人工智能教育應用研究的全球圖景與趨勢

黃國禎 方建文 涂蕓芳

摘要：計算機技術的快速發展促進了人工智能在教育中的應用（AIED）。在人工智能技術的幫助下，計算機可以仿真教師的智能進行推理、判斷或預測，為學生提供個性化的指導、支持或反饋，以及協助教師或教育決策者作出決定。盡管AIED已被確定為計算機和教育領域的研究重點，但研究者在進行這種高科技和跨學科的研究時普遍感到具有挑戰性。有鑒于此，使用文獻計量分析方法，透過對發表在國際高質量期刊的文獻進行分析，來了解現階段AIED的研究熱點和發展趨勢，能夠為研究者提供裨益。從現有研究來看，AIED聚焦機器學習及預測技術在在線學習中的應用、整合自然語言技術的AIED模式、新興人工智能技術在認知及醫學教育中的應用、智能輔導系統的開發與應用、人工智能在教育數據分析中的應用等五大集群，跨越了計算機科學跨學科應用、教育科學學科、心理教育、語言學四大領域，體現出跨學科、多樣化的研究圖景。未來AIED研究不僅應挖掘大數據和多模態分析等新型技術對教育的作用機制，還應對其傳統的研究議題進行多視角、多層面的探索，同時也應積極應對人工智能發展帶來的倫理等問題。

關鍵詞：人工智能教育應用;研究熱點;趨勢分析;文獻計量法

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2022）03-0003-12? doi10.3969/j.issn.1009-5195.2022.03.001

基金項目：全國教育科學“十三五”規劃2019年度課題“大數據驅動的初中生學業發展監控與精準干預研究”（BCA190089）。

作者簡介：黃國禎，博士，教授，博士生導師，臺灣科技大學數字學習與教育研究所（臺灣臺北 106335）;方建文，博士，副教授，碩士生導師，溫州大學教育學院教育技術系（浙江溫州 325035）;涂蕓芳，博士，助理教授，輔仁大學圖書信息學系（臺灣新北 242062）。

一、研究背景與目的

人工智能指的是仿真人類智能的計算機系統或技術，例如視覺或音頻識別、數據分析、基于數據的判斷或決策，以及可以讓計算機不斷增進智能的機器學習技術（Chen & Xie et al.，2020）。在過去幾十年里，由于計算機技術及編程技術的進步，人工智能的研究取得了重大進展。通過傳統的機器學習或現代的深度學習等技術，越來越多的產品能夠像人類一樣思考，并為人類提供“智能服務”（Swinson et al.，2000;Chibani et al.，2013）。例如，有些機器人產品能夠通過視覺和音頻技術與人進行互動（Alonso-Martin et al.，2013）;有些醫療系統能夠透過對大量數據的分析協助醫護人員判斷可能的疾病（Liu et al.，2018）。同時，學者們也開始嘗試將人工智能技術應用在教育領域中，例如針對智能輔導系統 （Intelligent Tutoring System， ITS）（Devedzic et al.，2000;Kele? et al.，2009）及自適應學習系統（Adaptive Learning System，ALS）（Hwang et al.，2020a）的開發。

盡管人工智能教育應用（Artificial Intelligence in Education，AIED）具有良好的發展前景，但如何開展AIED研究仍然是一個巨大的挑戰（Kay，2012）。這主要因為AIED是一個跨越高科技和教育的跨學科概念。如果研究人員不知道人工智能在教育中的作用以及人工智能技術的運作，可能就無法有效實施AIED的教學活動，更難提出有價值的人工智能教育研究問題。因此，針對相關文獻進行系統分析，以提供可能的研究議題及方向，對于研究人員尤其是準備跨入這個領域的新進研究人員來說是非常重要的 （Hwang et al.，2020b）。在分析文獻的方法中，文獻計量法在近年來受到學界的廣泛重視。文獻計量法是指對文獻的計量數據進行量化分析（Broadus，1987）。隨著Web of Science和Scopus等科學數據庫的發展，海量文獻計量數據的獲取變得相對容易，而Gephi和VOSviewer等文獻計量軟件則可以方便地對這些文獻資料進行分析與呈現，因此越來越多的學者開始利用文獻計量法來做文獻回顧，透過分析大量文獻計量數據，以呈現研究主題或領域的知識結構狀態和新興趨勢（Donthu et al.，2021）。有鑒于此，本研究嘗試運用文獻計量法，針對國際知名學術期刊的刊文進行主題及關鍵詞分析，以期全面系統地了解AIED研究的現狀，以及面向未來的研究趨勢。

二、文獻回顧與探討

隨著科技進步和教育發展，如何利用技術支持教師教學和學生學習已成為一個重大的教育研究議題（Hwang et al.，2020b）。人工智能最初以計算機和計算機相關技術的形式出現，智能輔導系統、自適應/個性化學習系統或推薦系統就是AIED的典型應用。早期的人工智能系統可以幫助學生學習。 例如， Pai等（2021）開發了一個用于數字學習的智能輔導系統，該系統不僅能提高學生的數學學習效率，而且也能提高他們的學習積極性。類似的人工智能系統可以幫助學習者高效收集數據，并以“智能”的方式分析和展示數據，以促進他們深入思考并發現數據背后的意義。例如，Hwang等（2011）開發了一個具有交互式概念圖機制的移動學習系統，該系統通過評估學生開發的概念圖，能為其提供實時提示或學習指導，并幫助他們重新組織和細化所學的知識。

