涉及教學(xué)和文學(xué)理論的相關(guān)研究成果，WoS 中的“Engineering Electrical Electronic”“Telecommunications”等學(xué)科有大量單純涉及信號(hào)處理和通信技術(shù)的研究。因此，本研究對(duì)學(xué)科和文獻(xiàn)類型均進(jìn)行篩選，然后在CNKI 和WoS 中分別得到1 652 條和1 363 條記錄，簡(jiǎn)記為CNKI 源Ⅰ和WoS 源。為進(jìn)一步聚焦高質(zhì)量中文學(xué)術(shù)成果，本文專門從CNKI 源I 中篩除非北大核心、CSSCI 和CSCD 收錄的期刊，得到1 148 條記錄，記為CNKI 源Ⅱ。分析數(shù)據(jù)源中文獻(xiàn)所屬類別和學(xué)科情況如表1所示。

Table 1 Categories and disciplines of literatures表1 文獻(xiàn)類別與學(xué)科

由表1 可知，CNKI 源Ⅰ、Ⅱ來(lái)源于計(jì)算機(jī)學(xué)科的文獻(xiàn)比例明顯高于WoS 源，其原因是CNKI 收錄了大量碩士或博士學(xué)位論文，表1 中檢索出來(lái)的900 篇學(xué)位論文中有753篇屬于計(jì)算機(jī)學(xué)科，而WoS 中未包含學(xué)位論文的數(shù)據(jù)。個(gè)性化學(xué)習(xí)資源推薦屬于跨學(xué)科研究范疇，教育學(xué)與教育心理學(xué)等為其提供理論指導(dǎo)，而計(jì)算機(jī)科學(xué)提供技術(shù)支撐。因不少文獻(xiàn)發(fā)表于跨學(xué)科期刊，故表1 的學(xué)科分析中文獻(xiàn)數(shù)據(jù)總和大于實(shí)際檢索獲得的總數(shù)。文中數(shù)據(jù)及篩選標(biāo)準(zhǔn)均已公布［9］。

2 研究基本狀況

為了解近十年個(gè)性化在線學(xué)習(xí)資源推薦研究基本狀況，使用CiteSpace 對(duì)現(xiàn)有研究發(fā)文量變化態(tài)勢(shì)和高發(fā)文量權(quán)威期刊、發(fā)文機(jī)構(gòu)和作者共現(xiàn)圖譜等進(jìn)行可視化分析。

2.1 發(fā)文量變化態(tài)勢(shì)與權(quán)威期刊分析

文獻(xiàn)發(fā)文量是衡量科學(xué)研究發(fā)展的重要指標(biāo)，它反映科學(xué)知識(shí)量的變化及該領(lǐng)域的研究熱度。3 個(gè)數(shù)據(jù)源在個(gè)性化學(xué)習(xí)推薦領(lǐng)域的發(fā)文量如圖1所示。

Fig.1 Changing trend of publication number圖1 發(fā)文量變化態(tài)勢(shì)

由圖1 可知，CNKI 源Ⅰ和CNKI 源Ⅱ的總發(fā)文量分別由2011 年的29 篇和26 篇增長(zhǎng)到2021 年的246 篇和159篇，增長(zhǎng)均超過(guò)5 倍。尤其是，2016-2017 年和2018-2019年期間的發(fā)文量增長(zhǎng)迅速。本文認(rèn)為這與人工智能與智慧教育在這些年的發(fā)展有密切關(guān)系，例如：2016 年，Alpha-Go 在人機(jī)大戰(zhàn)中獲勝，在全球掀起了人工智能研究的熱潮；2017 年，國(guó)務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，有力推動(dòng)了智能教育的發(fā)展；2018 年，教育部發(fā)布《教育信息化2.0 行動(dòng)計(jì)劃》，吸引了越來(lái)越多的學(xué)者圍繞“如何滿足在線學(xué)習(xí)者的個(gè)性化學(xué)習(xí)需求”開(kāi)展相關(guān)研究；2019 年，中共中央、國(guó)務(wù)院印發(fā)《中國(guó)教育現(xiàn)代化2035》，進(jìn)一步加快了互聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)等現(xiàn)代技術(shù)與教育教學(xué)的深度融合。正是國(guó)家政策的大力支持和新興技術(shù)的成功應(yīng)用，使得近年來(lái)個(gè)性化在線學(xué)習(xí)資源推薦研究取得了較多成果，并將在未來(lái)持續(xù)受到更多關(guān)注。近十年，WoS 源的發(fā)文量同樣穩(wěn)定上升，特別是2015 年，增幅達(dá)到1 倍。CNKI和WoS 相關(guān)發(fā)文量總體上升，說(shuō)明相關(guān)研究進(jìn)入了一個(gè)相對(duì)穩(wěn)定的發(fā)展時(shí)期。為進(jìn)一步分析發(fā)文質(zhì)量情況，從CNKI 和WoS 中選取本領(lǐng)域內(nèi)發(fā)文量排名前五的權(quán)威中文期刊和英文期刊，如表2所示。

