個性化在線學習資源推薦研究熱點與趨勢
——基于2011-2021年CNKI和WoS文獻的可視化分析

馬 華，李京澤，唐文勝，黃卓軒

（1.湖南師范大學 信息科學與工程學院，湖南 長沙 410081；2.騰訊云計算（長沙）有限責任公司，湖南 長沙 410221）

0 引言

近年來，互聯網、移動通信、云計算、大數據和人工智能等技術的融合與迅猛發展，推動了全球教育方式的變革。2019 年2 月，中共中央、國務院印發《中國教育現代化2035》，明確了我國要加快信息化教育變革，實現規?；逃c“個性化培養”的有機結合。2020 年，在全球爆發的新冠疫情，客觀上促進了在線學習的大規模普及［1］，并推動了公共學習平臺（例如edX、Coursera、Udacity、中國大學MOOC、學習通、智學網、EduCoder 等）和各個教學單位自有網絡教學系統的快速發展。目前，這些平臺和系統已積累了包括慕課（MOOC）、開放式課程（Open Course Ware，OCW）、課件、試題、習題（或實驗、實訓）等在內的龐大學習資源。為不斷提高自己的知識水平，學習者迫切希望從海量的各類學習資源中快速挑選出適合自己的個性化資源以有效完善自己的知識結構［2-3］。如何實現精準的個性化學習輔導，已成為當前在線學習研究面臨的一個關鍵問題［4］。

在線學習大規模普及背景下，面對現已生成的海量且多模態的歷史學習數據、豐富且異構化的學習資源，在學習者認知能力不確定性、學習興趣變化性、學習偏好多樣性等因素影響下，個性化在線學習資源推薦研究面臨諸多挑戰，已受到許多學者關注，他們的研究獲得了政府和民間的多項資助。例如，中國國家自然科學基金委于2018年新設立了項目申請代碼F0701（“教育信息科學與技術”），近4 年來已資助10 余項與學習資源個性化推薦相關的項目。美國蘭德公司在比爾及梅琳達·蓋茨基金會資助下進行了Observations and Guidance on Implementing Personalized Learning 項目研究［5］，美國奧斯汀佩伊州立大學的Degree Compass、普渡大學的Course Signals 和亞利桑那州立大學的eAdvisor 等項目，也都致力于提供大數據背景下的個性化學習推薦服務［6］。以上項目的實施，有效促進了個性化在線學習資源推薦研究的發展。

目前，個性化在線學習資源推薦研究已取得一定進展和成果［7］，但至今尚未見到對現有研究成果進行可視化分析的文獻。本文采用文獻計量法，使用CiteSpace［8］軟件分析了中國知網（CNKI）和Web of Science（WoS）近十年的相關研究現狀，總結了個性化在線學習資源推薦研究的熱點和趨勢，并指出了未來研究的主要方向，以期為相關研究者提供參考與啟發。

1 研究方案

考慮到CNKI 和WoS 核心庫是當前最主流和最權威的中、英文學術信息數據庫，本文將以它們作為數據采集平臺。統計主題由“個性化在線學習方式”和“學習資源類型”兩部分組成，以CNKI 為例，其統計主題為“（個性化學習+在線學習+網絡教學+移動學習+學習資源+習題+試題+慕課+MOOC+開放式課程+OCW+學習路徑+教育資源+學習小組+課件+學習視頻）*推薦”。根據數據統計分析可知，2010 年之前發表的與本主題相關的學術成果數量較少，故本文將發文年份設為2011-2021 年，即分析近十年的相關研究成果。此外，數據采集時可能導入一些與統計主題關聯性較小學科的無效數據，例如CNKI 中的“高等教育”“成人教育與特殊教育”“外國語言文學”等學科有大量單純涉及教學和文學理論的相關研究成果，WoS 中的“Engineering Electrical Electronic”“Telecommunications”等學科有大量單純涉及信號處理和通信技術的研究。因此，本研究對學科和文獻類型均進行篩選，然后在CNKI 和WoS 中分別得到1 652 條和1 363 條記錄，簡記為CNKI 源Ⅰ和WoS 源。為進一步聚焦高質量中文學術成果，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。分析數據源中文獻所屬類別和學科情況如表1所示。

