國內教育領域推薦技術研究知識圖譜分析

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，對中國知網收錄的614篇與推薦技術和教育相關的期刊論文進行分析，分析發現：推薦技術在教育領域應用研究的文獻數量呈現不斷上升的趨勢;應用主要聚焦于對學習者所需學習資源的個性化推薦;與人工智能、大數據技術結合的自適應學習資源推薦成為當下研究的新熱點。

關鍵詞? 推薦技術;教育技術;知識圖譜;學習資源

中圖分類號：G434? ? 文獻標識碼：B

文章編號：1671-489X（2022）06-0085-05

0? 引言

隨著互聯網的出現與普及，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象，而推薦技術的誕生使這種現象得到很大程度的緩解[1]。推薦技術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容的推薦、協同過濾推薦、混合推薦等。

大數據環境下，在面對大量的、形式各異的教學資源時，學習者為滿足個性化發展需要，也面臨無從下手、學習迷航的尷尬局面。因此，部分教育領域的學者考慮引入推薦技術，通過利用推薦技術，實現對學習者所需學習資源的精準推薦。同時，推薦技術的運用也是智能時代助力因材施教的一大技術基礎。Wan等[2]針對e-learning學習環境提出一種面向學習者的推薦方法，該方法結合了混合概念映射和免疫算法，通過與其他啟發式算法和傳統教學方法進行對比實驗后發現，在適應性和有效性方面更有優勢。牟智佳等[3]通過從電子書包學習系統數據庫中挖掘學習者的個性化特征信息數據，以此來創建學習者模型，并基于此模型設計出一種個性化學習資源推薦框架，探討該框架如何實現學習資源的推薦。張近良等[4]通過結合大數據和人工智能兩種技術以及思維框架，構建一種學習資源智能推薦模型，該模型具有更快的運行速度和更高的推薦精準度。張靜[5]以提升學習者泛在學習體驗為目的，提出一種運用在泛在學習環境下的學習資源自適應推薦模型，模型能感知學習者周圍環境、設備的變化，并基于個性化推薦規則數據庫定位最適合的學習資源，完成推薦。

目前，很少有人對教育領域的推薦技術進行綜述分析。本文匯總2000—2020年教育技術領域對推薦技術研究的相關文獻，通過采集數據形成知識圖譜，系統、規范地分析推薦技術在教育技術領域的應用現狀，以揭示推薦技術的研究熱點和趨勢。

1? 數據來源及研究方法

1.1? 數據來源

本文選取中國知網數據庫（CNKI）為樣本數據庫來源，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*學習資源”“推薦*課程”“推薦*學習者”“推薦*學習路徑”為檢索式，時間設定為2000—2020年，共檢索出文獻614篇。通過去重和篩選不相關文獻，處理后共得到有效文獻528篇。

1.2? 研究方法

本文基于可視化理論基礎，主要采取知識圖譜分析、共詞分析和社會網絡分析的方法，使用一系列相關軟件生成相應的知識圖譜，并通過分析各個圖譜，探究推薦技術在教育技術領域的運用現狀及發展趨勢。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? 文獻量統計分析

文獻量的變化能在一定程度上反映某一領域的現狀和熱度，文獻統計曲線的走向能夠很直觀地體現領域研究的熱度情況變化。圖1是2004—2020年的發文量增長趨勢圖，可知國內最早研究將推薦技術運用到教育技術領域始于2004年。從圖的整體上可以看出：國內對該領域的研究呈現不斷上升的趨勢，雖然在2011年有所下降，但從2012年起發生轉折，進入一個快速發展時期，2019年文獻量更是達到101篇。原因是21世紀初，信息技術的普及為教育技術的發展帶來契機，教育信息化的出現將課程與信息技術結合，而2010—2018年，教育信息化步入2.0時代[6]，原先由信息技術發展催生出的新的教學形式也得到改善與突破，學習環境也發生改變。國內的學者漸漸發現學習者在新的學習環境下出現信息過載的難題，找到推薦技術與教育技術結合的研究方向，進入研究的新軌道[7]。

2.2? 內容知識圖譜分析

關鍵詞是文獻的標簽，也是研究者進行檢索文獻的重要依據之一，不僅能體現文章的核心內容，還能夠反映研究的主題，因此，通過對文獻關鍵詞的分析可以直觀了解研究領域內容的變化。使用NoteEpress 3.4.0.8878軟件對528篇有效文獻進行數據分析，并選取出頻次排名前40的關鍵詞，在對其進行統計分析后發現（見表1）：“個性化推薦”“協同過濾”“學習資源推薦”“在線學習”“e-Learning”等關鍵詞在國內推薦技術應用于教育技術領域研究文獻中出現頻次較高。統計高頻次關鍵詞的目的是因為高頻次的關鍵詞能夠反映一定領域的研究熱點[8]。

2.2.1? 關鍵詞共現分析? 共詞分析方法是通過統計某些詞語或短語在同一篇文獻中同時出現的頻次，并對其進行聚類分析，從而反映出它們之間的親疏關系，并揭示這些詞語所代表主題的結構變化[9]。本文通過NoteEpress 3.4.0.8878軟件的數據分析模塊，得到高頻關鍵詞的共現矩陣，之后將得到的矩陣文件導入UCINET 6.186軟件進行相關預處理，并運行NetDraw可視化分析模塊進行中心度分析，生成高頻詞共現網絡圖，如圖2所示。