表2 中所有期刊均屬于教育科學(xué)或計(jì)算機(jī)科學(xué)領(lǐng)域。CNKI 源Ⅰ、Ⅱ中發(fā)文量前五的中文期刊相同，排名前四的期刊均是教育學(xué)領(lǐng)域的CSSCI（Chinese Social Sciences Citation Index）來(lái)源期刊。其中，《中國(guó)電化教育》發(fā)文最多，共28 篇，該雜志主要關(guān)注面向全國(guó)中小學(xué)的教育信息化研究成果。《計(jì)算機(jī)學(xué)報(bào)》是中國(guó)計(jì)算機(jī)領(lǐng)域的權(quán)威期刊，也是EI（Engineering Index）來(lái)源期刊。從WoS 中挑選出來(lái)的期刊均為SCI（Science Citation Index）或SSCI（Social Sciences Citation Index）來(lái)源期刊，除第三和第五的期刊分別源自美國(guó)和荷蘭外，另外3 本期刊均來(lái)自英國(guó)。其中，Computers &Education是計(jì)算機(jī)與教育科學(xué)交叉研究的SCI 和SSCI 來(lái)源期刊，主要關(guān)注數(shù)字技術(shù)在教學(xué)上的使用，其發(fā)表的文章側(cè)重于對(duì)學(xué)習(xí)和教學(xué)的影響以及使用環(huán)境，一般不包含涉及軟硬件實(shí)現(xiàn)的體系結(jié)構(gòu)細(xì)節(jié)；Computers in Human Behavior聚焦研究計(jì)算機(jī)在心理學(xué)、精神病學(xué)和相關(guān)學(xué)科中的使用，以及計(jì)算機(jī)的使用對(duì)于個(gè)人、群體和社會(huì)的心理影響；IEEE Transactions on Learning Technologies是側(cè)重學(xué)習(xí)技術(shù)及其應(yīng)用研究的SCI 和SSCI 來(lái)源期刊；Expert Systems with Applications重點(diǎn)關(guān)注智能專家系統(tǒng)設(shè)計(jì)、開(kāi)發(fā)、測(cè)試、實(shí)施和管理；Knowledge-based Systems專注于知識(shí)和其他人工智能技術(shù)系統(tǒng)研究。

2.2 作者—機(jī)構(gòu)共現(xiàn)圖譜與高產(chǎn)機(jī)構(gòu)分析

文獻(xiàn)作者及發(fā)文機(jī)構(gòu)代表著該領(lǐng)域的研究力量，對(duì)研究領(lǐng)域的研究者和研究機(jī)構(gòu)進(jìn)行分析可識(shí)別該領(lǐng)域一定時(shí)期內(nèi)有較高影響力的研究群體。CNKI 和WoS 的核心作者—機(jī)構(gòu)共現(xiàn)圖譜分別如圖2 和圖3 所示。由CiteSpace 生成的圖譜中，連線代表節(jié)點(diǎn)間存在共現(xiàn)關(guān)系，節(jié)點(diǎn)越大，其出現(xiàn)頻次越高。圖2 和圖3 中隱藏了在該領(lǐng)域內(nèi)發(fā)文少于3 篇的作者姓名，名字越大，代表其發(fā)文越多，依此識(shí)別出核心作者。

Table 2 Top five authoritative journals表2 發(fā)文量前五的權(quán)威期刊

Fig.2 Co-occurrence mapping of CNKI author-institution圖2 基于CNKI的作者—機(jī)構(gòu)共現(xiàn)圖譜

Fig.3 Co-occurrence mapping of WoS author-institution圖3 基于WoS的作者—機(jī)構(gòu)共現(xiàn)圖譜

圖2 中，核心作者的合作并不多，而且多為一個(gè)機(jī)構(gòu)的內(nèi)部合作。例如，趙蔚和姜強(qiáng)同屬東北師范大學(xué)；而李浩君、張征和張鵬威則同屬浙江工業(yè)大學(xué)。但趙蔚等人與李浩君等人同為跨計(jì)算機(jī)與教育領(lǐng)域的研究者。通過(guò)點(diǎn)擊CiteSpace 中的作者節(jié)點(diǎn)可查看其發(fā)文量和發(fā)文時(shí)間。其中，東北師范大學(xué)的趙蔚合作較多，共發(fā)表12 篇文獻(xiàn)，集中在2011、2014、2015 這3 年，主要研究基于大數(shù)據(jù)和數(shù)據(jù)挖掘的推薦算法。

圖3 中，核心作者多是跨機(jī)構(gòu)合作。例如，Cardiff Univ的K Suomalainen 與Univ Helsinki 的E Barnes 有合作關(guān)系，Huazhong Univ Sci &Technol 的Zhou Pan 與Univ Florida 的Wu Dapeng 有合作關(guān)系。其中，Zhou Pan 共有6 篇文章，發(fā)表于2018 年和2019 年，主要研究大數(shù)據(jù)背景下用戶的實(shí)時(shí)興趣跟蹤。此外，Aleksandra Klasnja-Milicevic 發(fā)表論文較多，共9 篇文獻(xiàn)，主要研究基于標(biāo)簽、學(xué)習(xí)風(fēng)格和知識(shí)水平的學(xué)習(xí)資源推薦。

為考察機(jī)構(gòu)發(fā)文量，生成了CNKI和WoS的高產(chǎn)機(jī)構(gòu)發(fā)文量表，發(fā)文量前十的高產(chǎn)機(jī)構(gòu)如表3 所示。值得注意的是，CiteSpace將同一機(jī)構(gòu)的不同部門視為不同的發(fā)文機(jī)構(gòu)。