Table 1 Categories and disciplines of literatures表1 文獻類別與學科

由表1 可知，CNKI 源Ⅰ、Ⅱ來源于計算機學科的文獻比例明顯高于WoS 源，其原因是CNKI 收錄了大量碩士或博士學位論文，表1 中檢索出來的900 篇學位論文中有753篇屬于計算機學科，而WoS 中未包含學位論文的數據。個性化學習資源推薦屬于跨學科研究范疇，教育學與教育心理學等為其提供理論指導，而計算機科學提供技術支撐。因不少文獻發表于跨學科期刊，故表1 的學科分析中文獻數據總和大于實際檢索獲得的總數。文中數據及篩選標準均已公布［9］。

2 研究基本狀況

為了解近十年個性化在線學習資源推薦研究基本狀況，使用CiteSpace 對現有研究發文量變化態勢和高發文量權威期刊、發文機構和作者共現圖譜等進行可視化分析。

2.1 發文量變化態勢與權威期刊分析

文獻發文量是衡量科學研究發展的重要指標，它反映科學知識量的變化及該領域的研究熱度。3 個數據源在個性化學習推薦領域的發文量如圖1所示。

Fig.1 Changing trend of publication number圖1 發文量變化態勢

由圖1 可知，CNKI 源Ⅰ和CNKI 源Ⅱ的總發文量分別由2011 年的29 篇和26 篇增長到2021 年的246 篇和159篇，增長均超過5 倍。尤其是，2016-2017 年和2018-2019年期間的發文量增長迅速。本文認為這與人工智能與智慧教育在這些年的發展有密切關系，例如：2016 年，Alpha-Go 在人機大戰中獲勝，在全球掀起了人工智能研究的熱潮；2017 年，國務院印發《新一代人工智能發展規劃》，有力推動了智能教育的發展；2018 年，教育部發布《教育信息化2.0 行動計劃》，吸引了越來越多的學者圍繞“如何滿足在線學習者的個性化學習需求”開展相關研究；2019 年，中共中央、國務院印發《中國教育現代化2035》，進一步加快了互聯網、人工智能、大數據等現代技術與教育教學的深度融合。正是國家政策的大力支持和新興技術的成功應用，使得近年來個性化在線學習資源推薦研究取得了較多成果，并將在未來持續受到更多關注。近十年，WoS 源的發文量同樣穩定上升，特別是2015 年，增幅達到1 倍。CNKI和WoS 相關發文量總體上升，說明相關研究進入了一個相對穩定的發展時期。為進一步分析發文質量情況，從CNKI 和WoS 中選取本領域內發文量排名前五的權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或計算機科學領域。CNKI 源Ⅰ、Ⅱ中發文量前五的中文期刊相同，排名前四的期刊均是教育學領域的CSSCI（Chinese Social Sciences Citation Index）來源期刊。其中，《中國電化教育》發文最多，共28 篇，該雜志主要關注面向全國中小學的教育信息化研究成果?！队嬎銠C學報》是中國計算機領域的權威期刊，也是EI（Engineering Index）來源期刊。從WoS 中挑選出來的期刊均為SCI（Science Citation Index）或SSCI（Social Sciences Citation Index）來源期刊，除第三和第五的期刊分別源自美國和荷蘭外，另外3 本期刊均來自英國。其中，Computers &Education是計算機與教育科學交叉研究的SCI 和SSCI 來源期刊，主要關注數字技術在教學上的使用，其發表的文章側重于對學習和教學的影響以及使用環境，一般不包含涉及軟硬件實現的體系結構細節；Computers in Human Behavior聚焦研究計算機在心理學、精神病學和相關學科中的使用，以及計算機的使用對于個人、群體和社會的心理影響；IEEE Transactions on Learning Technologies是側重學習技術及其應用研究的SCI 和SSCI 來源期刊；Expert Systems with Applications重點關注智能專家系統設計、開發、測試、實施和管理；Knowledge-based Systems專注于知識和其他人工智能技術系統研究。

