國外自適應學習技術研究主題與趨勢分析

張夢潔 劉峰 程薇

摘要： 以WOS收錄的2011-2021年780篇國外自適應學習技術文獻為研究對象，利用CiteSpace繪制時空和內容知識圖譜，揭示近10年來國外在此領域的研究主題及發展趨勢。結果表明，研究主題主要分為以下四類，自適應性學習技術的研究與開發;自適應性學習技術支持的個性化學習研究;智能學習環境的構建研究;自適應性學習技術發展背景下教師適應性學習研究。其中前三個主題的研究已趨于成熟，而自適應學習技術背景下教師適應性學習研究還亟待發展，這將是未來此領域的一大研究趨勢。

關鍵詞： CiteSpace; 自適應學習技術; 研究主題; 趨勢

中圖分類號：G40-05;G40-057? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2021）10-35-06

Analysis of research themes and trend on adaptive learning technology abroad

Zhang Mengjie， Liu Feng， Cheng Wei

（School of Education and Technology， Nanjing University of Posts and Telecommunications， Nanjing， Jiangsu 210023， China）

Abstract： This paper takes 780 foreign adaptive learning technology documents collected by WOS from 2011 to 2021 as the research object， uses CiteSpace to locate the time-space and content knowledge graph， and reveals foreign research themes and development trends in this field in the past 10 years. The results show that the research topics are mainly divided into the following four categories， the research and development of adaptive learning technology， the personalized learning research supported by adaptive learning technology， the research on construction of intelligent learning environment， and the research on teacher's adaptive learning under the background of the development of adaptive learning technology. Among them， the research on the first three themes has matured， and the research on teacher's adaptive learning under the background of adaptive learning technology still needs to be developed， it will be a major research trend in this field in the future.

Key words： CiteSpace; adaptive learning technology; research theme; trend

0 引言

近年來，隨著信息科技的飛速發展，智能化浪潮席卷而來，自適應學習技術成為人工智能賦能個性化教育的研究熱點，并且對教育生態重塑產生了深遠的影響。沃爾金頓（Walkington）認為，自適應學習技術（adaptive learning technology）是基于對學習者的經驗、背景、知識存量、需求和興趣等因素的多維衡量，將學習評估，學習分析，學習調整等技術整合為一體[1]，致力于挖掘學生的教育數據以提供個性化學習路徑的教育技術手段。

美國新媒體聯盟在2020發布的《地平線報告（教與學版）》中強調，自適應學習技術能滿足不同高校，不同學生的個性化學習需求，突破傳統線性教育壁壘，實現千人千面教學，自適應學習技術正成為教學信息化建設的重點[2]。因此，對自適應學習技術的研究與發展將進一步推進傳統教育的信息化、智能化變革。

1 數據來源和研究方法

⑴ 數據源：本研究使用Web of Science（“WoS”）作為搜索數據庫，因為WoS是最著名的期刊文章集合之一，其科學引文索引（SCI）包含8500多種橫跨170多個學科較有影響力的期刊，相比于其他數據庫，其收錄的外文文獻數量較多，覆蓋面較全[3]。

⑵ 檢索區間：2011年1月至2021年2月。

⑶ 檢索關鍵詞：以主題=“adaptive learning” or“adaptive learning technology” or “adaptive educational technology”or“learning adaptive” or “learning adaptive technology”;下拉搜索數據庫選框，選擇“Web of Science核心合集”;在文章類型一欄，選擇“article”;在Web of Science類別一欄，勾選“educational education research”。

⑷ 文獻篩選步驟和處理程序如下：第一步，輸入關鍵詞，獲得初步數據樣本780篇;第二步是篩選樣本類型，一般認為，期刊文章可能比其他類型的研究材料更敏銳，并且可以更直接地反映研究熱點和前沿[4]。因此，通過瀏覽初始數據樣本的題錄信息（由Excel導出，包含樣本標題、出版年限、摘要和關鍵詞等信息），得到符合期刊類型的論文568篇;第三步，根據納入與排除標準，通過仔細閱讀，依據文章具體研究主題、研究內容進一步篩選，最終確定有效文獻502篇，作為本文的數據來源。