Table 3 Top ten high-yield institutions of documents issued表3 發(fā)文量前十的高產(chǎn)機(jī)構(gòu)

表3 中“CNKI 源Ⅱ期刊機(jī)構(gòu)”是統(tǒng)計(jì)發(fā)文于北大核心、CSSCI、CSCD 期刊的機(jī)構(gòu)。由表3 可知，華中師范大學(xué)在發(fā)文量方面遙遙領(lǐng)先，發(fā)表了80 篇相關(guān)文獻(xiàn)，大約是第二名北京郵電大學(xué)的2 倍。此外，電子科技大學(xué)發(fā)文量不少于33 篇。比較最早發(fā)文時(shí)間可發(fā)現(xiàn)，雖然東北師范大學(xué)和華東師范大學(xué)發(fā)文較早，但近十年總發(fā)文量不多。表3所列CNKI 機(jī)構(gòu)多為師范類高校，緣于他們深耕教育領(lǐng)域，易于凝聚教育和計(jì)算機(jī)專業(yè)人才開(kāi)展交叉研究并取得成果。此外，中國(guó)科學(xué)技術(shù)大學(xué)雖未進(jìn)入表3，但該校與表3中的“安徽科大訊飛”存在合作關(guān)系，而且其以陳恩紅、劉淇等人為代表的團(tuán)隊(duì)在個(gè)性化學(xué)習(xí)資源推薦研究領(lǐng)域取得諸多成果［4，10-12］。表3 列舉的WoS 機(jī)構(gòu)中，除排名第七、第九的機(jī)構(gòu)源自中國(guó)和南非外，另外八所機(jī)構(gòu)均來(lái)自美國(guó)或英國(guó)一流大學(xué)。同時(shí)，CNKI 中的國(guó)內(nèi)發(fā)文機(jī)構(gòu)合作較少，而WoS 中所列的發(fā)文機(jī)構(gòu)間合作較多。作者及發(fā)文機(jī)構(gòu)間的合作關(guān)系是互相影響的，因此相關(guān)領(lǐng)域的研究者和發(fā)文機(jī)構(gòu)的合作都需要進(jìn)一步加強(qiáng)。

基于CiteSpace 分析各機(jī)構(gòu)的發(fā)文者和文獻(xiàn)如下：

（1）CNKI 機(jī)構(gòu)中，東北師范大學(xué)的發(fā)文者主要是姜強(qiáng)、白雪和趙蔚3 人；華中師范大學(xué)的發(fā)文者主要是葉俊民、丁繼紅等人。姜強(qiáng)等［13］提出通過(guò)大數(shù)據(jù)分析，從學(xué)習(xí)環(huán)境、學(xué)習(xí)者、學(xué)習(xí)目標(biāo)、學(xué)習(xí)方法4 個(gè)維度建立學(xué)習(xí)分析模型，以實(shí)現(xiàn)為個(gè)性化學(xué)習(xí)者提供合理有效的學(xué)習(xí)路徑；趙蔚等［14］研究基于本體技術(shù)實(shí)現(xiàn)個(gè)性化學(xué)習(xí)資源推薦；葉俊民等［15］基于異構(gòu)信息網(wǎng)絡(luò)，以元路徑的相似性度量為基礎(chǔ)，結(jié)合知識(shí)轉(zhuǎn)化概率和學(xué)習(xí)反饋信息，計(jì)算學(xué)習(xí)者與學(xué)習(xí)資源之間的語(yǔ)義相似度，并依據(jù)該相似度推薦學(xué)習(xí)資源。

（2）WoS 機(jī)構(gòu)中，匹茲堡大學(xué)的相關(guān)研究者有Niu Zhendong 等［16］、倫敦大學(xué)有Karataev 等［17］。Zhendong等［16］將學(xué)習(xí)者的上下文和順序訪問(wèn)模式合并到推薦系統(tǒng)中，提出一種結(jié)合上下文感知、順序模式挖掘（Sequence Pattern Mining，SPM）和協(xié)同過(guò)濾（Collaborative Filtering，CF）算法的混合推薦方法。其中，上下文感知用于合并學(xué)習(xí)者的知識(shí)水平和學(xué)習(xí)目標(biāo)等上下文信息；SPM 算法用于挖掘Web 日志并發(fā)現(xiàn)學(xué)習(xí)者的順序訪問(wèn)模式；CF 根據(jù)情境化數(shù)據(jù)和學(xué)習(xí)者的知識(shí)計(jì)算預(yù)測(cè)并為目標(biāo)學(xué)習(xí)者提供建議的順序訪問(wèn)模式。Karataev 等［17］針對(duì)大多數(shù)電子學(xué)習(xí)系統(tǒng)未利用其用戶能力創(chuàng)建高質(zhì)量教育內(nèi)容的現(xiàn)狀，提出一種可支持用戶以小節(jié)課程形式編寫教育內(nèi)容的社交學(xué)習(xí)框架，通過(guò)遵循自適應(yīng)學(xué)習(xí)途徑以及與其它社交網(wǎng)絡(luò)中的同伴互動(dòng)完成課程學(xué)習(xí)。

