基于關鍵詞聚類的國內個性化學習研究分析

李飛飛 姚巧紅

摘 ?要： 隨著智慧教育、移動互聯網等教學環境的建設，個性化學習作為一種學習方式重新獲得了研究者們的重點關注，成為當下的研究熱點。本文以中國知網（CNKI）全文數據庫收錄的332篇CSSCI和核心期刊文獻資料為分析樣本，利用Bicomb、SPSS等工具對個性化學習研究熱點進行概括分析，并提出了關于未來開展個性化學習研究的幾點建議。

關鍵詞： 個性化學習;研究熱點;共詞聚類分析;可視化

中圖分類號： G434 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.06.057

本文著錄格式：李飛飛，姚巧紅. 基于關鍵詞聚類的國內個性化學習研究分析[J]. 軟件，2020，41（06）：274279

【Abstract】： With the construction of intelligent education， mobile Internet and other teaching environment， personalized learning as a way of learning has regained the focus of researchers and become a research hotspot. This paper takes 332 CSSCIs and core periodical literatures from the full-text database of CNKI as the analysis sample， and makes a general analysis of the research hotspots of personalized learning using Bicomb， SPSS and other tools， and puts forward some suggestions on the future development of personalized learning research.

【Key words】： Personalized learning; Research focus; Co-word cluster analysis; Visualization

0 ?引言

個性化學習是根據學習者的個性特征和發展潛力，采取適當、多樣的方法充分滿足學習者個體需求的學習[1]。在信息化技術手段逐漸普及的情況下，移動終端設備成為學習者們獲取信息的主要途徑之一，同時也成為了開展個性化學習的物質基礎。在這樣的社會需求和信息化手段的推動下，個性化學習逐漸成為未來學校教育的重點關注對象，更加適應未來教學和改革的特征，成為未來學習的新型學習方式，更加符合培養創新型人才的社會需求。與此同時，國內學者也不斷開展了對個性化學習的相關研究，論文的數量也隨著研究的深入逐年增加，并形成了一些極具價值的研究成果。在這樣的背景下，本研究通過對中國知網（CNKI）全文數據庫收錄的CSSCI和核心期刊有關“個性化學習”的文獻資料進行檢索，再利用Bicomb與SPSS分析軟件以可視化的方式對“個性化學習”的研究熱點進行聚焦分析，希望能為國內個性化學習相關研究提供切實的學術參考和借鑒。

1 ?數據來源與研究方法

1.1 ?數據來源

由于CSSCI和核心期刊更具有權威性，因此本研究文獻數據選用中國知網（CNKI）全文數據庫收錄的“CSSCI”和“核心期刊”兩類文獻資料，運用中國知網的高級檢索功能，以“個性化學習”為主題關鍵詞進行檢索，時間范圍為2009-2019年，共檢索到文獻356篇，經過人工篩選，刪除掉不相關的文獻后，最終確定332篇文獻為本文的分析數據和研究樣本。

1.2 ?研究過程與方法

關鍵詞是為反映文獻主題內容和滿足文獻檢索需求而從文獻中提取出來的詞或詞組，能夠揭示文獻的主題信息，是對文獻最核心的內容、思想觀點和論證方法的提煉和概括[2]。通過分析文獻的關鍵詞詞頻和共詞數據，可以創建出可視化的知識圖譜，進而清晰地展示研究熱點，挖掘內在信息。本研究利用中國知網（CNKI）文獻搜索引擎，將篩選出來的文獻導出格式設置為NoteFirst格式進行導出，利用Bicomb書目共現分析系統以及SPSS統計分析軟件，通過對關鍵詞進行聚類分析，進而分析國內有關個性化學習的重要主題和知識圖譜。研究過程如圖1所示。

1.3 ?數據處理與分析

利用Bicomb2.0書目共現分析系統軟件將332篇有效研究樣本中的關鍵詞進行初步統計，在統計過程中，筆者發現一些關鍵詞存在含義基本相同、表述各異的問題;為了保證研究數據的準確和客觀對含義相同、表述各異的關鍵詞進行合并;經統計，共發現了1494個關鍵詞，根據一定的閾值標準，將出現頻次大于等于5的關鍵詞作為高頻關鍵詞并導出，共計25個，對樣本采取降序的方式進行排序，統計結果如表1所示。由表1可知，高頻關鍵詞的總計呈現頻次為452次，總計占30.25%的百分比，符合知識圖譜分析所要求的27%標準，可以通過知識圖譜進行分析。