2.2 作者—機構共現圖譜與高產機構分析

文獻作者及發文機構代表著該領域的研究力量，對研究領域的研究者和研究機構進行分析可識別該領域一定時期內有較高影響力的研究群體。CNKI 和WoS 的核心作者—機構共現圖譜分別如圖2 和圖3 所示。由CiteSpace 生成的圖譜中，連線代表節點間存在共現關系，節點越大，其出現頻次越高。圖2 和圖3 中隱藏了在該領域內發文少于3 篇的作者姓名，名字越大，代表其發文越多，依此識別出核心作者。

Table 2 Top five authoritative journals表2 發文量前五的權威期刊

Fig.2 Co-occurrence mapping of CNKI author-institution圖2 基于CNKI的作者—機構共現圖譜

Fig.3 Co-occurrence mapping of WoS author-institution圖3 基于WoS的作者—機構共現圖譜

圖2 中，核心作者的合作并不多，而且多為一個機構的內部合作。例如，趙蔚和姜強同屬東北師范大學；而李浩君、張征和張鵬威則同屬浙江工業大學。但趙蔚等人與李浩君等人同為跨計算機與教育領域的研究者。通過點擊CiteSpace 中的作者節點可查看其發文量和發文時間。其中，東北師范大學的趙蔚合作較多，共發表12 篇文獻，集中在2011、2014、2015 這3 年，主要研究基于大數據和數據挖掘的推薦算法。

圖3 中，核心作者多是跨機構合作。例如，Cardiff Univ的K Suomalainen 與Univ Helsinki 的E Barnes 有合作關系，Huazhong Univ Sci &Technol 的Zhou Pan 與Univ Florida 的Wu Dapeng 有合作關系。其中，Zhou Pan 共有6 篇文章，發表于2018 年和2019 年，主要研究大數據背景下用戶的實時興趣跟蹤。此外，Aleksandra Klasnja-Milicevic 發表論文較多，共9 篇文獻，主要研究基于標簽、學習風格和知識水平的學習資源推薦。

為考察機構發文量，生成了CNKI和WoS的高產機構發文量表，發文量前十的高產機構如表3 所示。值得注意的是，CiteSpace將同一機構的不同部門視為不同的發文機構。

Table 3 Top ten high-yield institutions of documents issued表3 發文量前十的高產機構

表3 中“CNKI 源Ⅱ期刊機構”是統計發文于北大核心、CSSCI、CSCD 期刊的機構。由表3 可知，華中師范大學在發文量方面遙遙領先，發表了80 篇相關文獻，大約是第二名北京郵電大學的2 倍。此外，電子科技大學發文量不少于33 篇。比較最早發文時間可發現，雖然東北師范大學和華東師范大學發文較早，但近十年總發文量不多。表3所列CNKI 機構多為師范類高校，緣于他們深耕教育領域，易于凝聚教育和計算機專業人才開展交叉研究并取得成果。此外，中國科學技術大學雖未進入表3，但該校與表3中的“安徽科大訊飛”存在合作關系，而且其以陳恩紅、劉淇等人為代表的團隊在個性化學習資源推薦研究領域取得諸多成果［4，10-12］。表3 列舉的WoS 機構中，除排名第七、第九的機構源自中國和南非外，另外八所機構均來自美國或英國一流大學。同時，CNKI 中的國內發文機構合作較少，而WoS 中所列的發文機構間合作較多。作者及發文機構間的合作關系是互相影響的，因此相關領域的研究者和發文機構的合作都需要進一步加強。

