我國社科領域深度學習研究熱點分析

李志河 張春雨 李思哲 楊玉霞

摘? 要 信息技術的快速發展以及人工智能教育的火熱引發新一輪深度學習的研究熱潮。通過BICOMB 2.0高頻關鍵詞分析功能得出，在社會科學領域深度學習的關注熱點集中在內涵、特征及文獻綜述等方面，對深度學習的評價及應用研究等實踐研究較少。

關鍵詞 深度學習;學習方式;高階思維;高階能力;BICOMB

中圖分類號：G642? ? 文獻標識碼：B

文章編號：1671-489X（2021）02-0006-06

Research Hotspots of Deep Learning in Social Sciences in China//

LI Zhihe， ZHANG Chunyu， LI Sizhe， YANG Yuxia

Abstract The rapid development of information technology and the

popularity of artificial intelligence education have triggered a new round of research upsurge in deep learning. Based on the high-fre-

quency keyword analysis function of BICOMB 2.0， this paper con-cludes that the focus of deep learning in social sciences focuses on connotation， characteristics and literature review， while there are few

practical researches on the evaluation and application of deep lear-ning.

Key words deep learning; learning style; higher-order thinking; high-

order capability; BICOMB

0 前言

技術的革新與教育領域的發展相互交融，教育領域的不斷發展與技術的融入密不可分。技術把人們的學習方式變得智能化和智慧化，整個社會向著以技術為支持的學習型社會邁進。《新媒體聯盟地平線報告：2016高等教育版》表示，未來五年高等教育的發展方向將轉向深度學習[1]。《新媒體聯盟地平線報告：2017高等教育版》再一次強調深度學習方法的應用是高等教育未來發展的趨勢[2]。《新媒體聯盟地平線報告：2018高等教育版》指出技術的發展使教育的發展越來越智能化，快速發展變化的信息技術對人類認識事物和學習知識提出全新挑戰[3]。人們關注的不再是技術出現的數量，而是為何會出現這樣的技術以及它能帶來什么幫助。

當下培養大學生的高階思維能力要求學習者能利用各類技術整合信息和資源，加以應用并解決實際問題。地平線報告中對深度學習的著重闡述，將教育領域中的深度學習理念提上新的日程。從個體認知發展角度來說，主動積極接受知識的學習過程更有意義，需要從不同維度出發做出努力。深度學習是一種從多層面多角度進行的學習過程，這種多維包括智力、行為及情感[4]。因此，深度學習在成為一種新型學習理念的同時，也在為培養多維的能力而做準備。隨著研究的不斷深入，如何在智能和智慧環境下進行深度學習以及如何培養相應的能力，將是未來教育發展的重要課題。

1 深度學習的內涵

深度學習是當代學習科學提出的重要概念。現階段已有的研究表明，眾多學者對于深度學習的理解均有共通之處。有關深度學習的研究源于計算機專業領域的人工智能及神經網絡。隨著研究范圍的不斷擴大與研究內容的日漸深入，深度學習在教育領域的研究逐漸增多并逐漸被重視。在教育領域，最早有關深度學習的研究由兩位美國學者開展：馬頓和塞利約最早對深層學習方式和表層學習方式進行實驗研究，發現兩種截然不同的學習發展過程，得出學習可分為深層次的學習和淺層次的學習兩種，認為學習方式可以分為深度學習（Deep Learning）和淺層學習（Sur-

face Learning）[5]。

雖然教育領域有關深度學習的研究最早起步于國外，發展速度也一直領先國內，但我國學者也從多種角度對其概念內涵進行了研究闡述。北京師范大學何克抗[6]指出，深度學習是通過全新的理念、方式及其必要的工具、資源、手段來達到高級深層認知能力特別是創造能力的培養目標，使廣大青少年通過深度學習不僅能記憶、理解必要的各學科基礎知識，還能具有應用、分析、評價這些基礎知識并創造新知識和新產品的能力。我國學者詹青龍、顧小清[7]認為學習有表層學習和深度學習之分，并對二者進行了比較。他們認為深度學習要求學習者積極主動地參與學習全過程，對學習的內容批判性地進行交互，重新獲得新的理解，掌握知識內容和結構的關系，從而構建新的個人知識框架。王麗和談云兵[8]也認為學習是有淺層和深度之分的。溫雪[9]

認為，深度學習與虛假學習、機械學習是相對的，深度學習強調了學習的本質最終是回歸到學習本身。李松林、等人[10]認為，深度學習是能滲透到學習者思維深處的學習，是深入知識內核的學習，是基于問題解決的學習。