隨著網絡教育的蓬勃發展，人工智能技術在網絡教育中也得到廣泛應用。學習場景的變化以及學生人數的快速增長，給教師帶來了巨大挑戰。為了幫助教師更好地教學，研究人員開發了各種智能工具，用以自動化審查和評價學生的作業，并提供反饋，以此來實現更高質量的教學活動。例如，Cheng（2017）開發了一個具有自動反饋功能的在線寫作系統，實驗結果顯示，通過該系統的自動評分和自動反饋功能能有效提高學生的寫作水平。學習環境的變化也給學生帶來巨大挑戰。為了幫助學生更好地學習，學者們通過收集和分析各種教學數據，并據此為學生提供及時的干預措施。例如，Cetintas等（2009）提出了一種機器學習模型，透過分析學生行為日志中的數據，構建出了不同的學生行為模型。隨著學習數據的快速積累，如何分析數據背后的規律成為學者關注的重點。一些學者還利用機器學習和數據挖掘技術采集并分析了學生的學習成績和學習行為。例如，Guo等（2020）基于深度神經網絡技術開發了一個學習系統，利用學生的注視點來評估團隊協作，實驗結果顯示，采用該系統的學生在團隊協作和知識保留方面有更好的表現。輟學率也一直是學者關注的熱點，Xing等（2019）利用深度學習算法構建了學生輟學預測模型，并運用該模型對 MOOC 中的高危學生進行及時干預。此外，多模態技術和大數據分析還可以為學生在更復雜和開放式學習環境中的學習軌跡捕獲與分析提供技術支撐（Blikstein et al.，2016）。例如，Spikol等（2018）利用各種管道（包括計算機視覺、學生用戶生成的內容和學習客體等）來記錄小組學習者交互的多模態數據，用以幫助教師設計友好的學習環境，以及促進學生的學習反思。

此外，嵌入式計算機系統和新技術的使用也使得移動設備和機器人成為新的教育應用工具（Chen & Chen et al.，2020）。 Kewalramani等（2021）使用人工智能機器人玩具吸引兒童與他人合作，通過讓機器人引導兒童與其家人共同創造一個可持續發展的城市，以使他們過上幸福的生活。該研究結果顯示，兒童與人工智能機器人游戲有助于培養學生的創造性探究、情感探究和協作探究素養。

綜上所述，AIED已成為研究者關注的熱點。為了更好地了解AIED的研究現狀，本研究運用文獻計量分析方法，從文獻發表情況、最具影響力的主要期刊與關鍵詞共詞分析等方面全景式、可視化呈現該領域的研究樣貌，以期為后續研究提供參考。

三、分析方法與研究分布

1.數據源與分析方法

本研究于2022年1月3日透過Web of Science （WOS）的Social Science Citation Index（SSCI）數據庫，搜尋截至2021年12月31日學術期刊發表的與AIED相關的文獻。文獻檢索的步驟見圖1，檢索條件為：Key Words=“artificial intelligence”or“machine intelligence”or“intelligent support”or“intelligent virtual reality”or“chat bot*”or“machine learning”or“automated tutor*”or“personal tutor*”or“intelligent agent*”or“expert system*”or“neural network*”or“natural language processing”or“chatbot*”or“intelligent system”or“intelligent tutor*”（Zawacki-Richter et al.，2019），再經過“文獻類型”“領域”“語言”等條件的限定，最后共獲得834篇有效文獻。

本研究采用文獻計量法進行分析，具體包括直接引用（又稱“互相引用”）和關鍵詞共詞分析（Boyack et al.，2010）。關鍵詞共詞分析屬于一種共現分析，即為關鍵詞共同出現的關系，最常用來探討該領域文獻之間的主題關系（González-Zamar et al.，2020）。具體而言，采用VOSviewer軟件分析期刊與關鍵詞的情況，并將分析結果以可視化圖形的方式呈現。VOSviewer軟件亦能根據不同關聯程度用不同的顏色進行分群，從而讓研究者更易于了解不同分群間的發展關系（Van Eck et al.，2010）。

2.AIED研究的分布情況

1987—2021年AIED研究的分布情況見圖2。可以看出，前半段時間（1987—2004年），AIED的相關研究文章數量比較少，呈現較平穩的狀態，平均每年的發文量是6.9篇。第一篇AIED論文由Yin等（1987）撰寫，探討了機器人、人工智能和計算機模擬三種技術在特殊教育中的應用前景。后半段時間（2005—2021年），AIED研究的文章數量呈現較快速增長，平均每年的發文量達到41.7篇。此外，多數AIED研究主要涵蓋了四大領域，分別是“計算機科學跨學科應用”領域（152篇）、 “教育科學學科”領域（111篇）、“心理教育”領域（80篇）和“語言學”領域（51篇）。

四、研究結果與分析

1.學術期刊載文及引用量分析

834篇AIED相關研究刊登于175種期刊上，圖3顯示了載文量排名前10的期刊，分別為Computers & Education（84篇，被引1990次）、IEEE Transactions on Learning Technologies（54篇，被引559次）、Education and Information Technologies（50篇，被引236次）、Educational Technology & Society（47篇，被引330次）、British Journal of Educational Technology（36篇，被引385次）、Journal of Computer Assisted Learning（22篇，被引270次）、Nurse Education Today（21篇，被引363次）、Journal of Science Education and Technology（19篇，被引185次）、Journal of Educational Computing Research（19篇，被引159次），以及Computer Applications in Engineering Education（14篇，被引158次）。

研究還對共被引次數與引文來源進行了分析，結果顯示有82種期刊的最小被引次數超過50次。從表1得知，被引次數排前三名的期刊依序為Computers & Education（共被引745次）、Computers in Human Behavior（共被引304次）與Lecture Notes in Computer Science（共被引245次）。

2.常用關鍵詞分析

關鍵詞具有兩項基本功能：一是可以反映文獻的研究主題，二是可以透過關鍵詞動態變化了解該領域關注議題的變化趨勢（Bodily et al.，2019）。為了解近年來AIED研究反映的主題，研究采用VOSviewer對關鍵詞進行聚類分析。從分析結果得知，2021年之前AIED研究共生成了1995個關鍵詞，其中有107個關鍵詞共同出現4次以上。圖4為AIED研究的關鍵詞之分群網絡圖。

（1）AIED研究領域的五大集群呈現

由圖4可知，1987—2021年的AIED研究所探討的領域主要分為5個集群，分別是機器學習及預測技術在在線學習中的應用、整合自然語言技術的AIED模式、新興人工智能技術在認知及醫學教育中的應用、智能輔導系統的開發與應用，以及人工智能在教育數據分析中的應用。有少許關鍵詞同時出現在兩個集群中，但是并不影響每個集群代表的意義，例如在Hwang等（2021）的研究中，智能輔導系統集群和數學教育群集中共同出現了關鍵詞“機器學習”和“智慧輔導”，這表明兩個集群除了代表個別的意義外，也可能存在少許共同特質。