基于CiteSpace 分析各機構的發文者和文獻如下：

（1）CNKI 機構中，東北師范大學的發文者主要是姜強、白雪和趙蔚3 人；華中師范大學的發文者主要是葉俊民、丁繼紅等人。姜強等［13］提出通過大數據分析，從學習環境、學習者、學習目標、學習方法4 個維度建立學習分析模型，以實現為個性化學習者提供合理有效的學習路徑；趙蔚等［14］研究基于本體技術實現個性化學習資源推薦；葉俊民等［15］基于異構信息網絡，以元路徑的相似性度量為基礎，結合知識轉化概率和學習反饋信息，計算學習者與學習資源之間的語義相似度，并依據該相似度推薦學習資源。

（2）WoS 機構中，匹茲堡大學的相關研究者有Niu Zhendong 等［16］、倫敦大學有Karataev 等［17］。Zhendong等［16］將學習者的上下文和順序訪問模式合并到推薦系統中，提出一種結合上下文感知、順序模式挖掘（Sequence Pattern Mining，SPM）和協同過濾（Collaborative Filtering，CF）算法的混合推薦方法。其中，上下文感知用于合并學習者的知識水平和學習目標等上下文信息；SPM 算法用于挖掘Web 日志并發現學習者的順序訪問模式；CF 根據情境化數據和學習者的知識計算預測并為目標學習者提供建議的順序訪問模式。Karataev 等［17］針對大多數電子學習系統未利用其用戶能力創建高質量教育內容的現狀，提出一種可支持用戶以小節課程形式編寫教育內容的社交學習框架，通過遵循自適應學習途徑以及與其它社交網絡中的同伴互動完成課程學習。

3 研究熱點分析

為了解近十年個性化在線學習資源推薦研究熱點，使用CiteSpace 對現有研究的關鍵詞共現圖譜及高頻關鍵詞、共被引文獻聚類圖譜等進行分析，并分析CNKI 現有研究所針對的學習資源類型。

3.1 關鍵詞共現圖譜分析

關鍵詞反映文獻的要點和主題內容，而頻次標志關鍵詞的重要程度，多篇文獻中共同出現的高頻次關鍵詞可反映該研究領域某一時期的研究熱點與核心內容。由CiteSpace 得到關鍵詞共現圖譜如圖4 所示，高頻關鍵詞的詞頻統計如表4所示。

Fig.4 Co-occurrence map of keywords圖4 關鍵詞共現圖譜

Table 4 Word frequency statistics of high frequency keywords表4 高頻關鍵詞的詞頻統計

由圖4 和表4 可知，近年來個性化在線學習資源推薦研究所使用的主流技術包括“協同過濾”“深度學習”等，所涉及的常見學習資源包括“MOOC”“學習路徑”等，所針對的應用場景主要有“在線學習”“higher education”等。

利用CiteSpace 中點擊節點可單獨顯示與其相連的其他節點這一功能，結合圖4 和表4 中的新興技術（特指2015年及之后出現的高頻關鍵詞中所涉及的技術）可知，將協同過濾算法、數據挖掘等傳統算法與深度學習、知識圖譜、認知診斷等新興算法相結合，是近十年來的主要研究熱點。進一步分析如下：

（1）協同過濾。利用協同過濾算法［18］分析學習者的歷史數據，以挖掘相似學習者或相似學習資源以進行推薦，能獲得較理想的推薦效果［10］。其優勢在于不需要像基于內容的推薦算法那樣對資源進行復雜的特征提取與建模。針對在應用協同過濾算法時面臨的新學習者或新學習資源的冷啟動問題和數據稀疏問題，研究者將協同過濾與其他技術或輔助信息相結合。例如，吳云峰等［19］結合遷移學習與協同過濾對面向C 程序網絡教學的試題資源進行個性化推薦；朱天宇等［11］提出一種基于認知診斷的協同過濾試題推薦方法等。這些研究有力地推進了協同過濾算法在個性化學習資源推薦中的實際應用。