2 時空知識圖譜及其分析

2.1 國外自適應學習技術研究領域的時間分布圖譜

為了宏觀展示自適應學習技術領域的研究成果，使用CiteSpace統計了2011-2021所發表的有關期刊文章數量，每年的論文數量和變化趨勢如圖1所示。

整體而言，自適應學習技術領域論文數量呈現逐年上升趨勢。其中2013年成為高速發展的起點，圍繞自適應學習技術的研究文獻急增，研究成果豐富，主要歸結于大數據時代的到來，使得基于教育數據挖掘與應用的自適應學習技術被推向了“快車道”。2018年-2020年，由于國家政策起到的導向作用，故自適應學習技術相關的文獻數量呈爆發式增長，說明自適應學習技術已引起越來越多國外專家學者的重視。

2.2 國外自適應學習技術研究領域的空間分布圖譜

如圖2所示，在自適應學習技術領域發文數量排名前三的高校分別是國立臺灣師范大學，美國普渡大學，美國亞利桑那州，說明這三個機構在自適應學習技術研究領域處于世界領先水平，具有較強的科研能力。值得注意的是，北京師范大學發文量與國外一些著名大學相當，表明自適應學習技術研究領域已受到國內學術界的廣泛關注。

為更進一步分析不同機構之間的合作情況，利用CiteSpace可視化分析工具中的“發文機構合作統計”功能，生成該領域相關研究機構的合作狀態圖譜。如圖3所示，機構合作的網絡中一共有290個節點，139條連線，整體網絡密度僅達到0.0033，節點和連線比較疏松，表明國外自適應學習技術研究團隊分散，不同機構之間交流不密切，合作較少，未形成極具凝聚力的研究群體。

3 內容知識圖譜及其分析

3.1 國外近十年自適應學習技術領域關鍵詞共現圖譜

圖4所呈現的是國外自適應學習技術領域的關鍵詞共現圖譜。由圖4可知，自適應學習技術、自適應教學策略、自適應模型、學生表現是四個較為突出的研究熱點。

根據關鍵詞共現圖譜，進而整理出關鍵詞共現頻率表，由表1可見，國外研究文獻中出現頻次較高的部分關鍵詞（表格中展示的是共現頻次大于等于10次的詞）有“自適應學習技術”、“自適應模型”、“教育”、“自適應性學習”、“表現”、“交互式學習環境”等，這反應出自適應學習技術在推進、發展過程中所關注方向的聚焦和變化。

3.2 國外近十年自適應學習技術領域研究前沿聚類分析圖譜

圖5呈現的是國外自適應學習技術領域研究前沿聚類分析圖譜，共生成16個聚類區域（圖5只展示前10個聚類區域），對從聚類圖中獲得的16個聚類區域進行篩選和二次合并，提煉歸納出國外自適應學習技術領域重點關注的四個研究主題，即自適應學習技術的研究與開發、自適應學習技術支持下的個性化學習研究、自適應學習技術發展背景下的教師適應性學習、智能學習環境構建。每個主題維度對應的關鍵詞如表2所示。

4 近十年來國外自適應學習技術的研究主題

這部分結合具體文獻和上文統計得到的研究前沿聚類圖、關鍵詞聚類分布表，對四個研究主題進行闡發與總結。

4.1 自適應學習技術的開發研究

關于自適應學習技術的開發研究，主要集中在算法優化方面。經整理歸納發現，語義網本體技術是當前廣泛應用的自適應學習技術開發手段。語義網（Semantic Web）最早由萬維網之父蒂姆·伯納斯·李（Tim Berners Lee）于1998年提出，它一般提供形式化的知識表達模型來表征和共享知識，對語義網而言，查詢和本體是非常重要的構成元素。通過本體來對各種學習資源進行標記，能夠讓資源共享、資源集成、資源擴展變得更加容易[5]。Vesin等[6]以語義網本體技術為基礎，設計了一種智能教學系統Protus 2.0，并結合學習者學習風格識別模型、內容推薦原則以及適應性原則推理等方法滿足不同學生的個性化學習需求。類似地，Huang， Yang， Chiang[7]基于網本體技術，利用目標詞匯與上下文語義的相似性，開發了個性化移動詞匯學習系統，使學習者不再囿于枯燥重復的詞匯背誦，而是根據他們的認知水平和記憶規律，為他們提供個性化詞匯學習路徑。