集群1為“機器學習及預測技術在在線學習中的應用”，主要關鍵詞涵蓋機器學習、在線學習、人工神經網絡、評價、協作學習、預測、支持向量機和遠程教育等。此集群集中探討應用機器學習和預測技術開發系統或模型（Chen et al.，2011a）。例如，Pavlekovi?等（2011）開發了基于神經網絡的兒童數學天賦預測系統，比較了多層感知器、徑向基和概率網絡等三種神經網絡模型在預測兒童數學天賦方面的表現。此外，此集群也有部分研究討論如何預測或評價在線學習表現的議題（Lykourentzou et al.，2009a;Beseiso et al.，2021）。例如，Chen（2008）開發了一個基于遺傳算法的個性化E-Learning系統， 用以評估學習者的學習過程，并為其提供合適的學習路徑。Aydo?du （2020） 開發了一個基于人工神經網絡的在線學習系統，可以依據學生的在線學習行為數據來預測其學業表現。還有部分研究關注學生行為的預測或評價（Chen et al.，2009）。例如，Farhan等（2018）提出了一個基于物聯網的交互框架，并開發了一個分析學習者體驗的在線系統，用以分析學習者的注意力變化。其中，學生行為預測最常應用于對輟學機率的分析（Lykourentzou et al.，2009b; Urteaga et al.，2020）。例如，Kabathova等（2021）利用不同的機器學習技術分析了學生的相關數據，并有效預測了學生在在線課程中的輟學機率。

集群2為“整合自然語言技術的AIED模式”，主要關鍵詞涵蓋自然語言處理、高等教育、數據挖掘、自動評分、專家系統、教育技術、問題解決和計算機輔助教學等。隨著自然語言技術的發展，學者們越來越意識到應用自然語言技術解決教育問題的重要性（Odden et al.，2021）。討論最多的是應用自然語言技術開發學習系統（Jaques et al.，2013;Wu et al.，2013）。例如，Ward等（2013）開發了一個整合自然語言技術的My Science Tutor（MyST）智能輔導系統，通過營造交互式多媒體環境讓小學生與虛擬科學導師對話來改善他們的科學學習效果。也有一些學者利用整合自然語言技術的學習系統來支持語言學習（Chen et al.，2011b）。例如，Troussas等（2019）提出了一個用于第二語言學習的智能自適應電子學習系統。還有學者利用整合自然語言技術來支持寫作（Lo et al.，2014;Lin et al.，2017）與編程（Yera et al.，2017）。例如，Hsieh等（2013）采用模糊邏輯理論建立了一個個性化的補救學習系統，通過構建合適的學習路徑和推薦合適的補習材料，協助學習者評估自己的學習效果，并提供相關學習建議。

集群3為“新興人工智能技術在認知及醫學教育中的應用”，主要關鍵詞涵蓋人工智能、神經網絡、教育、技術、大數據、醫學教育、認知科學、課程和機器人等。隨著神經網絡和大數據等新興人工智能技術的發展，其在教育中的應用價值愈加引起學者們的重視。許多學者利用新興人工智能技術來分析學習者的學習狀態。例如，Chatterjee等（2019） 提出了一種基于深度學習的方法來檢測文本對話中的情緒——快樂、悲傷和憤怒。Moridis等（2009）利用神經網絡來優化學生在在線自我測試期間的情緒狀態。另有學者將新興人工智能技術應用于醫學教育。例如，Berner等（2010）探討了使用診斷決策支持系統時所面臨的醫學教育問題。Shorey等（2010）使用人工智能的虛擬咨詢應用程序來培養學生的臨床溝通技能，研究結果顯示，使用虛擬患者在教授護理溝通技巧方面具有潛在的價值。還有學者利用神經網絡技術和大數據挖掘技術來幫助學生改進學習。例如，Simeunovic等（2014）利用大數據采擷技術創建了一個預測模型，用它預測學生在學期間的表現，并分析影響學生取得成功的因素。此外，人工智能機器人也受到研究者的關注。例如，有學者利用人工智能機器人來培養學生的探究素養（Kewalramani et al.，2021），還有學者運用人工智能機器人來提升學生的學習表現 （Lin et al.，2021）。

集群4為“智能輔導系統的開發與應用”，主要關鍵詞涵蓋智能輔導系統、互動學習環境、評價方法、模擬和人機交互接口等。應用智能輔導系統支持學生有效學習是一個重要的研究議題，許多學者開發了智能輔導系統來幫助學生學習（Wu et al.，2013），并促進其能力發展（Hooshyar et al.，2015; Wang et al.，2015）。例如，Roll等（2011）開發了一個幾何智能輔導系統，利用自動化和自我調節元認知反饋來改善學生的求助技能。近年來，更多新興的人工智能技術被應用于智能輔導系統，通過分析學生的狀態和行為來為其提供更好的學習支持。例如，Dutt等（2022） 應用模糊神經網絡技術來識別學生的狀態和學習障礙，用以自動推送合適的學習材料。Hooshyar等（2018）開發了基于在線游戲的貝葉斯智能輔導系統，用以幫助學生提高程序設計能力和基于網絡的問題解決能力。

集群5為“人工智能在教育數據分析中的應用”，主要關鍵詞涵蓋學習分析、教育數據挖掘、慕課、深度學習、精準預測和分類等。該集群的研究主要采用機器學習（Iatrellis et al.，2021）和神經網絡（Guo et al.，2020）等技術。早期的研究傾向于利用傳統的人工智能技術對有限的學生學習數據進行分析。例如，Narl?等（2011）在分析了243 名師范生的學習風格和多元智能數據之后，利用決策算法確定了學習風格和多元智能類型之間的關系。隨著深度學習技術快速發展，越來越多的學者整合多模態數據融合（Camacho et al.，2020） 和大數據挖掘（Huang et al.，2020）等技術對教育數據進行分析，以期能發掘教育現象背后的規律。此外，許多學者利用教育大數據來分析學生的學習行為（Holmes et al.，2017;Koko? et al.，2021）并預測學習成績（Zheng et al.，2022）。 例如，Lee等（2021）創建了兩個深度神經網絡模型來解決MOOC無法自動評估學生表現的問題，一個可依據學生在MOOC中的學習行為準確評估學生的表現，另一個可根據學生回答練習題的方式有效預測學生的表現。這些實踐均表明，人工智能在教育數據分析中的應用有助于教師識別表現不佳的學生，并為其及時提供更多的幫助。