2 ?基本情況概述

2.1 ?文獻量時間分布

為探究有關個性化學習的成果產出情況，筆者對2009年到2019年的文獻數量進行了統計，逐年統計結果如圖2所示。可以看出，國內研究者對個性化學習的研究熱情大體上保持著穩步增長的趨勢，每年均有一定數量的學術研究論文發表。2009年至2011年關于個性化學習的論文數量有小幅度下降的趨勢;2012年3月，教育部在頒布的《教育信息化十年發展規劃（2011-2020年）》中強調要在個性化學習方面做出改變，為迎接未來的學習型社會要改變教育方式和學習方式以及對學習者的特征進行重新定義，實行適合信息化發展的個性化學習范式，以促進學生完整的發展[3]。自2012年之后，有關該方面研究的文獻增長速度有了顯著提高，且增幅較為穩定，這表明2012年以后成為個性化學習研究的快速發展時期。

2.2 ?文獻來源

為了解有關個性化學習學術論文的文獻來源情況，對篩選出來的分析樣本的文獻來源進行統計處理，對載文量前10位的核心期刊進行排序，具體情況如表2所示。由表2可知，《中國電化教育》的載文量占比最高，大約為13.6%。在排名前十位的期刊中，超過一半的期刊均屬于教育管理類的核心期刊，這說明教育界對個性化學習的研究持有更高的關注度，且在對個性化學習的研究發揮著不可替代的作用。

2.3 ?高影響力作者

為了深入了解重點關注個性化學習領域的研究者情況，對發表個性化學習相關論文5篇以上的研究者以及這些研究者之間的合作情況進行統計，如表3、表4所示。

通過對表3，表4的分析可知：①東北師范大學的姜強、趙蔚以及遼寧師范大學的王朋嬌三位學者合作發表了多篇關于個性化學習方面的論文，為個性化學習的研究提供了很有價值的參考。北京師范大學的武法提以及江南大學的牟智佳兩位學者對個性化學習也頗有研究，也形成了良好的合作關系。

②姜強，趙蔚，王朋嬌，王麗萍于2015年合作發表的《基于大數據的個性化自適應在線學習分析模型及實現》[4]、姜強，趙蔚，李松，王朋嬌于2016年合作發表的《個性化自適應學習研究——大數據時代數字化學習的新常態》[5]以及牟智佳在2017年發表的《“人工智能+”時代的個性化學習理論重思與開解》[6]三篇文獻下載量和被引頻次均位于該領域研究的前列。③關于研究該領域的學者機構大多都來自于幾所有名的師范院校，其中東北師范大學對于個性化學習領域的研究關注較多，這表明對于個性化學習的研究大多都集中在師范類院校，且推動著個性化學習研究的發展。

3 ?研究結果與分析

3.1 ?高頻關鍵詞分析

由表1的統計結果可知，國內有關個性化學習的研究中排名前10位的高頻關鍵詞分別是個性化學習（195次）、大數據（36次）、學習分析（32次）、慕課（18次）、翻轉課堂（15次）、人工智能（15次）、教學模式（14次）、自適應學習（13次）、個性化（11次）、深度學習（10次）。這一結果表明，目前我國有關個性化學習的研究大致集中在學習分析技術在個性化學習中的應用研究;慕課、翻轉課堂等與個性化學習教學模式融合的研究;個性化自適應學習的研究以及個性化學習系統平臺和學習環境的研究。

3.2 ?Ochiai相似矩陣及分析

通過對Ochiai相似矩陣進行分析，可以挖掘高頻關鍵詞之間的聯系，進而得到一些關鍵的潛在信息。用Bicomb軟件中的詞篇分析功能分析關鍵詞，設置頻次閾值（≥5，≤195）導出TXT格式的詞篇矩陣;將該矩陣導入SPSS19.0軟件中，選取Ochiai二分類度量標準將其轉化為25*25的共詞相似矩陣，計算結果如表5所示。

