我國個性化學習研究熱點及趨勢分析

胡曉玲 趙凌霞 范博

摘 要：為了解國內個性化學習的研究熱點和趨勢，本研究利用SATI 3.2、EndNote X7、知網研學和CiteSpace 5.7等軟件對中國知網CSSCI數據庫中與個性化學習研究相關的近20年的302篇文獻進行量化統計。基于知識圖譜的分析發現，目前我國個性化學習領域主要研究熱點分為個性化學習內涵的理論研究、個性化學習平臺的技術研究、個性化學習模型的設計研究、個性化學習資源的推薦研究四方面，未來研究趨勢聚焦于支撐系統平臺的技術和資源推薦的方式。文章的最后，筆者對我國個性化學習的未來研究作出展望。

關鍵詞：個性化學習;可視化分析;CiteSpace;研究熱點;趨勢分析

引言

國外研究界定個性化學習是根據學習者不同的知識水平、性格愛好、情感動機等信息來滿足其真實需求，激勵并促進其學習，為終身學習做準備[1]。國內相關研究最早為古代教育家孔子所提倡的“因材施教”教育理念，在內涵界定方面，趙學孔等人認為個性化學習是針對學習者個體差異而開展的滿足其個性化需求的學習方式[2]。雖然定義的視角有所不同，但都強調學習者的個體差異和個性需求。因此，結合現階段發展，本文認為個性化學習是一種綜合考慮學習者特征因素和學習環境因素，旨在促進學習者發揮自身潛能的學習理念，通過最新技術跟蹤發現學習者的性格特征、學術水平和發展潛能，設計推薦滿足學生學習最適宜的方法、路徑、資源等。基于此，為了解我國個性化學習的研究現狀，本文以與個性化學習相關文獻作為研究對象，選用內容分析、詞頻分析、聚類分析等研究方法，依據客觀統計數據繪制出知識圖譜并進行分析解讀，全方位地探究我國個性化學習研究的熱點及趨勢，以期為個性化學習研究的未來發展提供全面、切實的學術參考。

一、數據來源與研究方法

（一）數據收集及篩選

本文在中國知網的高級檢索中，將文獻來源類別限定為CSSCI，將“個性化學習”作為主題檢索詞，不限定檢索年份（檢索時間為2019年12月30日），檢索到785篇文獻。將檢索文獻以EndNote格式導入EndNote X7軟件，進行兩輪篩選，第一輪納入題目和關鍵詞中有“個性化學習”的文獻，對于有疑惑或不確定的文獻，在第二輪閱讀摘要和全文后納入與個性化學習相關的文獻，排除文件、通知、報告等，最終保留文獻302篇，時間段為2002年到2019年。

（二）研究方法及工具

本文采用文獻計量法、內容分析法、聚類分析法、詞頻分析法等方法，借助SATI 3.2、EndNote X7、知網研學和CiteSpace 5.7等分析工具，分別對個性化學習相關文獻的發文量、關鍵詞和突現詞排名等數據進行量化統計并繪制知識圖譜，結合知識圖譜對我國個性化學習的研究熱點及趨勢展開分析討論。

二、研究內容的知識圖譜分析

（一）文獻時間分布

如圖1所示，國內有關個性化學習發表的文獻數量呈波形變動，且在2016年和2019年數量迅速增長，達到兩次高峰，這與國家頒布的《國家中長期教育改革和發展規劃綱要（2010—2020年）》《中國教育現代化2035》等文件有密不可分的關系。從數據的整體發展趨勢來看，我國個性化學習相關文獻的發表數量整體上呈遞增趨勢。由此可見，個性化學習的研究越來越受到國內專家學者的重視。