（2）AIED研究跨越四大領域的關鍵詞分析

除了教育研究領域外，研究還針對AIED在計算機科學跨學科應用、教育科學學科、心理教育和語言學等四大領域中涉及的關鍵詞進行分析，以探討這些領域的研究主題。

圖5顯示了計算機科學跨學科應用領域AIED研究的關鍵詞分布。其探討最多的是機器學習和智能輔導系統，其次為自然語言處理。利用機器學習構建學習分析與預測模型是當前研究的熱點。例如，Atapattu等（2020）提出了一個可以從學習者的討論帖子中提取語言和話語特征的機器學習模型，并對學習者進行了分類。Moresi等（2021）構建了兩種機器學習模型來評估學習者在學習編程時是否需要幫助。另外，學習過程中的協作也受到一些學者的關注。例如，Zhang等（2021） 設計了一個可以進行口語交流的智能代理，不但可以與孩子一起玩協作益智游戲，還可以自動測量兒童在游戲過程中的任務表現和語言交流行為。

圖6顯示教育科學學科領域AIED研究的關鍵詞分布。其探討最多的是機器學習，其次為人工智能和評價等。利用機器學習對學習進行量化評估，以及評估的有效性問題受到學者們的關注。例如，Zhai和Shi等（2021a）對 110 項“機器—人類評分協議”進行了元分析，以確定影響有效評分的因素，其研究結果顯示，算法和學科領域對評分成功都有顯著的調節作用。Zhai和Krajcik等（2021b）還反思了機器學習如何協助科學教育中的創新評估實踐，以及基于機器學習的下一代科學評估的有效性問題。此外，Hernández等（2020） 提出了一個基于過程挖掘技術的評估模型，通過提取學習者在Wiki上協作學習的動態數據，對團隊協作的有效性進行了評估。

圖7顯示了心理教育領域AIED研究的關鍵詞分布。其探討最多的是機器學習，其次為自然語言處理和人工智能。近年來，通過分析學習者語言或寫作語言特征來預測學習者的語言能力受到學者的關注。例如，Sinclair等（2021）使用機器學習技術從 99 名 4～6 年級兒童的言語和寫作中提取出語言特征，有效預測了兒童的閱讀理解能力。MacArthur等（2019）開發了一個語言結構模型來預測大學生的寫作質量，通過分析252 名大學生的議論文語料庫，發現銜接和詞匯復雜度可以正向預測寫作質量，而句法復雜度與寫作質量呈負相關。

圖8顯示了語言學領域AIED研究的關鍵詞分布。其探討最多的是自然語言處理，其次為智能呼叫和寫作評價。近年來受到學者們關注的話題主要有學術寫作、句法復雜度和語言學習。例如，Zhu等（2020）開發了一個具有自動評分功能的形成性反饋系統，用以支持學生的科學論證寫作，研究結果表明，情境化反饋能有效輔助科學論證寫作。Nasseri等（2021）使用三種自然語言處理工具（LCA、TAALED 和 Coh-Metrix）分析了 210 篇論文摘要的語料庫， 并對以英語作為第一或第二語言的研究生的學術寫作詞匯密度和多樣性差異進行了比較分析。Nasseri（2021）將整合效應建模和有監督機器學習建模兩種預測統計建模方法相結合，用于描述現代英語學術文本的句法從屬、一致性和短語結構的特征。Kyle等（2018）利用句子復雜性和短語復雜性的指標對托福作文的語料庫進行了分析，并預測了學生的托福作文分數，其結果表明，短語復雜性指標比句子復雜性指標更能預測寫作質量。

（3）AIED研究的未來聚焦

從時間維度來看，早期的AIED研究側重于智能輔導系統（ Amaral et al.，2011a）。隨著人工智能技術的發展，自然語言處理（Amaral et al.，2011b;Alexopoulou et al.，2017）和人工智能（Jain et al.，2014;Horáková et al.，2017）受到更多的關注。當前學界更加關注機器學習（Webb et al.，2021）。近年來AIED研究議題聚焦精準教育、溝通、機器人和游戲化等。例如，Yang等（2020）提出單信道學習圖像識別和三信道學習圖像識別兩種創新方法，將學生的課程參與轉化為圖像進行預警預測分析，并與支持向量機、隨機森林和深度神經網絡等方法進行了對比，結果表明兩種方法都可以更加有效地捕獲高危學生。Xu等（2021）通過比較兒童與智能對話代理或成人一起陪伴閱讀故事書時對故事的理解和口語參與度的差別，結果顯示，與智能對話代理一起閱讀的兒童對問題的回答具有更好的可理解性，而與成人一起閱讀的兒童對問題的回答具有更高的效率，且詞匯多樣性和主題相關性也較前者更好。

此外，AIED研究還聚焦利用卷積神經網絡和深度學習技術對教育實施精準預測和干預。例如，Aydo?du（2021）基于學生的成績和來自學習管理系統的學生數據，使用卷積神經網絡對學生進行特征分類的準確率超過 80%。Xing等（2019）利用深度學習算法構建了可以準確預測學生輟學概率的模型，并運用該模型對 MOOC 中的高危學生進行了預測和干預。機器人和游戲的議題也受到學者的關注。例如，Chen等（2021）將游戲與Zenbo機器人相結合，以幫助四年級小學生學習漢語成語，其研究結果表明，該方法對男孩更有益，且能更好地提高其學習成就，因為他們的認知負荷明顯較低。