3 研究熱點(diǎn)分析

為了解近十年個(gè)性化在線學(xué)習(xí)資源推薦研究熱點(diǎn)，使用CiteSpace 對(duì)現(xiàn)有研究的關(guān)鍵詞共現(xiàn)圖譜及高頻關(guān)鍵詞、共被引文獻(xiàn)聚類圖譜等進(jìn)行分析，并分析CNKI 現(xiàn)有研究所針對(duì)的學(xué)習(xí)資源類型。

3.1 關(guān)鍵詞共現(xiàn)圖譜分析

關(guān)鍵詞反映文獻(xiàn)的要點(diǎn)和主題內(nèi)容，而頻次標(biāo)志關(guān)鍵詞的重要程度，多篇文獻(xiàn)中共同出現(xiàn)的高頻次關(guān)鍵詞可反映該研究領(lǐng)域某一時(shí)期的研究熱點(diǎn)與核心內(nèi)容。由CiteSpace 得到關(guān)鍵詞共現(xiàn)圖譜如圖4 所示，高頻關(guān)鍵詞的詞頻統(tǒng)計(jì)如表4所示。

Fig.4 Co-occurrence map of keywords圖4 關(guān)鍵詞共現(xiàn)圖譜

Table 4 Word frequency statistics of high frequency keywords表4 高頻關(guān)鍵詞的詞頻統(tǒng)計(jì)

由圖4 和表4 可知，近年來(lái)個(gè)性化在線學(xué)習(xí)資源推薦研究所使用的主流技術(shù)包括“協(xié)同過(guò)濾”“深度學(xué)習(xí)”等，所涉及的常見(jiàn)學(xué)習(xí)資源包括“MOOC”“學(xué)習(xí)路徑”等，所針對(duì)的應(yīng)用場(chǎng)景主要有“在線學(xué)習(xí)”“higher education”等。

利用CiteSpace 中點(diǎn)擊節(jié)點(diǎn)可單獨(dú)顯示與其相連的其他節(jié)點(diǎn)這一功能，結(jié)合圖4 和表4 中的新興技術(shù)（特指2015年及之后出現(xiàn)的高頻關(guān)鍵詞中所涉及的技術(shù)）可知，將協(xié)同過(guò)濾算法、數(shù)據(jù)挖掘等傳統(tǒng)算法與深度學(xué)習(xí)、知識(shí)圖譜、認(rèn)知診斷等新興算法相結(jié)合，是近十年來(lái)的主要研究熱點(diǎn)。進(jìn)一步分析如下：

（1）協(xié)同過(guò)濾。利用協(xié)同過(guò)濾算法［18］分析學(xué)習(xí)者的歷史數(shù)據(jù)，以挖掘相似學(xué)習(xí)者或相似學(xué)習(xí)資源以進(jìn)行推薦，能獲得較理想的推薦效果［10］。其優(yōu)勢(shì)在于不需要像基于內(nèi)容的推薦算法那樣對(duì)資源進(jìn)行復(fù)雜的特征提取與建模。針對(duì)在應(yīng)用協(xié)同過(guò)濾算法時(shí)面臨的新學(xué)習(xí)者或新學(xué)習(xí)資源的冷啟動(dòng)問(wèn)題和數(shù)據(jù)稀疏問(wèn)題，研究者將協(xié)同過(guò)濾與其他技術(shù)或輔助信息相結(jié)合。例如，吳云峰等［19］結(jié)合遷移學(xué)習(xí)與協(xié)同過(guò)濾對(duì)面向C 程序網(wǎng)絡(luò)教學(xué)的試題資源進(jìn)行個(gè)性化推薦；朱天宇等［11］提出一種基于認(rèn)知診斷的協(xié)同過(guò)濾試題推薦方法等。這些研究有力地推進(jìn)了協(xié)同過(guò)濾算法在個(gè)性化學(xué)習(xí)資源推薦中的實(shí)際應(yīng)用。

（2）知識(shí)圖譜。利用知識(shí)圖譜構(gòu)建涉及大量實(shí)體及其關(guān)系的信息網(wǎng)絡(luò)，并以此為數(shù)據(jù)挖掘提供輔助信息，可提升推薦系統(tǒng)準(zhǔn)確率。從組成要素看，圖譜主要由節(jié)點(diǎn)和邊組成，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)現(xiàn)實(shí)世界中的實(shí)體，每條邊表示實(shí)體與實(shí)體之間的關(guān)系［20］。知識(shí)圖譜不僅在個(gè)性化學(xué)習(xí)路徑推薦研究中可發(fā)揮重要作用［21］，而且在論文推薦研究中也可有效解決數(shù)據(jù)稀疏問(wèn)題［22］。但是，將知識(shí)圖譜輔助解決冷啟動(dòng)問(wèn)題時(shí)，僅適用于已穩(wěn)定運(yùn)行一段時(shí)間并積累了一定歷史數(shù)據(jù)的在線學(xué)習(xí)平臺(tái)中出現(xiàn)新的學(xué)習(xí)者或者學(xué)習(xí)資源的情況［10］。