4.2 自適應學習技術支持下的個性化學習研究

近十年來，自適應學習技術支持下的個性化學習研究重點聚焦于如何利用自適應技術增強學習者的個性化學習體驗，提高其學習效果。主要研究可分為自適應學習系統、學習分析技術的開發，在MOOC背景下增強式個性化學習實現、調適以及線上線下混合學習模式的創新性研究[8]。在自適應學習系統設計開發過程方面，主要涉及四個環節：測評-練習-學習-教授。它一方面持續動態地收集學生學習行為數據，對學生當前的知識掌握程度進行精準評估，為學生制定一條更適合他們的學習路徑。另一方面，根據學生的學習進度來對線上教學視頻進行精準推送，使學習過程得以迭代。Latham，Keeley Crockett，David McLean[9]等人開發了一種稱為PAT2Math的智能教學系統，該系統主要用于為學生解決復雜代數問題提供指導方案。而Lobo和Aher， S. B[10]則以關聯規則算法以及聚類算法為基礎，對智能化課程推薦系統進行了設計迭代，通過該系統將高質量的課程推送給新生;在MOOCs背景下個性化學習調適方面，即使在線課程的大規模開展有效解決了高質量教育資源匱乏問題，但其龐雜的資源庫無法為學生提供匹配且個性化的在線課程，從而影響學生的在線學習成效，這一缺陷有望通過自適應學習技術得以彌補。伴隨著決策樹以及神經網絡算法等先進技術的飛速發展，基于MOOCs的學習資源的個性化配置的實現成為可能，如Ghauth和 Abdullah[11]根據學習者在線學習打分情況為學習者推送有關的學習研究材料以及在線教學視頻。

4.3 智能學習環境構建

在教育個性化需求不斷增強的時代背景下，智能學習環境的創新性變革是實現個性化學習的又一關鍵進路，也是自適應學習技術關注的重點領域[12]。現有的國外相關研究主要集中在以下幾個方面：首先是自適應技術支持下交互式、協作式、泛在式、智能式學習環境的構建;其次是怎樣對學習風格建模、情感感知、虛擬現實等技術進行應用，以便更好地構建適合學習者的智能學習環境;最后是如何為學習者提供更多的學習機會，從而提高其學習效果[13]。Hsu Hsu， T. Y.， C. K.， Tseng等[14]設計了一個基于情感感知技術的主動學習支持系統ALESS，對學生參與課堂任務的情感狀態進行檢測和評估，自動輸出反饋結果并提供即時的精準化指導。Graf， S.， Liu， T. C[15]等人通過研究發現，針對某一種特定學習風格設計的適應性學習環境，將有助于學生學業成績與滿意度的提高。

4.4 自適應學習技術發展背景下教師適應性學習研究

此主題的國外相關文獻的數量占比最少，表明這方面的研究還亟待發展，需要與其他探究重心相互結合。已有的國外研究主要關注教師專業發展、教師自適應學習、自適應技術如何改善教師教學、自適應教育背景下教師角色定位等幾個方面[16]。其中，教師的專業發展受到國外學者的廣泛關注，在自適應學習技術高度發展的背景下，如何不斷提高教師的自適應性素養，使他們成為合格的適應性專家（adaptive expert），從而使技術與人達到真正融合是“技術賦能教育”的重要一環，也是必然要求。當前，盡管信息化大潮已逐步重構了教育教學形態，但學校對教師的專業技能培訓、信息技術素養與自適應素養提升方面仍重視不夠，導致技術與人處于分離狀態。盡管以自適應學習技術支持的各種學習產品、服務系統層出不窮，然而卻鮮有大規模運用于課程教學的實際案例，歸根結底，是因為忽視了對教師素養的提升。

5 總結與討論

本文通過分析國外近十年來自適應學習技術領域研究主題的發展脈絡和演進規律，可以得到以下結論。

首先，從時間上看，2013年成為研究高速發展的起點，2018-2020年進入大規模發展階段。從發文量來看，2018年此領域文章的發表數量呈現爆發式增長，這主要得益于大數據技術、學習分析等技術的高速發展。根據目前的研究數據，自適應學習技術賦能個性化教育具有良好的發展前景。

其次，通過研究發現自適應學習技術的實際應用和推廣也遇到了一些困難。譬如實施個性化精準教學需要耗費大量的時間、投入成本較高、家長和教師的技術接受度較低;一些自適應學習產品通常存在數據維度不全面、學習模型單一化、學習資源不豐富、個性化調整不夠智能等問題;自適應系統與學校現有教學體系不適配的問題，如技術與人難以融合問題，教師如何使用自適應技術更好的配合其課堂教學工作，在同一個班級中，教師如何管理和評估具有不同學習需求的學生。因此，我國在進行自適應學習技術研究和實踐探索過程中，除了借鑒國外已有研究成果外，對國外研究的薄弱地帶需加以重視，并結合我國教育發展的實際情況，繪制符合我國教育情景的自適應教育藍圖。