五、研究結論與建議

本研究參考Zawacki-Richter等（2019）提出的研究思路，運用文獻計量法對1987—2021年發表在SSCI期刊的AIED相關研究進行了系統分析。整體而言，2004年是AIED研究的重要轉折之年，1987—2004年間刊發的相關文獻數量較少，2004—2021年間刊文數量增長快速，且保持增長趨勢。研究基于對關鍵詞及其共現關系進行量化分析，主要獲得以下結論：

第一，從關鍵詞的聚類結果得知，當前AIED研究主題聚焦在5個方面：機器學習及預測技術在在線學習中的應用 、整合自然語言技術的AIED模式、新興人工智能技術在認知及醫學教育中的應用、智能輔導系統的開發與應用以及人工智能在教育數據分析中的應用。其中，“機器學習及預測技術在在線學習中的應用”集群的研究主要集中在設計與開發基于人工智能的預測系統上。早期以技術實現和系統開發為主，近年來關注利用最新的機器學習技術來分析學生在線學習的多模態數據，并預測學生的學習行為和學業表現。“整合自然語言技術的AIED模式”集群的研究主要集中在應用自然語言技術開發學習系統上。早期常用于支持科學學習，近年來較多支持語言學習、寫作研究和編程學習。“新興人工智能技術在認知及醫學教育中的應用”集群的研究主要聚焦應用新興人工智能技術促進學生的認知發展。諸多學者利用神經網絡技術和大數據技術分析醫學院學生的學習行為數據，以促進其更有效的學習。此外機器人在醫學教育中的應用也受到關注。“智能輔導系統的開發與應用”集群的研究主要集中在開發智能輔導系統支持學生學習上。隨著新技術的發展，近年來智能輔導系統開始應用于支持學生的綜合能力提升和高階思維發展。“人工智能在教育數據分析中的應用”集群的研究主要集中在應用機器學習、神經網絡和大數據技術進行數據分析和決策上。早期的研究側重于對有限的數據進行分析。隨著技術的發展，多模態數據融合和大數據挖掘技術受到關注，學者們希望通過大數據來發掘教育現象背后的規律。

第二，AIED跨領域應用主要聚焦在四個方面：一是計算機科學跨學科應用領域，其主要探討的主題包括機器學習、智能輔導系統、自然語言處理，近年來對數學模型、建模、數據科學教育應用以及協作等問題的探討逐年增多。二是教育科學學科領域，其最常討論的主題包括機器學習、人工智能和評價等，近年來量化、科學評估與效度等問題受到研究者的關注。三是心理教育領域，其較多討論的主題有機器學習、自然語言處理和人工智能，近年來語言特征受到學者們的關注。四是語言學領域，其最常討論的話題涉及自然語言處理、智能呼叫和寫作評價，近年來學術寫作、句法復雜度與語言學習受到研究者的關注。

第三，未來AIED研究既要關注新興技術對教育教學的影響，如透過大數據和多模態技術對學習者的學習行為進行分析，以及根據行為分析對學習者實施精準干預，抑或是預測其學習表現;還應前瞻性地關注因人工智能技術進步而產生的新議題，如積極開展人工智能倫理規范調研，設計和編制相應的課程，不斷提升各利益相關者的倫理認知。

第四，一些早期即開始進行的研究議題（如個性化學習），仍會是AIED研究的重要方向。未來在智能手機及平板電腦越來越普及的背景下，人工智能系統將在學習內容、路徑、接口、推薦、提示、反饋等方面為學習者提供更加智能化和個性化的學習引導或輔助。此外，人工智能機器人在教育中的應用和人工智能在教育游戲中的應用也不可忽視。

參考文獻：

[1]Alexopoulou， T.， Michel， M.， & Murakami， A. et al. （2017）. Task Effects on Linguistic Complexity and Accuracy： A Large-Scale Learner Corpus Analysis Employing Natural Language Processing Techniques[J]. Language Learning， 67（1）：180-208.

[2]Alonso-Martin， F.， Malfaz， M.， & Sequeira， J. et al. （2013）. A Multimodal Emotion Detection System During Human-Robot Interaction[J]. Sensors， 13（11）：15549-15581.

[3]Amaral， L. A.， & Meurers， D. （2011a）. On Using Intelligent Computer-Assisted Language Learning in Real-Life Foreign Language Teaching and Learning[J]. ReCALL， 23（1）：4-24.

[4]Amaral， L.， Meurers， D.， & Ziai， R. （2011b）. Analyzing Learner Language： Towards a Flexible Natural Language Processing Architecture for Intelligent Language Tutors[J]. Computer Assisted Language Learning， 24（1）：1-16.

[5]Atapattu， T.， Falkner， K.， & Thilakaratne， M. et al. （2020）. What Do Linguistic Expressions Tell Us About Learners’ Confusion？ A Domain-Independent Analysis in MOOCs[J]. IEEE Transactions on Learning Technologies， 13（4）：878-888.

[6]Aydo?du， ?. （2020）. Predicting Student Final Performance Using Artificial Neural Networks in Online Learning Environments[J]. Education and Information Technologies， 25（3）：1913-1927.

[7]Aydo?du， ?. （2021）. A New Student Modeling Technique with Convolutional Neural Networks： LearnerPrints[J]. Journal of Educational Computing Research， 59（4）：603-619.

[8]Berner， E. S.， & McGowan， J. J. （2010）. Use of Diagnostic Decision Support Systems in Medical Education[J]. Methods of Information in Medicine， 49（4）：412-417.

[9]Beseiso， M.， Alzubi， O. A.， & Rashaideh， H. （2021）. A Novel Automated Essay Scoring Approach for Reliable Higher Educational Assessments[J]. Journal of Computing in Higher Education， 33：727-746.

[10]Blikstein， P.， & Worsley， M. （2016）. Multimodal Learning Analytics and Education Data Mining： Using Computational Technologies to Measure Complex Learning Tasks[J]. Journal of Learning Analytics， 3（2）：220-238.