（二）文獻研究類型

研究類型的劃分有助于了解相關文章的研究過程、結果與形式[3]。本文研究類型的分類借鑒了托馬斯·C.里夫斯（Thomas C.Reeves）等人的文章[4]。如表1所示，解釋性研究指通過記錄與學習相關的現象來解釋教育的具體運作，包括比較研究、歷史研究等。本文將文獻綜述類文章也歸入其中，經統計共147篇，占總數的48.7%，呈現逐年遞增趨勢，例如對個性化學習實施策略的解讀。理論研究側重于通過邏輯分析來描述理論知識，并從研究中獲得相關理論性研究成果，共12篇，其中2019年的文獻數量占50%，如探討個性化學習的理論基礎。開發研究是指設計和開發能夠有效解決教育問題的新理論或新技術，通常側重于創建和改進某些特定問題，共83篇，約占總數的27.5%，如個性化學習資源推薦系統等。實地研究與開發研究的不同在于研究者通常不尋求發現新的理論或技術，而是通過實踐應用相關理論模型或技術產品來測試其實際效果，將訪談法、調查法等都歸入此類，共57篇，其中包括有調查測試的開發類文章。評價研究集中在特定的程序、產品或方法上，目的是描述或評價它的有效性和價值，僅有3篇。

（三）關鍵詞共現分析

使用SATI 3.2分析工具統計共得到753個高頻關鍵詞，總頻次為1345次，除掉與研究無關的關鍵詞，合并相近的關鍵詞，最終保留累計頻次排前20位的關鍵詞，其百分比約為39.78%，這符合截取高頻關鍵詞累計頻率達到總頻率約40%的一般標準[5]，因此對其進行降序排序（見表2）。從表中可以初步了解國內個性化學習的研究熱點，尤其是出現頻次較多的關鍵詞，如個性化學習、慕課、人工智能、學習分析、個性化推薦等。

（四）聚類分析

為了更加簡潔、清晰地分析國內個性化學習的知識結構，本文將數據導入CiteSpace 5.7得到個性化學習的自動聚類標簽視圖（見圖2），圖中選取前六種聚類——聚類#0個性化學習、聚類#1學習分析、聚類#2個性化推薦、聚類#3 個性化、聚類#4用戶模型、聚類#5 翻轉課堂，與高頻關鍵詞結果基本一致。

（五）突現詞分析

將數據導入軟件抽取突現強度排名前19位的關鍵詞并按爆發強度進行排序，通過分析Top19突現詞可以發現，自2002年以來，關于個性化學習的關鍵詞開始暴增。強度最高的關鍵詞“個性化推薦”業已形成個性化學習領域的研究熱點;最近爆發的關鍵詞“人工智能教育”，進入個性化學習研究時間晚且到2019年末尚未結束，則說明人工智能教育在未來的個性化學習研究中有很大的影響力。

三、研究熱點及趨勢分析

（一）個性化學習內涵的理論研究

任何研究領域都少不了理論的支撐，目前個性化學習內涵的理論研究主要包括個性化學習的概念、特征、影響因素等。有關個性化學習的概念，學者們從不同視角給出不同的定義，有些偏重方式的轉變，有些強調技術的使用，但其核心宗旨是相同的，即確信每個學生都是獨特的個體，促進學生學習是主要目標。學者們對特征的分析也有不同見解，如從學習論視角可分為心智分析性、服務差異性和目標導向性等[6]。學生個性化學習的發展受到制約，需要從多方面探究影響個性化學習的相關因素，如環境、學生特征等因素。伴隨國家政策的實施和個性化學習的發展，個性化學習內涵的理論研究越來越受到專家和學者的重視。