（2）知識圖譜。利用知識圖譜構建涉及大量實體及其關系的信息網絡，并以此為數據挖掘提供輔助信息，可提升推薦系統準確率。從組成要素看，圖譜主要由節點和邊組成，每個節點對應現實世界中的實體，每條邊表示實體與實體之間的關系［20］。知識圖譜不僅在個性化學習路徑推薦研究中可發揮重要作用［21］，而且在論文推薦研究中也可有效解決數據稀疏問題［22］。但是，將知識圖譜輔助解決冷啟動問題時，僅適用于已穩定運行一段時間并積累了一定歷史數據的在線學習平臺中出現新的學習者或者學習資源的情況［10］。

（3）認知診斷。對學習者進行認知診斷（Cognitive Diagnosis）分析，可了解學習者的認知結構、知識點掌握狀態，從而為個性化學習資源推薦提供重要決策基礎。常見的認知診斷模型有項目反應理論（Item Response Theory，IRT）［23］、DINA 模型（Deterministic Inputs，Noisy “And” gate model）［24］，以及模糊認知診斷模型（Fuzzy Cognitive Diagnosis Framework，FuzzyCDF）［25］等。使用認知診斷模型可清晰了解學習者的學習狀況，從而有助于更精準地進行學習資源的個性化推薦。例如，童名文等［26］結合認知診斷、領域模型和自適應模型向學習者不斷推送適合的學習資源，以消除學習目標與當前學習成效之間的差值。針對現有認知診斷模型在客觀題和主觀題評分機制上的不足，為更全面掌握學習者的認知情況，一些改進的認知診斷模型［12，27］被提出。

3.2 學習資源類型分析

CNKI 提供了“結果中檢索”功能，而WoS 未提供該功能，因此，本文僅篩選出CNKI 源Ⅰ、Ⅱ中文獻明確針對的學習資源類型，主要包括MOOC、學習路徑、習題或試題、課程或學習視頻等，如表5所示。

Table 5 Types of learning resources表5 學習資源類型

以上“學習資源類型”相關的代表性研究包括：朱天宇等［11］基于學生對知識點的掌握程度進行試題推薦；蔣昌猛等［28］構建表征知識點層次關系的權重圖，以實現習題推薦；劉敏等［29］從學習資源的內容、類型和學習資源推薦的時間、頻次等方面建構一個可應用于MOOC 推薦的系統；通過分析在線學習行為；申云鳳等［30］基于人工神經網絡和蟻群優化算法，建構一種個性化學習路徑推薦模型；周麗娟等［31］針對評分數據極度稀疏的情況，提出一種基于協同過濾的課程推薦方法；王素琴等［32］基于課程之間的時序性和緊密關系將課程分類后進行推薦。

3.3 共被引文獻聚類圖譜分析

共被引文獻是指兩篇（或多篇）論文同時被后來一篇或多篇論文所引證，被引量的多少可判斷該文獻引起同行反響的程度和質量水平的高低。為了解個性化學習資源推薦領域具有影響力的文獻，如圖5 所示，生成WoS 共被引文獻的聚類圖譜。由于CNKI 文獻沒有引文數據，故無法進行共被引文獻聚類圖譜分析。