依據高頻關鍵詞的Ochiai系數相似分析原理，從相似矩陣中可以看出，數值的大小表示對應的兩個關鍵詞之間距離的遠近，數值越趨近于1，表明關鍵詞間的距離越近，聯系越緊密。從統計的結果可以得知，學習分析（0.266）、大數據（0.263）、翻轉課堂（0.185）、慕課（0.179）、人工智能（0.148）、自適應學習（0.139）、教學模式（0.134）等與個性化學習的距離較近，說明這些主題受到了研究者們的關注，對個性化學習具有較大的影響。相比之下，其他關鍵詞與個性化學習距離較遠，具有較小的相似度。例如，高等教育（0.058）、用戶模型（0.096）、知識圖譜（0.064）等，表明目前這些關鍵詞在個性化學習領域受到的關注度相對來說較低，仍有很大的研究和發展空間。

3.3 ?關鍵詞聚類分析

為進一步探究個性化學習的主題結構，將Bicomb生成的詞篇矩陣導入SPSS19.0軟件中，運用聚類分析方法獲得高頻關鍵詞聚類圖，如圖3所示。

從圖3呈現的聚類結果可以看出，當前關于個性化學習的主要研究內容如下：

（1）種類1：在人工智能、智慧教育、學習分析、數據挖掘等先進技術支持的基礎上，對個性化自適應學習進行研究以及構建個性化學習系統和學習路徑，讓技術幫助學生根據自己的特點進行個性化學習，發揮技術推動個性化學習的功能。

（2）種類2：把翻轉課堂、慕課、自主學習等與個性化學習理念融合或者把個性化學習融入到學科教學模式中，發揮個性化學習理念在教學中的獨特作用;關注個性化網絡學習環境的設計、構建與優化。一個好的個性化網絡學習環境，除了要有針對性和實效性以外，還要使用戶擁有簡潔、方便、舒適的操作體驗。

（3）種類3：將個性化學習與信息技術進行融合，實現信息技術支持下的個性化學習研究以及在信息技術課程中對個性化學習進行設計與應用。

（4）種類4：知識圖譜可以理解為知識點之間聯合而成的知識網絡群體[7]。基于知識圖譜可以以可視化的形式對個性化學習資源進行推薦。

（5）種類5：“互聯網+”時代背景下，對于高等教育階段個性化學習的研究比較多;成人高等教育個性化學習的研究也在逐步增加。

4 ?國內個性化學習研究熱點分析

4.1 ?學習分析技術在個性化學習中的應用研究

學習分析技術根據不同分析方式和數據模型來詮釋有關學習者信息的數據，進一步深入了解學習者的學習規律和進程;或根據數據闡述學習者的學習表現，為其提供有價值的反饋從而使其更加有效的學習[8]。在教育中運用學習分析技術可以對學習過程中學習者隱藏的學習行為進行測量，更加深層次的挖掘有價值的信息，以量化的方式促進學習者的個性化學習。劉敏等人[9]深入研究了學習分析與個性化學習資源推薦的理論以及實踐的課題。從在線學習喜好、學習風格以及學習者在線學習做法及產生的結果等多方面對學習進行分析，對學習資源的類型、資源、內容的推薦時間以及頻次等進行了個性化的推薦設置。曹曉明等人[10]以智慧學習為背景嘗試基于學習分析技術支持動態采集、精確分析、可視化反饋等來構建個性化學習平臺，使其在信息技術的支持下更加符合因材施教的理念，從而對學習者的學習進行個性化指導。將學習分析技術應用到個性化學習中具有很好的發展前景和應用價值。

4.2 ?關于個性化學習教學模式的研究

通過對個性化學習教學模式進行探究，更能體現出課堂上以學生為中心的特征，更好的滿足個性化的學習需求，有利于實現因材施教。吳紅艷[11]在翻轉課堂中融合個性化學習的理念，把它作為一種新的翻轉課堂教學模式，通過此類教學模式來對學習者的學習積極性進行勉勵，使翻轉課堂的教學效果得到充分發揮。楊玉芹[12]指出慕課要想更加持續性的發展下去，必須支持學習者的個性化學習模式，使學習者在慕課學習的過程中有沉浸感，充分發揮學習者在學習過程中的主動性、創造性、反思性，進而更好的進行個性化學習;并嘗試以構建慕課學習者個性化學習模型的方式來分析慕課學習的本質、支持學習過程的方法以及組成成分等，支撐學習者的個性化學習就要使慕課的設計被不斷地完善。將個性化學習與翻轉課堂、慕課等結合的教學模式，可以促進雙向的發展，但在實踐的過程中還存在著諸多問題，仍需要更深入的研究。