[11]Bodily， R.， Leary， H.， & West， R. E. （2019）. Research Trends in Instructional Design and Technology Journals[J]. British Journal of Educational Technology， 50（1）：64-79.

[12]Boyack， K. W.， & Klavans， R. （2010）. Co-Citation Analysis， Bibliographic Coupling， and Direct Citation： Which Citation Approach Represents the Research Front Most Accurately？[J]. Journal of the American Society for information Science and Technology， 61（12）：2389-2404.

[13]Broadus， R. N. （1987）. Toward a Definition of “Bibliometrics”[J]. Scientometrics， 12（5）：373-379.

[14]Camacho， V. L.， de la Guía， E.， & Olivares， T. et al. （2020）. Data Capture and Multimodal Learning Analytics Focused on Engagement with a New Wearable IoT Approach[J]. IEEE Transactions on Learning Technologies， 13（4）：704-717.

[15]Cetintas， S.， Si， L.， & Xin， Y. P. P. et al. （2009）. Automatic Detection of Off-Task Behaviors in Intelligent Tutoring Systems with Machine Learning Techniques[J]. IEEE Transactions on Learning Technologies， 3（3）：228-236.

[16]Chatterjee， A.， Gupta， U.， & Chinnakotla， M. K. et al. （2019）. Understanding Emotions in Text Using Deep Learning and Big Data[J]. Computers in Human Behavior， 93：309-317.

[17]Chen， B.， Hwang， G. H.， & Wang， S. H. （2021）. Gender Differences in Cognitive Load When Applying Game-Based Learning with Intelligent Robots[J]. Educational Technology & Society， 24（3）：102-115.

[18]Chen， C. M. （2008）. Intelligent Web-Based Learning System with Personalized Learning Path Guidance[J]. Computers & Education， 51（2）：787-814.

[19]Chen， C. M.， & Chen， M. C. （2009）. Mobile Formative Assessment Tool Based on Data Mining Techniques for Supporting Web-Based Learning[J]. Computers & Education， 52（1）：256-273.

[20]Chen， C. M.， & Hsu， S. H. （2011a）. Personalized Intelligent Mobile Learning System for Supporting Effective English Learning[J]. Educational Technology & Society， 3：153-180.

[21]Chen， C. M.， & Lee， T. H. （2011b）. Emotion Recognition and Communication for Reducing Second-Language Speaking Anxiety in a Web-Based One-to-One Synchronous Learning Environment[J]. British Journal of Educational Technology， 42（3）：417-440.

[22]Chen， L.， Chen， P.， & Lin， Z. （2020）. Artificial Intelligence in Education： A Review[J]. IEEE Access， 8：75264-75278.

[23]Chen， X.， Xie， H.， & Hwang， G. J. （2020）. A Multi-Perspective Study on Artificial Intelligence in Education： Grants， Conferences， Journals， Software Tools， Institutions， and Researchers[J]. Computers and Education： Artificial Intelligence， 1：100005.

[24]Cheng， G. （2017）. The Impact of Online Automated Feedback on Students’Reflective Journal Writing in an EFL Course[J]. The Internet and Higher Education， 34：18-27.

[25]Chibani， A.， Amirat， Y.， & Mohammed， S. et al. （2013）. Ubiquitous Robotics： Recent Challenges and Future Trends[J]. Robotics and Autonomous Systems， 61（11）：1162-1172.

[26]Devedzic， V.， Debenham， J.， & Popovic， D. （2000）. Teaching Formal Languages by an Intelligent Tutoring System[J]. Educational Technology & Society， 3（2）：36-49.

[27]Donthu， N.， Kumar， S.， & Mukherjee， D. et al. （2021）. How to Conduct a Bibliometric Analysis： An Overview and Guidelines[J]. Journal of Business Research， 133：285-296.

[28]Dutt， S.， Ahuja， N. J.， & Kumar， M. （2022）. An Intelligent Tutoring System Architecture Based on Fuzzy Neural Network （FNN） for Special Education of Learning Disabled Learners[J]. Education and Information Technologies， 27：2613-2633.

[29]Farhan， M.， Jabbar， S.， & Aslam， M. et al. （2018）. IoT-Based Students Interaction Framework Using Attention-Scoring Assessment in E-Learning[J]. Future Generation Computer Systems， 79：909-919.

[30]González-Zamar， M. D.， Abad-Segura， E.， & Luque de la Rosa， A. et al. （2020）. Digital Education and Artistic-Visual Learning in Flexible University Environments： Research Analysis[J]. Education Sciences， 10（11）：294.

[31]Guo， Z.， & Barmaki， R. （2020）. Deep Neural Networks for Collaborative Learning Analytics： Evaluating Team Collaborations Using Student Gaze Point Prediction[J]. Australasian Journal of Educational Technology， 36（6）：53-71.

[32]Hernández， J. A. C.， Alberico， A. B.， & Duarte， M. P. et al. （2020）. Teamwork Assessment in Collaborative Projects Through Process Mining Techniques[J]. The International Journal of Engineering Education， 36（1）：470-482.

[33]Holmes， M.， Latham， A.， & Crockett， K. et al. （2017）. Near Real-Time Comprehension Classification with Artificial Neural Networks： Decoding E-Learner Non-Verbal Behavior[J]. IEEE Transactions on Learning Technologies， 11（1）：5-12.

[34]Hooshyar， D.， Ahmad， R. B.， & Wang， M. et al. （2018）. Development and Evaluation of a Game-Based Bayesian Intelligent Tutoring System for Teaching Programming[J]. Journal of Educational Computing Research， 56（6）：775-801.

[35]Hooshyar， D.， Ahmad， R. B.， & Yousefi， M. et al. （2015）. A Flowchart-Based Intelligent Tutoring System for Improving Problem-Solving Skills of Novice Programmers[J]. Journal of Computer Assisted Learning， 31（4）：345-361.

[36]Horáková， T.， Hou?ka， M.， & D?meová， L. （2017）. Classification of the Educational Texts Styles with the Methods of Artificial Intelligence[J]. Journal of Baltic Science Education， 16（3）：324-337.