（3）認(rèn)知診斷。對(duì)學(xué)習(xí)者進(jìn)行認(rèn)知診斷（Cognitive Diagnosis）分析，可了解學(xué)習(xí)者的認(rèn)知結(jié)構(gòu)、知識(shí)點(diǎn)掌握狀態(tài)，從而為個(gè)性化學(xué)習(xí)資源推薦提供重要決策基礎(chǔ)。常見(jiàn)的認(rèn)知診斷模型有項(xiàng)目反應(yīng)理論（Item Response Theory，IRT）［23］、DINA 模型（Deterministic Inputs，Noisy “And” gate model）［24］，以及模糊認(rèn)知診斷模型（Fuzzy Cognitive Diagnosis Framework，F(xiàn)uzzyCDF）［25］等。使用認(rèn)知診斷模型可清晰了解學(xué)習(xí)者的學(xué)習(xí)狀況，從而有助于更精準(zhǔn)地進(jìn)行學(xué)習(xí)資源的個(gè)性化推薦。例如，童名文等［26］結(jié)合認(rèn)知診斷、領(lǐng)域模型和自適應(yīng)模型向?qū)W習(xí)者不斷推送適合的學(xué)習(xí)資源，以消除學(xué)習(xí)目標(biāo)與當(dāng)前學(xué)習(xí)成效之間的差值。針對(duì)現(xiàn)有認(rèn)知診斷模型在客觀題和主觀題評(píng)分機(jī)制上的不足，為更全面掌握學(xué)習(xí)者的認(rèn)知情況，一些改進(jìn)的認(rèn)知診斷模型［12，27］被提出。

3.2 學(xué)習(xí)資源類型分析

CNKI 提供了“結(jié)果中檢索”功能，而WoS 未提供該功能，因此，本文僅篩選出CNKI 源Ⅰ、Ⅱ中文獻(xiàn)明確針對(duì)的學(xué)習(xí)資源類型，主要包括MOOC、學(xué)習(xí)路徑、習(xí)題或試題、課程或?qū)W習(xí)視頻等，如表5所示。

Table 5 Types of learning resources表5 學(xué)習(xí)資源類型

以上“學(xué)習(xí)資源類型”相關(guān)的代表性研究包括：朱天宇等［11］基于學(xué)生對(duì)知識(shí)點(diǎn)的掌握程度進(jìn)行試題推薦；蔣昌猛等［28］構(gòu)建表征知識(shí)點(diǎn)層次關(guān)系的權(quán)重圖，以實(shí)現(xiàn)習(xí)題推薦；劉敏等［29］從學(xué)習(xí)資源的內(nèi)容、類型和學(xué)習(xí)資源推薦的時(shí)間、頻次等方面建構(gòu)一個(gè)可應(yīng)用于MOOC 推薦的系統(tǒng)；通過(guò)分析在線學(xué)習(xí)行為；申云鳳等［30］基于人工神經(jīng)網(wǎng)絡(luò)和蟻群優(yōu)化算法，建構(gòu)一種個(gè)性化學(xué)習(xí)路徑推薦模型；周麗娟等［31］針對(duì)評(píng)分?jǐn)?shù)據(jù)極度稀疏的情況，提出一種基于協(xié)同過(guò)濾的課程推薦方法；王素琴等［32］基于課程之間的時(shí)序性和緊密關(guān)系將課程分類后進(jìn)行推薦。

3.3 共被引文獻(xiàn)聚類圖譜分析

共被引文獻(xiàn)是指兩篇（或多篇）論文同時(shí)被后來(lái)一篇或多篇論文所引證，被引量的多少可判斷該文獻(xiàn)引起同行反響的程度和質(zhì)量水平的高低。為了解個(gè)性化學(xué)習(xí)資源推薦領(lǐng)域具有影響力的文獻(xiàn)，如圖5 所示，生成WoS 共被引文獻(xiàn)的聚類圖譜。由于CNKI 文獻(xiàn)沒(méi)有引文數(shù)據(jù)，故無(wú)法進(jìn)行共被引文獻(xiàn)聚類圖譜分析。