4.3 ?關于個性化自適應學習的研究

自適應學習（Adaptive Learning）是指學習者根據具體的學習情境、學習方法、認知水平等個人特點不斷調整自身學習活動、學習內容等以適應不停地變動，將被動學習變為主動學習，進而大大提升學習效果的學習方式[13]。姜強、趙蔚、王朋嬌等人[4-5]近年來一直致力于對“個性化自適應學習”的研究，在個性化學習領域發揮著舉足輕重的作用，研究成果處于國內的領先地位。其研究團隊在大數據分析的基礎上建立起個性化自適應在線學習分析模型，通過這樣的分析模型可以基本的實現學習行為模式的深度挖掘，以量化的形式做到真正意義上的因材施教。隨后該團隊又進一步發表了關于個性化自適應學習的研究論述，指出忽視學生行為習慣、學習能力等個性差異是目前主要存在的教育問題，而數字學習環境的到來為解決這一問題提供了機遇，個性化自適應學習這種新范式也將成為未來教育的發展趨勢，推動著未來學習型社會的發展。

4.4 ?關于個性化學習系統平臺的研究

人工智能技術以及數據挖掘技術為個性化學習系統平臺的設計、構建和應用提供了強有力的技術支持，扮演著愈發重要的角色[14]。最近幾年相關學者提出了不同的個性化學習系統平臺，從大量信息中篩選出供學習者利用的信息[15]。例如馬相春等人[16]詳細剖析了個性化自適應學習系統的核心要素，對基于大數據的個性化自適應系統架構模型進行了提出并從多方面探究了該模型的實現路徑。王冬青等人[17]以學生的歷史作答數據為依據來分析學習者的知識掌握程度，提出了個性化習題推薦系統，并取得了很好的效果。此外還有一些學者提出了個性化學習分析系統、個性化學習導航系統、個性化學習導航系統以及個性化學習診斷與指導系統等等。通過對個性化學習系統平臺的研究，很好的彌補了傳統學習方式的弊端，充分利用信息技術的優勢來滿足學習者的個性化學習需求。

4.5 ?關于個性化學習環境的研究

大數據的環境在教育領域發揮著越來越重要的作用[18]。充分運用大數據的環境可以更好地為我們服務[19]。個性化學習環境的創設良好的促進和支持了個性化學習的實現，從而滿足了學習者的個性化需要，使學習者的學習過程和結果更趨個性化。楊玉芹[20]深入研究了MOOC學習環境設計的策略，將各種社交軟件和技術應用于學習情境中，發揮學習者的主人公意識得到充分發揮，使得許多不同特征、不同目的、不同背景的學習者進行自主個性化學習。劉秀輝等人[21]以建構主義學習理論為基礎，創建了建構主義學習環境下的英語個性化學習環境，使學習者擁有自己的個性化學習空間，提升個性化學習效果。

5 ?結論與建議

在大數據學習分析技術、移動互聯網技術發展背景下，個性化學習有了新的實現路徑，得到了迅速的發展，同時也更加有助于教育的變革;個性化學習的發展使教育實現以學習者為中心成為可能，重視學習者的個性化需求和個體差異，有利于培養未來社會所需要的創新性人才。在這種背景下，如何才能促進學習者有效的個性化學習成為研究者們應該研究的重中之重。但筆者發現，在對個性化學習研究的過程中仍存在一些如關于個性化學習的理論研究不夠、個性化學習在基礎教育層面的研究較少等問題;并提出了幾點相應的實施建議。

（1）促進個性化學習理論研究的多元化。我國落實個性化學習的基本就是深度挖掘個性化學習理論。但目前國內的研究者對個性化學習理論的研究較少且研究的不夠深入，大多數的學者重點關注技術層面上的個性化學習研究。在今后關于個性化學習的研究中要重點關注不同視角下的個性化學習理論研究，個性化學習教學理論、課程理論等都是個性化學習理論研究要重點關注的內容。