[37]Hsieh， T. C.， Lee， M. C.， & Su， C. Y. （2013）. Designing and Implementing a Personalized Remedial Learning System for Enhancing the Programming Learning[J]. Journal of Educational Technology & Society， 16（4）：32-46.

[38]Huang， A. Y.， Lu， O. H.， & Huang， J. C. et al. （2020）. Predicting Students’ Academic Performance by Using Educational Big Data and Learning Analytics： Evaluation of Classification Methods and Learning Logs[J]. Interactive Learning Environments， 28（2）：206-230.

[39]Hwang， G. J.， & Tu， Y. F. （2021）. Roles and Research Trends of Artificial Intelligence in Mathematics Education： A Bibliometric Mapping Analysis and Systematic Review[J]. Mathematics， 9（6）：584.

[40]Hwang， G. J.， Sung， H. Y.， & Chang， S. C. et al. （2020a）. A Fuzzy Expert System-Based Adaptive Learning Approach to Improving Students’ Learning Performances by Considering Affective and Cognitive Factors[J]. Computers & Education： Artificial Intelligence， 1：100003.

[41]Hwang， G. J.， Xie， H.， & Wah， B. W. et al. （2020b）. Vision， Challenges， Roles and Research Issues of Artificial Intelligence in Education[J]. Computers & Education： Artificial Intelligence， 1：100001.

[42]Hwang， G. J.， Wu， P. H.， & Ke， H. R. （2011）. An Interactive Concept Map Approach to Supporting Mobile Learning Activities for Natural Science Courses[J]. Computers & Education， 57（4）：2272-2280.

[43]Iatrellis， O.， Savvas， I. Κ.， & Fitsilis， P. et al. （2021）. A Two-Phase Machine Learning Approach for Predicting Student Outcomes[J]. Education and Information Technologies， 26（1）：69-88.

[44]Jain， G. P.， Gurupur， V. P.， & Schroeder， J. L. et al. （2014）. Artificial Intelligence-Based Student Learning Evaluation： A Concept Map-Based Approach for Analyzing a Student’s Understanding of a Topic[J]. IEEE Transactions on Learning Technologies， 7（3）：267-279.

[45]Jaques， P. A.， Seffrin， H.， & Rubi， G. et al. （2013）. Rule-Based Expert Systems to Support Step-By-Step Guidance in Algebraic Problem Solving： The Case of the Tutor PAT2Math[J]. Expert Systems with Applications， 40（14）：5456-5465.

[46]Kabathova， J.， & Drlik， M. （2021）. Towards Predicting Student’s Dropout in University Courses Using Different Machine Learning Techniques[J]. Applied Sciences， 11：3130.

[47]Kay， J. （2012）. AI and Education： Grand Challenges[J]. IEEE Intelligent Systems， 27（5）：66-69.

[48]Kele?， A.， Ocak， R.， & Kele?， A. et al. （2009）. ZOSMAT： Web-Based Intelligent Tutoring System for Teaching-Learning Process[J]. Expert Systems with Applications， 36（2）：1229-1239.

[49]Kewalramani， S.， Kidman， G.， & Palaiologou， I. （2021）. Using Artificial Intelligence （AI）-Interfaced Robotic Toys in Early Childhood Settings： A Case for Children’s Inquiry Literacy[J]. European Early Childhood Education Research Journal， 29（5）：652-668.

[50]Koko?， M.， Ak?ap?nar， G.， & Hasnine， M. N. （2021）. Unfolding Students’ Online Assignment Submission Behavioral Patterns Using Temporal Learning Analytics[J]. Educational Technology & Society， 24（1）：223-235.

[51]Kyle， K.， & Crossley， S. A. （2018）. Measuring Syntactic Complexity in L2 Writing Using Fine-Grained Clausal and Phrasal Indices[J]. The Modern Language Journal， 102（2）：333-349.

[52]Lee， C. A.， Tzeng， J. W.， & Huang， N. F. et al. （2021）. Prediction of Student Performance in Massive Open Online Courses Using Deep Learning System Based on Learning Behaviors[J]. Educational Technology & Society， 24（3）：130-146.

[53]Lin， C. C.， Liu， G. Z.， & Wang， T. I. （2017）. Development and Usability Test of an E-Learning Tool for Engineering Graduates to Develop Academic Writing in English： A Case Study[J]. Journal of Educational Technology & Society， 20（4）：148-161.

[54]Lin， C. J.， & Mubarok， H. （2021）. Learning Analytics for Investigating the Mind Map-Guided AI Chatbot Approach in an EFL Flipped Speaking Classroom[J]. Educational Technology & Society， 24（4）：16-35.

[55]Liu， K.， Chen， Z.， & Wu， J. et al. （2018）. Big Medical Data Decision-Making Intelligent System Exploiting Fuzzy Inference Logic for Prostate Cancer in Developing Countries[J]. IEEE Access， 7：2348-2363.

[56]Lo， H. Y.， Liu， G. Z.， & Wang， T. I. （2014）. Learning How to Write Effectively for Academic Journals： A Case Study Investigating the Design and Development of a Genre-Based Writing Tutorial System[J]. Computers & Education， 78：250-267.

[57]Lykourentzou， I.， Giannoukos， I.， & Mpardis， G. et al. （2009a）. Early and Dynamic Student Achievement Prediction in E-Learning Courses Using Neural Networks[J]. Journal of the American Society for Information Science and Technology， 60（2）：372-380.

[58]Lykourentzou， I.， Giannoukos， I.， & Nikolopoulos， V. et al. （2009b）. Dropout Prediction in E-Learning Courses Through the Combination of Machine Learning Techniques[J]. Computers & Education， 53（3）：950-965.

[59]MacArthur， C. A.， Jennings， A.， & Philippakos， Z. A. （2019）. Which Linguistic Features Predict Quality of Argumentative Writing for College Basic Writers， and How Do Those Features Change with Instruction？[J]. Reading and Writing， 32（6）：1553-1574.

[60]Moresi， M.， Gomez， M. J.， & Benotti， L. （2021）. Predicting Students’ Difficulties From a Piece of Code[J]. IEEE Transactions on Learning Technologies， 14（3）：386-399.