綜上所述，深度學習是為了學習者更好地理解學習的本質，分化與整合知識的結構并自主對其進行加工的學習過程。深度學習不僅是一種學習方式，更是一種培養學生高階認知思維與問題解決能力的重要手段。

2 文獻分析

深度學習的已有研究來自多個學科領域，本文僅基于社會科學領域進行統計分析。在中國知網的社會科學分類下，在文獻檢索的主題檢索搜索條中輸入“深度學習”，利用中國知網的可視化工具，得出主題的分布情況圖（圖1）和發表相關文章數量趨勢圖（圖2）。

從圖1可以看出，深度學習是第一大研究主題，學習者是第二大研究主題，一些教學方式主題研究（如翻轉課堂）也占比較大，淺層學習以及人工智能的主題研究也較多，說明深度學習和學習者以及學習方式的相關度較高。

從圖2趨勢圖可以看出，深度學習相關發文量自2008年起到2019年總體上處于上升趨勢，雖然在2010年、2011

年、2014年、2018年相比前一年有所跌落，但是幅度不大。《國家中長期教育改革和發展規劃綱要（2010—2020年）》指出，教育教學過程中最重要的是培養學生的自主學習能力，發展學生個性化需求，從而使學生在面對問題時能夠獨立自主解決問題[11]。這說明教育教學改革對學習者高階能力培養的注重與深度學習可促進學生多層次提升的理念不謀而合。在此背景下，深度學習以其更專注于學習者能力提升的奇特視角得到教育工作者更多的關注。2016年開始，深度學習相關文獻發文量激增，說明深度學習在社會科學領域的關注度進入高峰期。

利用可視化工具分析預測了2019年的發文量，表明深度學習無論是在計算機領域還是在教育領域，都將是熱點研究話題，而且隨著時間的推移，深度學習的關注點將逐漸從計算機領域轉向教育領域。

3 研究設計

數據來源? 研究對象來自中國知網（CNKI）數據庫，是在社會科學分類目錄下從中文社會科學引文索引（Chinese

Social Sciences Citation Index，CSSCI）期刊庫中選取的文章，共有344條結果。離散律理論認為，核心期刊才能反映學科領域的研究情況。CSSCI期刊論文質量較高，基本可以反映我國教育學領域深度學習的學術研究情況。經由統計篩選，得到與主題相關有效文獻共計341篇。

研究方法與工具? 本研究采用多種研究方法，其中共詞分析法是通過分析出現在同一篇文獻中的關鍵詞，預測該領域關鍵詞之間的關系，最終達到展現該學科的研究結構的目的[12];社會網絡分析可以探測關鍵詞間的聯系及中心性，從而確定該領域的研究熱點;聚類分析則是根據研究對象的主要特點，將研究對象進行類型劃分[13]。

書目共現分析系統（BICOMB）是一款幫助研究者深度分析文本內容的工具，起初是為國際生物醫學文獻分析服務所研發的，主要功能是共現矩陣生成和文獻計量分析。社會網絡分析軟件（UCINET）主要是對一維和二維的數據進行網絡節點中心度分析。本研究主要使用這兩個輔助工具來支撐分析研究。

研究過程設計? 在中國知網進入主題檢索，勾選所用文獻。由于后續使用的書目共現分析軟件能夠識別的格式是Note-first，在導出文件格式選擇時應選Note-first。本研究借助BICOMB 2.0軟件從篩選整理后的相關文獻中提取對應關鍵詞并對其進行詞頻統計分析，整合并構建高頻關鍵詞共詞矩陣;將相應數據導入社會網絡分析軟件（UCINET

6.0），利用NetDraw繪制并形成可視化圖譜;再利用SPSS

17.0將共詞矩陣轉換為相關矩陣，得出關鍵詞冰柱圖;最后借助Excel表格工具將其轉換為相異矩陣并進行聚類分析。詳細過程如圖3所示。

4 數據結果與分析

高頻關鍵詞統計分析? 關鍵詞是整篇文章的核心所在，出現頻率高的關鍵詞在一定程度上可以認為其表征的主題是該領域的研究熱點[14]。借助BICOMB 2.0對341篇文獻進行統計，結果顯示，頻次≥6的關鍵詞共有20個，如表1所示。這20個關鍵詞共出現341次，占總頻次數的22.849%，說明這些關鍵詞是深度學習主題下文章的研究熱點。從表1可以看出，除深度學習外，出現頻次≥10的關鍵詞還有翻轉課堂、人工智能、核心素養、深度教學、學習分析。