在共線網絡圖中，節點的大小代表關鍵詞的中心度，節點越大，中心度就越大，且控制力越強;節點間的連線反映關鍵詞之間的共現情況，連線越粗則表示共現次數越多，連線越短則共現的關系就越密切[9];箭頭方向代表節點之間的上下級關系，箭頭所指節點是箭尾節點的上級關系。如圖2所示：圖譜由40個節點及其連線構成，其中“協同過濾”處于圖譜中心的位置，且中心度最大，這表明協同過濾推薦的研究是研究者關注程度最高的內容，是研究領域的一個核心;“個性化推薦”“學習資源”“個性化學習”等節點較大，在網絡中位于中心位置，說明這些關鍵詞的控制力很強，表明領域內主要側重于研究針對學習者個性化學習的學習資源個性化推薦;“在線學習”“e-Learning”“大數據”“數據挖掘”等關鍵詞則處于圖譜的中間位置，且數量較多，表明研究涉及在線學習、網絡學習等技術方面較為廣泛;“學習路徑推薦”“泛在學習”“遠程教育”“自適應學習”等關鍵詞位于圖譜的邊緣，且節點較小，表明其在領域內受到的關注較少，但未來是否會成為該領域研究的新趨勢尚未可知。另外，在圖譜中還能發現的一個特點是，每個關鍵詞之間均是雙向箭頭，說明各個關鍵詞之間均是相互影響的。

協同過濾推薦技術是通過找到目標學習者興趣相似的學習者，再將這些學習者所感興趣的學習資源推薦給目標學習者，其優點相較于其他推薦技術，對推薦學習資源的內容、形式沒有特定的限制[10]，因此，這種推薦技術更加適用于當下數字化學習資源形式多樣化的環境。網絡技術的發展是在線學習得到普及的原因之一，越來越多的人通過網絡學習或在線學習的方式來獲取知識信息，而面對海量的數字化學習資源，通過協同過濾推薦技術來實現對學習者感興趣的學習資源的精準推薦，必然少不了對學習者的建模。移動設備的普及讓學習者擺脫了傳統學習對時間和空間的限制，可以隨時展開學習，而讓學習者利用碎片化時間去獲得所需的學習資源，推薦技術就顯得尤為重要。因此，推薦技術在教育技術領域的應用研究主要聚焦于通過協同過濾的方式實現學習資源的個性化推薦，以滿足學習者在大數據環境下個性化學習的需要。

2.2.2? 關鍵詞時序分析? 將文獻數據導入軟件CiteSpace 5.7.R5W中，并對各類參數進行調節設置：時間切片設置為2004—2020，時間分區設為1年，“Node Types”選項設為“keyword”，可視化方式為以時間區域呈現可視化結果?；谝陨显O置參數運行可視化軟件后得到圖3所示國內教育領域對推薦技術運用研究前沿的關鍵詞時序圖譜。由圖3可見：除“推薦系統”外，“學習資源”是整個時序圖譜中最大的關鍵詞，其次相關的是“學習路徑”“在線學習”“移動學習”等。

通過圖譜的展示，可以將國內教育技術領域對推薦技術的應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，這個時期主要側重于探索如何將推薦技術與教育技術相結合，且更多的是偏向推薦技術本身的研究，主要涉及方面包括推薦系統、推薦模型、個性化推薦、在線教學等。

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

第三階段為創新階段，在經歷了一段時間的發展后，個性化推薦技術不斷深入，移動設備的普及以及大數據環境和云環境的到來讓學者逐漸意識到推薦技術的重要性，新環境下網絡信息種類繁多、特征混亂、信息結構可視化難度大等問題又為推薦技術帶來推薦效率不高、興趣表達不充分等問

題[11]。為解決上述問題，適應新環境的變化，必然要對推薦技術的應用進行創新，因此，融入人工智能技術、大數據技術相關因素的推薦技術誕生了，同時推薦技術也是自適應學習平臺引導學生尋找最適合自己的下一步學習內容和活動的技術基礎。此階段主要涉及的方面包括大數據、云計算、深度學習、移動學習、自適應學習等。

3? 結語

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（CNKI）數據庫獲得的2000—2020年間的528篇與推薦技術在教育領域應用研究相關的文獻進行篩選、轉換、可視化等處理，并對生成的知識圖譜進行分析和可視化研究，得到以下結論。

1）國內教育領域對推薦技術的應用研究呈現出日益發展的上升趨勢。從對文獻發文量統計的知識圖譜可以看出，我國教育技術領域對推薦技術的應用研究最早始于2004年，于2012年伴隨著教育信息化的發展開始進入快速發展階段，并在2019年達到一個高峰，說明近些年來教育技術領域對推薦技術的應用研究還是較為關注的。

2）國內教育領域對推薦技術的應用研究主要聚焦于通過協同過濾推薦的方式實現對學習資源的個性化推薦。由關鍵詞共現圖譜可以看出，協同過濾的中心度最大，并位于網絡的中心位置;其次是個性化、學習資源等，說明該領域主要的研究方向是學習資源的個性化推薦。

推薦技術在教育領域的應用經歷了起步、發展和創新等階段，實現與在線學習的結合，并逐漸向移動學習、大數據、人工智能等技術靠攏，成為學習者實現自適應學習必不可少的技術因素?！?/p>

參考文獻

[1] 奉國和，梁曉婷.國內推薦引擎學術研究知識圖譜分析[J].情報科學，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.電子書包中基于學習者模型的個? ??性化學習資源推薦研究[J].電化教育研究，2015，36（1）：69-76.

[4] 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.

[5] 張靜.一個泛在學習資源自適應推薦模型的設計[J].中國教育技術裝備，2014（18）：39-40.

[6] 昌娜，鐘志賢.改革開放以來我國教育技術研究熱點圖譜分析[J].江西廣播電視大學學報，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，2014，32（12）：12-15，20.

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

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

[10] 趙佳男，王楠.數字學習資源推薦技術研究現狀及?趨勢分析[J].北京郵電大學學報（社會科學版），?2014，16（6）：90-96.

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

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