（二）個性化學習平臺的技術研究

技術支持是實現個性化學習的核心力量。目前個性化學習領域中學習者特征分析、搭建系統平臺等方面主要依托的技術有學習分析技術、人工智能技術等。國內外學者都對學習分析技術給予了較高的評價，且趙以霞等人研究發現在學習分析主題分類中個性化學習占據一大主題，并從2017年逐漸成為研究熱點[7]。利用學習分析技術記錄并分析學習者的特征、行為、學習過程等數據，為構建個性化學習資源系統奠定基礎。而人工智能技術近幾年（特別是2019年）深入教育領域，繼而有了人工智能教育的提出。以“人工智能教育”為檢索詞在保留數據中檢索得到42篇文獻，發現從2018年起其發展呈現高膨脹性，這與政府的決策密切相關。在眾多系統平臺中Mooc最具代表性，傳統課程學習中因受到資源與技術的限制無法實現真正的個性化學習，它的到來則為其提供了新的平臺和土壤，使學生不僅能夠根據所需自由學習，還能在后續學習中獲得合適的、最新的學習資源推薦，有效提升了學生的主觀能動性。因此，在學習分析、人工智能等技術的支持下構建各類系統平臺，能夠提升個性化學習研究在教育領域的地位。

（三）個性化學習模型的設計研究

當前個性化學習領域中模型的設計研究主要包括個性化學習者模型、個性化學習資源推薦模型和個性化學習路徑模型三大類。個性化學習者模型的設計主要依附于學習者的基本信息、興趣偏好、學習風格、行為特征等方面;而學習者的所有信息數據也是設計與實現個性化學習資源推薦模型和個性化學習路徑模型的重要基礎。如唐燁偉等人通過深入分析學習者的基本屬性、學習過程和學習結果設計學習者模型，在此基礎上規劃與學習者相匹配的學習路徑模型， 并呈現個性化學習資源[8]。在設計的各類模型研究中，占據比重較大的是學習者模型，且研究內容主要是理論上的構建，實證類的較少，因此需要加強實證類研究，將模型應用到實踐當中。在個性化學習研究中，設計出符合學生個性特征和實際需要的各類模型，才能更加符合尊重學生個性特征的理念，進而促進個性化學習的高質量發展和學生的全面發展。

（四）個性化學習資源的推薦研究

在個性化學習領域中學習資源部分一直受到許多專家和學者的關注，他們從不同視角分析出多種不同的學習資源推薦方法。從2008年關于個性化學習推薦的文章開始，學者們對個性化學習資源的推薦的研究從未停止，根據視圖可以了解到2009—2012年期間該主題在個性化學習研究中的影響最大。通過對已有文獻研究進行整理發現，目前主要的個性化學習資源的推薦研究可分為以下幾種：第一，只考慮學習者和資源;第二，包含學習者、資源和情境三方面;第三，依據個性化服務理念與資源管理視角;第四，使用不同的個性化學習資源推薦算法，主要有內容推薦、協同過濾推薦、多維關聯推薦等，其中協同過濾推薦使用較多;第五，基于深度學習的個性化學習資源推薦方法。由此可見，目前關于個性化學習資源推薦的研究，不管是納入的因素還是采用的算法都從單一逐漸轉向多維關聯，逐步推動個性化學習資源的推薦研究向個性化、多元化和智能化的方向邁進。

結合前文中對個性化學習研究熱點的梳理和分析， 本文認為在個性化學習研究中，支撐系統平臺的技術和資源推薦的方式將會是未來研究的重要領域，這既是當前的研究熱點，也將成為未來一段時期內的主要研究趨勢。

四、未來展望

在對已有研究熱點及前沿分析的基礎上，結合對相關文獻的深入閱讀，本文對我國個性化學習的未來研究作出如下展望。

首先，重視個性化學習內涵的界定。目前學術界對個性化學習的內涵界定大多從技術視角出發，如個性化學習是在高級階段教育與技術深度融合的表現[9];同時也存在對個性化學習和個性化自主學習、個別化學習等概念界定不清的問題。2017年安德里亞·J.賓漢（Andrea J.Bingham）在國外一所高科技特許學校進行個性化學習的實踐研究，結果表明實施的個性化學習模型都過于依賴學生自主性和自主學習的理念，而學生的自主性并不是自發的，這可能會對個性化學習的內涵界定造成誤導[10];個性化學習也并不完全等同于個別化學習。為提高個性化學習未來研究的科學性，需要重視對內涵的界定，否則就會出現概念模糊或混淆的現象。