相似矩陣及分析? 事物與事物間存在相互聯系，Ochiai

相似矩陣能夠分析出文本之間的相關度。首先利用BICOMB 2.0軟件將關鍵詞頻次閾值設置為≥5，然后對高頻詞進行共詞分析并生成20×20的高頻關鍵詞詞篇矩陣，將得到的矩陣導入SPSS數據統計軟件，選取二分量度量標準生成共詞相似矩陣，從而深度探索關鍵詞之間蘊含的相互聯系，部分數據如圖4所示。相似矩陣數值越接近1，相似水平越大;

反之，相似水平越小。從圖4可以看出，翻轉課堂（0.223）相對其他來說相似度略高，接下來是人工智能（0.202）、核心素養（0.175），說明在深度學習領域，翻轉課堂和人工智能是該領域的熱門研究主題;學習分析（0.050）、教育信息化（0.056）等距離較遠，相似度小。

SPSS聚類分析? 通過把共性的事物利用一定手段進行“類聚”，可以看出同一類別中的共性和特點;通過把異性的事物“群分”，可以看出類別之間的差異。聚類分析（Cluster Analysis）是一個將數據集劃分為若干不同類別的過程，并使得同一個組別內的數據成員之間關系緊密，即具有較高的相似度。關于相似或不相似的描述是基于數據描述屬性的取值來確定的[15]。聚類分析法中常用的是系統聚類，又叫層次聚類或者分層聚類。當使用SPSS進行系統聚類時，可得到樹狀圖和冰柱圖兩種呈現圖示。樹狀圖比較直觀，但不能良好地反映聚類的過程;冰柱圖能夠較為系統地反映出聚類過程中的每一個步驟。因此，本研究主要采用冰柱圖來對結果進行分析。

對關鍵詞進行聚類既可以體現出關鍵詞間的關聯性，又可以體現出高頻關鍵詞間的緊密程度。根據研究，除去核心關鍵詞深度學習，本研究將BICOMB 2.0中生成的矩陣文本文件導入SPPS 17.0，利用SPSS數據處理功能，通過分析得到水平狀冰柱圖，如圖5所示。以5集群數為界限，將深度學習的關鍵詞劃分為五類：

1）涵蓋學習方式、深度教學、學習者以及核心素養這四個關鍵詞，結果表明，以學習者為中心開展的深度學習有助于核心素養的培養;

2）涵蓋教學設計、問題解決、網絡學習空間這三個關鍵詞，主要在傳統教學設計的基礎上與信息化教學設計相結合，在網絡空間中開展創新型課堂教學;

3）涵蓋個性化學習、高等教育、地平線報告、教育信息化以及大學生這五個關鍵詞，主要通過一些政策性的文件為教育發展提供方向;

4）涵蓋混合學習、在線學習、學習分析、教育大數據、機器學習、人工智能這六個關鍵詞，主要表明深度學習在技術支持的環境下可以更好地實施個性化學習;

5）涵蓋實證研究、淺層學習、學習科學、教學模式、MOOC、SPOC、翻轉課堂以及深度學習這八個關鍵詞，主要表明線上線下結合的混合式教學模式可使得學習者達到深層次學習。

社會網絡分析? 關鍵詞出現的頻次并不能描述深度學習的內部關系，因此以BICOMB 2.0中針對出現頻次高的關鍵詞建立的共現矩陣為基礎進行社會網絡分析。在使用BICOMB 2.0軟件生成矩陣時將閾值設置為≥5，將20個關鍵詞生成矩陣，矩陣（部分）如表2所示。

將矩陣導入UCINET 6.0中，利用其中的NetDraw工具進行可視化中心度分析，建立我國2008—2018年間教育學領域深度學習高頻關鍵詞社會網絡圖譜，如圖6所示。圖譜中的方形節點代表關鍵詞，節點間的連線代表其所代表關鍵詞存在關聯性。方形節點的大小不同，表明關鍵詞出現的頻次不同，方形節點越大，表明關鍵詞出現頻次越多且作用越強，即該關鍵詞在同一文獻中凸顯得越強。連線的粗細代表關鍵詞間的相關度，連線越粗，兩者之間的聯系越緊密[16]。