Fig.5 Clustering map of WoS co-cited articles圖5 WoS共被引文獻(xiàn)聚類圖譜

圖5 是CiteSpace 根據(jù)共被引文獻(xiàn)的關(guān)鍵詞聚類生成，帶“#”字符的內(nèi)容是聚類名稱，無(wú)“#”字符的內(nèi)容則是共被引次數(shù)較高文獻(xiàn)的作者及發(fā)表年份?？梢园l(fā)現(xiàn)，共被引文獻(xiàn)多涉及“MOOC”學(xué)習(xí)資源，以“學(xué)生”為中心，重視學(xué)生的“學(xué)習(xí)風(fēng)格”，以及對(duì)其歷史數(shù)據(jù)的挖掘。此外，還識(shí)別出了被引頻次前十的文獻(xiàn)［33-42］，它們主要圍繞“學(xué)習(xí)者模型”和“學(xué)習(xí)資源特征”兩個(gè)主題。其中，文獻(xiàn)［33］較早提出了基于學(xué)習(xí)風(fēng)格的推薦系統(tǒng)；通過(guò)挖掘?qū)W習(xí)者在網(wǎng)絡(luò)環(huán)境中共同的歷史學(xué)習(xí)序列，文獻(xiàn)［34］研究如何針對(duì)學(xué)習(xí)者當(dāng)前學(xué)習(xí)過(guò)程進(jìn)行學(xué)習(xí)資源推薦；文獻(xiàn)［35］設(shè)計(jì)一種基于個(gè)性化推薦的移動(dòng)語(yǔ)言學(xué)習(xí)方法，并基于該方法開(kāi)發(fā)移動(dòng)學(xué)習(xí)系統(tǒng)，通過(guò)提供閱讀材料推薦機(jī)制，引導(dǎo)學(xué)生閱讀符合自己喜好和知識(shí)水平的文章；文獻(xiàn)［36］綜述了推薦系統(tǒng)以及協(xié)同過(guò)濾方法，解釋它們的演變，并為這些系統(tǒng)提供一個(gè)原始分類；文獻(xiàn)［37］通過(guò)開(kāi)發(fā)基于決策樹和數(shù)據(jù)挖掘技術(shù)的個(gè)性化創(chuàng)造力學(xué)習(xí)系統(tǒng)，為優(yōu)化創(chuàng)造力表現(xiàn)提供了個(gè)性化學(xué)習(xí)路徑；文獻(xiàn)［38］對(duì)推薦系統(tǒng)的應(yīng)用開(kāi)發(fā)進(jìn)行了分類，并總結(jié)了每個(gè)類別中使用的相關(guān)推薦技術(shù)；基于詞匯的技術(shù)和機(jī)器學(xué)習(xí)技術(shù)，文獻(xiàn)［39］設(shè)計(jì)了一種在Facebook 中進(jìn)行情感分析的新方法，以支持個(gè)性化學(xué)習(xí)；文獻(xiàn)［40］綜述了學(xué)習(xí)風(fēng)格和適應(yīng)性學(xué)習(xí)系統(tǒng)的整合現(xiàn)狀，及其問(wèn)題；文獻(xiàn)［41］分析了基于學(xué)習(xí)者上下文信息的推薦系統(tǒng)，并提出一個(gè)上下文框架，用于識(shí)別推薦系統(tǒng)相關(guān)上下文維度；基于應(yīng)用上下文感知技術(shù)和推薦算法，文獻(xiàn)［42］開(kāi)發(fā)一個(gè)學(xué)習(xí)系統(tǒng)，幫助終身學(xué)習(xí)學(xué)習(xí)者以上下文感知的方式實(shí)現(xiàn)個(gè)性化學(xué)習(xí)目標(biāo)，提高學(xué)習(xí)者學(xué)習(xí)效率。

“個(gè)性化學(xué)習(xí)資源推薦”問(wèn)題的本質(zhì)是“如何為學(xué)習(xí)者從海量數(shù)據(jù)中找到適合自己的學(xué)習(xí)資源”，而準(zhǔn)確評(píng)估學(xué)習(xí)者和不同類型學(xué)習(xí)資源之間的特征匹配度，對(duì)于解決該問(wèn)題具有關(guān)鍵意義。因此，結(jié)合新興技術(shù)和算法，研究具體應(yīng)用場(chǎng)景下學(xué)習(xí)者和學(xué)習(xí)資源的特征建模，仍是未來(lái)的重要工作之一。

4 研究趨勢(shì)分析

2020 年的新冠疫情促進(jìn)了在線學(xué)習(xí)的大規(guī)模普及，在此背景下，面向在線學(xué)習(xí)的個(gè)性化學(xué)習(xí)資源推薦吸引了越來(lái)越多研究者的關(guān)注。進(jìn)一步推動(dòng)個(gè)性化學(xué)習(xí)資源推薦研究，對(duì)于實(shí)現(xiàn)教育信息化、培養(yǎng)高素質(zhì)人才的目標(biāo)有著重要的現(xiàn)實(shí)意義。通過(guò)梳理十年來(lái)的相關(guān)文獻(xiàn)可發(fā)現(xiàn)，當(dāng)前個(gè)性化在線學(xué)習(xí)資源推薦的研究在結(jié)合遷移學(xué)習(xí)、碎片化資源整合及動(dòng)態(tài)推薦等3個(gè)方面呈現(xiàn)出明顯發(fā)展趨勢(shì)。

（1）結(jié)合遷移學(xué)習(xí)的研究趨勢(shì)。遷移學(xué)習(xí)是用已獲得的知識(shí)對(duì)不同但相關(guān)領(lǐng)域的問(wèn)題進(jìn)行求解的一種機(jī)器學(xué)習(xí)方法。域適應(yīng)是將遷移學(xué)習(xí)運(yùn)用到個(gè)性化學(xué)習(xí)資源推薦過(guò)程中最常見(jiàn)的問(wèn)題之一，主要指域不同但任務(wù)相同，且源域數(shù)據(jù)有標(biāo)簽，目標(biāo)域數(shù)據(jù)沒(méi)有標(biāo)簽或者只有很少數(shù)據(jù)有標(biāo)簽。微調(diào)則是遷移學(xué)習(xí)中的一種常見(jiàn)方法，其根據(jù)實(shí)際情況更新模型中的不同部分。例如，柴玉梅等［43］提出一種基于雙注意力機(jī)制和遷移學(xué)習(xí)的跨領(lǐng)域推薦模型，該模型通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本建模，然后引入遷移學(xué)習(xí)，同時(shí)提取領(lǐng)域特有的特征和領(lǐng)域間的共享特征進(jìn)行不同領(lǐng)域之間的聯(lián)合建模，以實(shí)現(xiàn)在緩解數(shù)據(jù)稀疏問(wèn)題和用戶冷啟動(dòng)問(wèn)題方面的優(yōu)勢(shì)。