其次，注重研究類型的多元化。上述文獻研究類型統計結果表明，樣本文獻集中解釋性研究和開發類研究的數量居多（占76.2%），實地研究和理論研究數量較少，而評價類研究的數量最少，僅占樣本總量的1%。因此，在日后的研究中要注重評價類型的研究，多開展多種研究類型交叉的綜合性研究。同時也可以利用系統評價、元分析等研究方法對個性化學習已有研究展開二次研究，以提高個性化學習相關研究的質量。

再次，加強個性化學習資源的推薦研究。目前大多數個性化資源推薦系統還處于半智能狀態，未能實現真正的個性化，且樣本文獻中僅有張進良等人在文章中提出構建動態、智能、開放的個性化學習資源推薦框架[11]。當前各種技術的快速發展，促使教育工作者重視其對教學不斷擴大和深化的影響力，因此，設計既能結合先進技術為個性化學習提供技術保障，又能以學習者為中心的資源推薦系統向學習者智能地推送與其個性需求相匹配的各類資源，這是個性化學習研究亟待解決的問題。

最后，完善個性化學習的評價體系。通過閱讀實地研究類文章發現，不同學者對個性化學習的評價視角和評價指標都有所不同，大多數研究是直接通過對比學生的學業成就等認知層面的結果來判定個性化學習是否會促進學生學習。而在當前社會發展背景下，教育工作者需要將更多注意力放在學生非認知層面能力的提升上，如國外有一項研究是有關音素意識的閱讀標準中個性化學習對學生的參與度和學業成就的影響，其實驗評價結果包括認知和非認知兩個層面[12]。未來在進行個性化學習的相關實地研究時，可多借鑒國內外其他領域的優秀作品，評價指標除認知層面外，還應納入非認知層面，使個性化學習的評價體系更加全面。

[1]CHILDRESS S，BENSON S.Personalized Learning for Every Student Every Day[J].Phi Delta Kappan ，2014，95（8）：33-38.

[2]趙學孔，徐曉東，龍世榮.協同推薦：一種個性化學習路徑生成的新視角[J].中國遠程教育，2017（5）：24-34.

[3]李世改，孫衛華，李紅梅.近五年教育技術學優秀碩士學位論文內容分析[J].電化教育研究，2008（1）：30-35.

[4]REEVES T C，OH E G.The Goals and Methods of Educational Tech- nology Research Over a Quarter Century （1989-2014）[J].Educational? ?Technology Research and Development，2017，65（2）：325-339.

[5]陳瑜林.我國教育技術主要研究領域的歷史演進：基于CNKI“兩刊”關鍵詞、主題詞的類團分析[J].電化教育研究，2012，33（8）：36-42.

[6][9]牟智佳.“人工智能+ ”時代的個性化學習理論重思與開解[J].遠程教育雜志，2017，35（3）：22-30.

[7]趙以霞，王鑫，金昆，等.國內大數據環境下學習分析技術研究路徑及趨勢分析[J].現代教育技術，2019，29（8）：34-40.

[8]唐燁偉，茹麗娜，范佳榮，等.基于學習者畫像建模的個性化學習路徑規劃研究[J].電化教育研究，2019，40（10）：53-60.

[10]BINGHAM A J.Personalized Learning in High Technology Charter Schools[J].Journal of Educational Change，2017，18（4）：521-549.

[11]張進良，葉求財.大數據視閾下學習資源智能推薦模型構建[J].湖南科技大學學報（社會科學版），2019，22（4）：178-184.

[12]KOTTA S.The Effects of Personalized Learning on Engagement and Academic Achievement in the Reading Standard of Phonemic Awareness[EB/OL].（2020-09-12）[2021-01-01].https：//red.mnstate.edu/thesis/174/.

（責任編輯 孫興麗）