（2）重視在基礎教育層面的個性化學習探索實踐。普及教育和應試教育的社會需求使得基礎教育的個性化在一定程度上受到了限制;無論是基礎教育階段的教育者還是學習者都面對著升學的壓力，這就會使基礎教育階段的個性化學習相對于高等教育階段難以進行開展，國內學者對該方面的研究就相對較少。在今后基礎教育層面個性化學習的研究中，要重視基礎教育的個性化學習的探索，逐漸形成以學生為中心的教學模式，實現基礎教育課程下的“因材施教”。

參考文獻

[1] 蘇宏， 陳陽鍵， 吳迪， 等. 新媒體聯盟2016地平線報告高等教育版[J]. 廣州廣播電視大學學報， 2016， 16（02）： 1-21+107.

[2] 耿志杰， 朱學芳， 王文鼐. 情報學領域關鍵詞同現網絡結構研究[J]. 情報科學， 2010， 28（08）： 1179-1182+1202.

[3] 馬仲吉， 李漢斌， 劉思來， 等. 教育信息化時代下的個性化學習研究[J]. 中國教育信息化， 2017（06）： 8-11.

[4] 姜強， 趙蔚， 王朋嬌， 等. 基于大數據的個性化自適應在線學習分析模型及實現[J]. 中國電化教育， 2015（01）： 85-92.

[5] 姜強， 趙蔚， 李松， 等. 個性化自適應學習研究——大數據時代數字化學習的新常態[J]. 中國電化教育， 2016（02）： 25-32.

[6] 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（03）： 22-30.

[7] 許益通， 張冰雪， 趙逢禹. 基于學習風格的自適應學習內容推薦研究[J]. 軟件， 2018， 39（4）： 01-08.

[8] 胡藝齡， 顧小清， 羅九同， 等. 教育效益的追問： 從學習分析技術的視角[J]. 現代遠程教育研究， 2014（06）： 41-48.

[9] 劉敏， 鄭明月. 智慧教育視野中的學習分析與個性化資源推薦[J]. 中國電化教育， 2019（09）： 38-47.

[10] 曹曉明， 朱勇. 學習分析視角下的個性化學習平臺研究[J]. 開放教育研究， 2014， 20（05）： 67-74.

[11] 吳洪艷. 個性化學習理念與翻轉課堂教學模式的融合[J]. 現代教育技術， 2015， 25（08）： 46-52.

[12] 楊玉芹. MOOC學習者個性化學習模型建構[J]. 中國電化教育， 2014（06）： 6-10+68.

[13] 胡旺， 陳瑤. 自適應學習： 大數據時代個性化學習的新推力[J]. 中國教育信息化， 2018（21）： 42-47.

[14] 梁子鑫. 探討新時代背景下新興技術在人工智能中的應用[J]. 軟件， 2018， 39（7）： 166-169.

[15] 王崇峻， 魏鵬. 基于RSS的個性化信息服務系統研究[J]. 軟件， 2018， 39（7）： 110-115.

[16] 馬相春， 鐘紹春， 徐妲. 大數據視角下個性化自適應學習系統支撐模型及實現機制研究[J]. 中國電化教育， 2017（04）： 97-102.

[17] 王冬青， 殷紅巖. 基于知識圖譜的個性化習題推薦系統設計研究[J]. 中國教育信息化， 2019（17）： 81-86.

[18] 閆實， 付佳， 石莉. 大數據環境下基于智慧校園的教學改革[J]. 軟件， 2018， 39（2）： 208-211.

[19] 卜曉波. 試論大數據云計算環境下的數據安全[J]. 軟件， 2018， 39（2）： 197-199.

[20] 楊玉芹. MOOC自主個性化學習環境設計的策略研究[J]. 現代教育技術， 2014， 24（07）： 12-17+34.

[21] 彭素， 胡新艷， 羅必良. “農業強省”的綜合評價： 以廣東為例——基于探索性因子分析與聚類分析[J]. 廣東社會科學， 2012（01）： 59-67.