最后，自適應學習技術賦能個性化教育無疑是未來發展趨勢，而自適應學習也已經成為教育技術研究領域的一個重要研究范式。但無論技術如何發展，它始終只是一種手段，無法解決所有的教育問題，最佳的自適應絕不僅僅只是技術，而是包含教師和技術兩方面。所以在追求技術極大發展的同時，不能忽視教師自適應素養的提升。為廣大教師提供適合且即時的專業發展機會，以及促進自適應學習技術與教師專業發展的整合與創新將是未來自適應學習技術領域中的一大研究趨勢。

參考文獻（References）：

[1] Walkington， C. A. Using adaptive learning technologies to personalize instruction to student interests： the impact of relevant con?texts on performance and learning outcomes. Journal of Educational Psychology，2013.105（4）：932-945

[2] 劉永貴，劉瑞，包雅君，劉奇岳.《2020地平線報告》啟示因校制宜推動教學信息化[J].中國教育網絡，2020.6：28-30

[3] 王娟，陳世超，王林麗，楊現民.基于CiteSpace的教育大數據研究熱點與趨勢分析[J].現代教育技術，2016.26（2）：5-13

[4] 張斌賢，陳瑤，祝賀，羅小蓮. 近三十年我國教育知識來源的變遷——基于《教育研究》雜志論文引文的研究[J].教育研究，2009.30（4）：17-25

[5] JOVANOVIC J， TORNIAI C， et al. The social semantic web in intelligent learning environments： state of the art and future challenges[J].Interactive learning environments，2012.17（4）：273-309

[6] VESIN B， IVANOVIC M， BUDIMAC Z. Protus 2.0： ontology-based semantic recommendation in programming tutoring system[J]. Expert systems with applications an international journal，2012.39（15）：12229-12246

[7] Huang， C. S.， Yang， S. J.， Chiang， T. H.， &Su， A. Y. Effects of situated mobile learning approach on learning motivation and performance of EFL students[J].Educational Technology & Society，2016.19（1）：263-276

[8] HaoranXie， Hui-Chun Chu， Gwo-Jen Hwang.Trends and development in technology-enhanced adaptive/personalized learning： A systematic review of journal publications from 2007 to 2017[J].Computers& Education，2019.140（18）：1-16

[9] Annabel Latham， Keeley Crockett， David McLean， Bruce Edmonds. A conversational intelligent tutoring system to automatically predict learning styles[J]. Computers & Education，2012.59（1）：95-109

[10] Aher， S. B.， & Lobo， L. M. R. J. Combination of machine learning algorithms for recommendation of courses in e-learning system based on historical data. Knowledge-Based Systems， 2017.51（1）：1-14

[11] Ghauth， K. I.， Abdullah. N. A.. Learning materials recommendation using good learners' ratings and content-based filtering. Educational Technology Research & Development，2010.58（6）：711-727

[12] MiekeVandewaetere，Piet Desmet， Geraldine Clarebout. The contribution of learner characteristics in the development of computer-based adaptive learning environments[J].Computers in Human Behavior，2015.27（12）：118-130

[13] Nur BaitiAfiniNormadhi， LiyanaShuib， Hairul Nizam Md

Nasir， Andrew Bimba. Identification of personal traits in adaptive learning environment：Systematic literature review[J].Computers & Education，2019.130（3）：168-190

[14] Hsu， T. Y.， Chiou， C. K.， Tseng， J. C. R.， & Hwang， G. J.

Development and evaluation of an active learning support system for context-aware ubiquitous learning[J].IEEE Transactions on Learning Technologies，2016.9（1）：37-45

[15] Graf， S.， Liu， T. C.， &Kinshuk. Analysis of learners' navigational behavior and their learning styles in an online course[J].Journal of Computer Assisted Learning，2014.26（2）：116-131

[16] Hector Yago， Julia Clemente， Daniel Rodriguez.Competence-based recommender systems：a systematic literature review[J].Behavior& Information Technology，2018.37（11）：958-957