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

圖5 是CiteSpace 根據共被引文獻的關鍵詞聚類生成，帶“#”字符的內容是聚類名稱，無“#”字符的內容則是共被引次數較高文獻的作者及發表年份。可以發現，共被引文獻多涉及“MOOC”學習資源，以“學生”為中心，重視學生的“學習風格”，以及對其歷史數據的挖掘。此外，還識別出了被引頻次前十的文獻［33-42］，它們主要圍繞“學習者模型”和“學習資源特征”兩個主題。其中，文獻［33］較早提出了基于學習風格的推薦系統；通過挖掘學習者在網絡環境中共同的歷史學習序列，文獻［34］研究如何針對學習者當前學習過程進行學習資源推薦；文獻［35］設計一種基于個性化推薦的移動語言學習方法，并基于該方法開發移動學習系統，通過提供閱讀材料推薦機制，引導學生閱讀符合自己喜好和知識水平的文章；文獻［36］綜述了推薦系統以及協同過濾方法，解釋它們的演變，并為這些系統提供一個原始分類；文獻［37］通過開發基于決策樹和數據挖掘技術的個性化創造力學習系統，為優化創造力表現提供了個性化學習路徑；文獻［38］對推薦系統的應用開發進行了分類，并總結了每個類別中使用的相關推薦技術；基于詞匯的技術和機器學習技術，文獻［39］設計了一種在Facebook 中進行情感分析的新方法，以支持個性化學習；文獻［40］綜述了學習風格和適應性學習系統的整合現狀，及其問題；文獻［41］分析了基于學習者上下文信息的推薦系統，并提出一個上下文框架，用于識別推薦系統相關上下文維度；基于應用上下文感知技術和推薦算法，文獻［42］開發一個學習系統，幫助終身學習學習者以上下文感知的方式實現個性化學習目標，提高學習者學習效率。

“個性化學習資源推薦”問題的本質是“如何為學習者從海量數據中找到適合自己的學習資源”，而準確評估學習者和不同類型學習資源之間的特征匹配度，對于解決該問題具有關鍵意義。因此，結合新興技術和算法，研究具體應用場景下學習者和學習資源的特征建模，仍是未來的重要工作之一。

4 研究趨勢分析

2020 年的新冠疫情促進了在線學習的大規模普及，在此背景下，面向在線學習的個性化學習資源推薦吸引了越來越多研究者的關注。進一步推動個性化學習資源推薦研究，對于實現教育信息化、培養高素質人才的目標有著重要的現實意義。通過梳理十年來的相關文獻可發現，當前個性化在線學習資源推薦的研究在結合遷移學習、碎片化資源整合及動態推薦等3個方面呈現出明顯發展趨勢。

（1）結合遷移學習的研究趨勢。遷移學習是用已獲得的知識對不同但相關領域的問題進行求解的一種機器學習方法。域適應是將遷移學習運用到個性化學習資源推薦過程中最常見的問題之一，主要指域不同但任務相同，且源域數據有標簽，目標域數據沒有標簽或者只有很少數據有標簽。微調則是遷移學習中的一種常見方法，其根據實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制和遷移學習的跨領域推薦模型，該模型通過卷積神經網絡對文本建模，然后引入遷移學習，同時提取領域特有的特征和領域間的共享特征進行不同領域之間的聯合建模，以實現在緩解數據稀疏問題和用戶冷啟動問題方面的優勢。

實際上，很多跨專業甚至跨學科的學習擁有類似規律，因此可以利用遷移學習解決個性化學習資源推薦時所遇到的冷啟動問題，提升推薦結果的準確性和多樣性。學習者在學習多門課程時，這些課程間可能存在一定關聯。如何充分挖掘相關專業、課程之間的潛在關系，進行遷移學習分析，對于改進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。當前，在線學習平臺中的學習資源具有微型化特點，以致資源呈現不斷碎片化的趨勢。由于學生的分析總結能力有限，即使學生有持續學習的習慣，但他們在碎片化知識學習時也難以構建屬于自己的知識體系和邏輯框架，更無法挖掘自身和碎片化資源之間的潛在關系。此外，如何組織跨學科知識或者交叉學科知識，也是碎片化資源整合研究的重點之一。

利用知識圖譜幫助建構碎片化知識間的關系、區分不同知識點的重要程度、對碎片化知識進行查漏補缺，是當前研究的一個理想思路。研究者可借助知識圖譜串聯跨專業、跨學科的知識點，有效組織知識點的邏輯框架與體系，為個性化學習資源推薦提供理想的數據結構［44］。例如，慕課平臺Khan Academy 利用知識圖譜整合碎片化知識、重構知識間的關聯［45］；Shi 等［46］提出學習對象之間的6種主要語義關系，用以構建多維知識圖譜，從而推薦學習路徑；王亮等［47］利用MOOC 課程中的微視頻、測驗作業、討論記錄等多種微資源，構建包含知識實體及其關聯關系的多模態知識圖譜。