實(shí)際上，很多跨專業(yè)甚至跨學(xué)科的學(xué)習(xí)擁有類似規(guī)律，因此可以利用遷移學(xué)習(xí)解決個(gè)性化學(xué)習(xí)資源推薦時(shí)所遇到的冷啟動(dòng)問(wèn)題，提升推薦結(jié)果的準(zhǔn)確性和多樣性。學(xué)習(xí)者在學(xué)習(xí)多門課程時(shí)，這些課程間可能存在一定關(guān)聯(lián)。如何充分挖掘相關(guān)專業(yè)、課程之間的潛在關(guān)系，進(jìn)行遷移學(xué)習(xí)分析，對(duì)于改進(jìn)推薦效果具有重要作用。

（2）考慮碎片化資源整合的研究趨勢(shì)。當(dāng)前，在線學(xué)習(xí)平臺(tái)中的學(xué)習(xí)資源具有微型化特點(diǎn)，以致資源呈現(xiàn)不斷碎片化的趨勢(shì)。由于學(xué)生的分析總結(jié)能力有限，即使學(xué)生有持續(xù)學(xué)習(xí)的習(xí)慣，但他們?cè)谒槠R(shí)學(xué)習(xí)時(shí)也難以構(gòu)建屬于自己的知識(shí)體系和邏輯框架，更無(wú)法挖掘自身和碎片化資源之間的潛在關(guān)系。此外，如何組織跨學(xué)科知識(shí)或者交叉學(xué)科知識(shí)，也是碎片化資源整合研究的重點(diǎn)之一。

利用知識(shí)圖譜幫助建構(gòu)碎片化知識(shí)間的關(guān)系、區(qū)分不同知識(shí)點(diǎn)的重要程度、對(duì)碎片化知識(shí)進(jìn)行查漏補(bǔ)缺，是當(dāng)前研究的一個(gè)理想思路。研究者可借助知識(shí)圖譜串聯(lián)跨專業(yè)、跨學(xué)科的知識(shí)點(diǎn)，有效組織知識(shí)點(diǎn)的邏輯框架與體系，為個(gè)性化學(xué)習(xí)資源推薦提供理想的數(shù)據(jù)結(jié)構(gòu)［44］。例如，慕課平臺(tái)Khan Academy 利用知識(shí)圖譜整合碎片化知識(shí)、重構(gòu)知識(shí)間的關(guān)聯(lián)［45］；Shi 等［46］提出學(xué)習(xí)對(duì)象之間的6種主要語(yǔ)義關(guān)系，用以構(gòu)建多維知識(shí)圖譜，從而推薦學(xué)習(xí)路徑；王亮等［47］利用MOOC 課程中的微視頻、測(cè)驗(yàn)作業(yè)、討論記錄等多種微資源，構(gòu)建包含知識(shí)實(shí)體及其關(guān)聯(lián)關(guān)系的多模態(tài)知識(shí)圖譜。

為使學(xué)生更有效地學(xué)習(xí)碎片化知識(shí)，研究者在建立知識(shí)圖譜時(shí)應(yīng)在明確知識(shí)圖譜的知識(shí)原點(diǎn)后，再進(jìn)行圖譜知識(shí)延伸。如何充分挖掘知識(shí)點(diǎn)間的關(guān)聯(lián)關(guān)系是研究重點(diǎn)，確定了知識(shí)點(diǎn)間的內(nèi)在聯(lián)系，才能知道知識(shí)點(diǎn)的相對(duì)難易程度，避免學(xué)生在學(xué)習(xí)基礎(chǔ)知識(shí)前“異常地”先接觸到較深入的知識(shí)。

（3）基于動(dòng)態(tài)推薦技術(shù)的研究趨勢(shì)。現(xiàn)有研究中大多數(shù)推薦系統(tǒng)都是靜態(tài)，使用某一時(shí)間片上、時(shí)效性明顯的數(shù)據(jù)。但是，學(xué)習(xí)者對(duì)知識(shí)的記憶和理解程度往往會(huì)隨著時(shí)間的推移而衰減。因此，利用遺忘曲線，對(duì)人的記憶力衰減模型進(jìn)行分析，在此基礎(chǔ)之上，結(jié)合學(xué)習(xí)者的時(shí)序測(cè)試數(shù)據(jù)，動(dòng)態(tài)分析學(xué)習(xí)者的知識(shí)點(diǎn)掌握程度，繼而進(jìn)行試題等學(xué)習(xí)資源推薦，是一種可行思路。如何基于實(shí)時(shí)的反饋數(shù)據(jù)并結(jié)合原有信息動(dòng)態(tài)優(yōu)化個(gè)性化學(xué)習(xí)資源的推薦算法，是未來(lái)研究趨勢(shì)之一。例如，通過(guò)深度學(xué)習(xí)算法建構(gòu)基于內(nèi)容的學(xué)習(xí)者模型，可根據(jù)時(shí)序數(shù)據(jù)及時(shí)有效地更新模型［48］，也可以融合近幾年來(lái)被提出的增量圖嵌入方法［49］，以適應(yīng)實(shí)時(shí)性要求，降低數(shù)據(jù)訓(xùn)練的時(shí)間成本。