從圖6可以看出，中心詞為深度學習，翻轉課堂、個性化學習、網絡學習空間、學習分析與中心詞密切相連。這表明這些關鍵詞與其他關鍵詞共同出現在一篇文獻中的次數最多，在這個網絡中的作用較大，說明深度學習需要結合教學方法和新的教學環境來展現其真正的效用。如何在網絡高速發展的環境下實施深度學習，是我國深度學習在教育領域的研究熱點。另外，學習分析與教育大數據、人工智能、機器學習、混合學習關系密切，這說明學習分析在深度學習方面在向智能化、個性化的方向發展。網絡學習空間、個性化學習、在線學習等詞與其他詞聯系較為緊密，說明這些詞是連接中心點與邊緣的紐帶。可見，當前深度學習的研究熱點主要集中在“互聯網+”時代如何通過技術手段來進一步轉變學習者的學習方式，從而促進學習者學習。深度教學、教學模式、教學設計、核心素養等詞雖然處于網絡邊緣，與其他詞的聯系較為稀疏，但是這不代表它們不重要，而是通過中間節點來與中心節點進行聯系，說明深度教學、教學模式、教學設計、核心素養等將是深度學習在教育領域未來進一步發展的熱點和趨勢。

5 結論與思考

面對繁雜的信息和復雜的知識，學習方式和學習方法的轉變是必然的結果。當今的教育教學已經不再局限于固定的時間和空間，許多新的技術和手段將教學和學習變得豐富多樣。想實現深度學習，就要有合適的教學策略以及相對應的技術手段，在技術的支持下進一步邁向智慧化與智能化。基于本文的分析發現：從2005年開始，國內深度學習開始進入研究者的視野，最早關注的是深度學習是什么的問題以及分析外國的相關研究;2005—2012年期間，深度學習研究成果較少，沒有太多相關論文產出;自2013年始，針對深度學習的相關主題研究趨向于多樣化，研究廣度呈放射性擴張，未來的研究將逐步趨向于人工智能、教育大數據、學習科學、教學設計、教學模式、淺層學習、翻轉課堂、在線學習、教育信息化等方面[9];2015年，相關文獻的突發式增長足以說明該研究百花爭艷的態勢。

雖然國內目前已有的深度學習研究已達到一定的“量”，但仍然缺乏對深度學習更深入的分析和面向學校教學的實證方面的研究。因此，在此對我國社科領域的深度學習研究提出三點建議：

1）對深度學習的研究需要挖掘其應用部分，不能只停留在概念及內涵;

2）實現深度學習是發展深度學習的關鍵;

3）對深度學習評價方面的論述較少，要加強深度學習的評價研究。

參考文獻

[1]約翰遜，貝克爾，卡明斯，等.新媒體聯盟地平線報告：2016高等教育版[J].開放學習研究，2016（2）：1-20.

[2]貝克爾，卡明斯，戴維斯，等.新媒體聯盟地平線報告：

2017高等教育版[J].開放學習研究，2017（2）：3-4.

[3]蘭國帥，郭倩.技術賦能智能教育：新媒體聯盟《地平線報告》（2018高等教育版）解讀與啟示[J].數字教育，

2019（1）：73-80.

[4]李璇律，田莉.建構主義視域下的深度學習[J].教學與管理，2019（12）：1-4.

[5]Marton F， Saljo R. On Qualitative Difference in

Learning （I）： Outcome and Process[J].British Journal of Educational Psychology，1976（46）：4-11

[6]何克抗.深度學習：網絡時代學習方式的變革[J].教育研究，2018（5）：111-115.

[7]詹青龍，顧小清.信息技術教師培訓的新思維[J].中國電化教育，2007（7）：13-17.

[8]王麗，談云兵.基于博客的深度學習研究：以蘇州教育博客為例[J].中國遠程教育，2009（12）：40-43，79.

[9]溫雪.深度學習研究述評：內涵、教學與評價[J].全球教育展望，2017（11）：39-54.

[10]李松林，賀慧，張燕.深度學習究竟是什么樣的學習[J].教育科學研究，2018（10）：54-58.

[11]國家中長期教育改革和發展規劃綱要（2010—2020年）[J].實驗室研究與探索，2018（6）：273.

[12]張勤，馬費成.國外知識管理研究范式：以共詞分析為方法[J].管理科學學報，2007（6）：65-75.

[13]儲節旺，閆士濤.知識管理學科體系研究（下）：聚類分析和多維尺度分析[J].情報理論與實踐，2012（3）：5-9.

[14]郭文斌，方俊明.關鍵詞共詞分析法：高等教育研究的新方法[J].高教探索，2015（9）：15-21，26.

[15]沈淵，吳麗民，許勝江.SPSS17.0（中文版）統計分析及應用實驗教程[M].杭州：浙江大學出版社，2013：166-167.

[16]朱珂，馮冬雪.TPACK的研究現狀與未來趨勢：基于共詞分析的可視化研究[J].數字教育，2017（4）：19-25.