為使學生更有效地學習碎片化知識，研究者在建立知識圖譜時應在明確知識圖譜的知識原點后，再進行圖譜知識延伸。如何充分挖掘知識點間的關聯關系是研究重點，確定了知識點間的內在聯系，才能知道知識點的相對難易程度，避免學生在學習基礎知識前“異常地”先接觸到較深入的知識。

（3）基于動態推薦技術的研究趨勢?，F有研究中大多數推薦系統都是靜態，使用某一時間片上、時效性明顯的數據。但是，學習者對知識的記憶和理解程度往往會隨著時間的推移而衰減。因此，利用遺忘曲線，對人的記憶力衰減模型進行分析，在此基礎之上，結合學習者的時序測試數據，動態分析學習者的知識點掌握程度，繼而進行試題等學習資源推薦，是一種可行思路。如何基于實時的反饋數據并結合原有信息動態優化個性化學習資源的推薦算法，是未來研究趨勢之一。例如，通過深度學習算法建構基于內容的學習者模型，可根據時序數據及時有效地更新模型［48］，也可以融合近幾年來被提出的增量圖嵌入方法［49］，以適應實時性要求，降低數據訓練的時間成本。

5 未來研究方向

目前，個性化學習資源推薦研究尚存在不少亟待解決的問題，需作進一步研究，主要包括：

（1）通過對學習者的認知能力進行更全面和客觀的診斷，進一步完善現有的學習資源推薦機制并提高推薦準確率。除需要分析教育心理學已發現的“猜測”和“粗心”等因素［19］對認知診斷結果產生的影響外，學習者在知識點的理解深度和運用水平的靈活性上往往表現出不穩定性，需要引入更有效的模糊數學理論來刻畫學生對知識點掌握程度的變化規律和特征。在當前學科交叉和知識融合的人才培養趨勢下，不同知識點，甚至不同學科的知識點間可能互相影響，這更給綜合診斷學習者的認知能力帶來了新的挑戰。并且，隨著時間的推移，學習者對于舊知識點的掌握和熟悉程度會有所下降［48］。此外，知識點的準確劃分是了解學習者知識掌握情況的基礎，準確拓展和完善知識點結構，對個性化學習資源推薦研究具有重要意義。

（2）主流在線學習平臺已積累了龐大、異構和多樣化的學習資源，除試題、課程、文獻等常見學習資源外，還包括學習小組、學習路徑等資源，它們從不同側面對學習者的學習效果產生顯式或隱式影響。如何在約簡高維特征和提高海量數據計算效率的基礎上，進行多種學習資源的綜合推薦是研究者需要關注的方向。同時，針對頻繁出現的冷啟動和數據稀疏問題，如何應用知識圖譜和圖嵌入算法等進行海量數據下的高效推薦優化，從而為學習者提供令人滿意的推薦結果，也是當前面臨的重要挑戰。

（3）強化研究過程中的跨學科、跨機構合作。研究者和研究機構間進行合作有助于健全研究體系，形成一致性、系統性的研究結論和成果。因此，個性化學習資源推薦研究的跨學科團隊合作、突破單一領域思想的約束，以及進一步推進不同學科研究者和研究機構間的合作，對于深入和擴展現有研究、完善研究體系具有重要意義。

6 結語

近年來，在線學習已大規模普及并快速發展。針對海量且異構化的學習資源，結合學習者的認知能力、學習興趣和學習偏好等特點進行的個性化在線學習資源推薦研究，已取得一定進展和成果。但是，至今尚未有個性化在線學習資源推薦研究現狀的綜述或可視化分析文獻。本文利用CiteSpace 對相關研究進行計量學分析，概述了當前研究狀況，歸納了學習資源推薦研究的當前熱點和未來趨勢，指出了已有研究的不足和未來方向，可為個性化在線學習資源推薦研究提供有價值的參考與啟發。