5 未來(lái)研究方向

目前，個(gè)性化學(xué)習(xí)資源推薦研究尚存在不少亟待解決的問(wèn)題，需作進(jìn)一步研究，主要包括：

（1）通過(guò)對(duì)學(xué)習(xí)者的認(rèn)知能力進(jìn)行更全面和客觀的診斷，進(jìn)一步完善現(xiàn)有的學(xué)習(xí)資源推薦機(jī)制并提高推薦準(zhǔn)確率。除需要分析教育心理學(xué)已發(fā)現(xiàn)的“猜測(cè)”和“粗心”等因素［19］對(duì)認(rèn)知診斷結(jié)果產(chǎn)生的影響外，學(xué)習(xí)者在知識(shí)點(diǎn)的理解深度和運(yùn)用水平的靈活性上往往表現(xiàn)出不穩(wěn)定性，需要引入更有效的模糊數(shù)學(xué)理論來(lái)刻畫學(xué)生對(duì)知識(shí)點(diǎn)掌握程度的變化規(guī)律和特征。在當(dāng)前學(xué)科交叉和知識(shí)融合的人才培養(yǎng)趨勢(shì)下，不同知識(shí)點(diǎn)，甚至不同學(xué)科的知識(shí)點(diǎn)間可能互相影響，這更給綜合診斷學(xué)習(xí)者的認(rèn)知能力帶來(lái)了新的挑戰(zhàn)。并且，隨著時(shí)間的推移，學(xué)習(xí)者對(duì)于舊知識(shí)點(diǎn)的掌握和熟悉程度會(huì)有所下降［48］。此外，知識(shí)點(diǎn)的準(zhǔn)確劃分是了解學(xué)習(xí)者知識(shí)掌握情況的基礎(chǔ)，準(zhǔn)確拓展和完善知識(shí)點(diǎn)結(jié)構(gòu)，對(duì)個(gè)性化學(xué)習(xí)資源推薦研究具有重要意義。

（2）主流在線學(xué)習(xí)平臺(tái)已積累了龐大、異構(gòu)和多樣化的學(xué)習(xí)資源，除試題、課程、文獻(xiàn)等常見(jiàn)學(xué)習(xí)資源外，還包括學(xué)習(xí)小組、學(xué)習(xí)路徑等資源，它們從不同側(cè)面對(duì)學(xué)習(xí)者的學(xué)習(xí)效果產(chǎn)生顯式或隱式影響。如何在約簡(jiǎn)高維特征和提高海量數(shù)據(jù)計(jì)算效率的基礎(chǔ)上，進(jìn)行多種學(xué)習(xí)資源的綜合推薦是研究者需要關(guān)注的方向。同時(shí)，針對(duì)頻繁出現(xiàn)的冷啟動(dòng)和數(shù)據(jù)稀疏問(wèn)題，如何應(yīng)用知識(shí)圖譜和圖嵌入算法等進(jìn)行海量數(shù)據(jù)下的高效推薦優(yōu)化，從而為學(xué)習(xí)者提供令人滿意的推薦結(jié)果，也是當(dāng)前面臨的重要挑戰(zhàn)。

（3）強(qiáng)化研究過(guò)程中的跨學(xué)科、跨機(jī)構(gòu)合作。研究者和研究機(jī)構(gòu)間進(jìn)行合作有助于健全研究體系，形成一致性、系統(tǒng)性的研究結(jié)論和成果。因此，個(gè)性化學(xué)習(xí)資源推薦研究的跨學(xué)科團(tuán)隊(duì)合作、突破單一領(lǐng)域思想的約束，以及進(jìn)一步推進(jìn)不同學(xué)科研究者和研究機(jī)構(gòu)間的合作，對(duì)于深入和擴(kuò)展現(xiàn)有研究、完善研究體系具有重要意義。

6 結(jié)語(yǔ)

近年來(lái)，在線學(xué)習(xí)已大規(guī)模普及并快速發(fā)展。針對(duì)海量且異構(gòu)化的學(xué)習(xí)資源，結(jié)合學(xué)習(xí)者的認(rèn)知能力、學(xué)習(xí)興趣和學(xué)習(xí)偏好等特點(diǎn)進(jìn)行的個(gè)性化在線學(xué)習(xí)資源推薦研究，已取得一定進(jìn)展和成果。但是，至今尚未有個(gè)性化在線學(xué)習(xí)資源推薦研究現(xiàn)狀的綜述或可視化分析文獻(xiàn)。本文利用CiteSpace 對(duì)相關(guān)研究進(jìn)行計(jì)量學(xué)分析，概述了當(dāng)前研究狀況，歸納了學(xué)習(xí)資源推薦研究的當(dāng)前熱點(diǎn)和未來(lái)趨勢(shì)，指出了已有研究的不足和未來(lái)方向，可為個(gè)性化在線學(xué)習(xí)資源推薦研究提供有價(jià)值的參考與啟發(fā)。