[61]Moridis， C. N.， & Economides， A. A. （2009）. Prediction of Student’s Mood During an Online Test Using Formula-Based and Neural Network-Based Method[J]. Computers & Education， 53（3）：644-652.

[62]Narl?， S.， ?zgen， K.， & Alkan， H. （2011）. In the Context of Multiple Intelligences Theory， Intelligent Data Analysis of Learning Styles Was Based on Rough Set Theory[J]. Learning and Individual Differences， 21（5）：613-618.

[63]Nasseri， M. （2021）. Is Postgraduate English Academic Writing More Clausal or Phrasal？ Syntactic Complexification at the Crossroads of Genre， Proficiency， and Statistical Modelling[J]. Journal of English for Academic Purposes， 49：100940.

[64]Nasseri， M.， & Thompson， P. （2021）. Lexical Density and Diversity in Dissertation Abstracts： Revisiting English L1 vs. L2 Text Differences[J]. Assessing Writing， 47：100511.

[65]Odden， T. O. B.， Marin， A.， & Rudolph， J. L. （2021）. How Has Science Education Changed Over the Last 100 Years？ An Analysis Using Natural Language Processing[J]. Science Education， 105（4）：653-680.

[66]Pai， K. C.， Kuo， B. C.， & Liao， C. H. et al. （2021）. An Application of Chinese Dialogue-Based Intelligent Tutoring System in Remedial Instruction for Mathematics Learning[J]. Educational Psychology， 41（2）：137-152.

[67]Pavlekovi?， M.， Zeki?-Su?ac， M.， & ?ur?evi?， I. （2011）. A Neural Network Model for Predicting Children’s Mathematical Gift[J]. Croatian Journal of Education， 13（1）：10-41.

[68]Roll， I.， Aleven， V.， & McLaren， B. M. et al. （2011）. Improving Students’Help-Seeking Skills Using Metacognitive Feedback in an Intelligent Tutoring System[J]. Learning and instruction， 21（2）：267-280.

[69]Shorey， S.， Ang， E.， & Ng， E. D. et al. （2020）. Communication Skills Training Using Virtual Reality： A Descriptive Qualitative Study[J]. Nurse Education Today， 94：104592.

[70]Simeunovic， V.， & Preradovi?， L. （2014）. Using Data Mining to Predic Success in Studying[J]. Croatian Journal of Educatione， 16（2）：491-523.

[71]Sinclair， J.， Jang， E. E.， & Rudzicz， F.（2021）. Using Machine Learning to Predict Children’s Reading Comprehension from Linguistic Features Extracted from Speech and Writing[J]. Journal of Educational Psychology， 113（6）：1088-1106.

[72]Spikol， D.， Ruffaldi， E.， & Dabisias， G. et al. （2018）. Supervised Machine Learning in Multimodal Learning Analytics for Estimating Success in Project-Based Learning[J]. Journal of Computer Assisted Learning， 34（4）：366-377.

[73]Swinson， M. L.， & Bruemmer， D. J. （2000）. Expanding Frontiers of Humanoid Robotics[J]. IEEE Intelligent Systems and their Applications， 15（4）：12-17.

[74]Troussas， C.， Chrysafiadi， K.， & Virvou， M. （2019）. An Intelligent Adaptive Fuzzy-Based Inference System for Computer-Assisted Language Learning[J]. Expert Systems with Applications， 127： 85-96.

[75]Urteaga， I.， Siri， L.， & Garofalo， G. （2020）. Early Dropout Prediction via Machine Learning in Professional Online Courses[J]. RIED. Revista Iberoamericana de Educación a Distancia， 23（2）：147-167.

[76]Van Eck， N. J.， & Waltman， L. （2010）. Software Survey： VOSviewer， a Computer Program for Bibliometric Mapping[J]. Scientometrics， 84（2）：523-538.

[77]Wang， D.， Han， H.， & Zhan， Z. et al. （2015）. A Problem Solving Oriented Intelligent Tutoring System to Improve Students’ Acquisition of Basic Computer Skills[J]. Computers & Education， 81：102-112.

[78]Ward， W.， Cole， R.， & Bola?os， D. et al. （2013）. My Science Tutor： A Conversational Multimedia Virtual Tutor[J]. Journal of Educational Psychology， 105（4）：1115-1125.

[79]Webb， M. E.， Fluck， A.， & Magenheim， J. et al. （2021）. Machine Learning for Human Learners： Opportunities， Issues， Tensions and Threats[J]. Educational Technology Research and Development， 69（4）：2109-2130.

[80]Wu， P. H.， Hwang， G. J.， & Tsai， W. H. （2013）. An Expert System-Based Context-Aware Ubiquitous Learning Approach for Conducting Science Learning Activities[J]. Journal of Educational Technology & Society， 16（4）：217-230.

[81]Xing， W.， & Du， D. （2019）. Dropout Prediction in MOOCs： Using Deep Learning for Personalized Intervention[J]. Journal of Educational Computing Research， 57（3）：547-570.

[82]Xu， Y.， Wang， D.， & Collins， P. et al. （2021）. Same Benefits， Different Communication Patterns： Comparing Children’s Reading with a Conversational Agent vs a Human Partner[J]. Computers & Education， 161：104059.

[83]Yang， Z.， Yang， J.， & Rice， K. et al. （2020）. Using Convolutional Neural Network to Recognize Learning Images for Early Warning of at-Risk Students[J]. IEEE Transactions on Learning Technologies， 13（3）：617-630.

[84]Yera， R.， & Martínez， L. （2017）. A Recommendation Approach for Programming Online Judges Supported by Data Preprocessing Techniques[J]. Applied Intelligence， 47（2）：277-290.

[85]Yin， R. K.， & Moore， G. B. （1987）. The Use of Advanced Technologies in Special Education： Prospects from Robotics， Artificial Intelligence， and Computer Simulation[J]. Journal of Learning Disabilities， 20（1）：60-63.

[86]Zawacki-Richter， O.， Marín， V. I.， & Bond， M. et al. （2019）. Systematic Review of Research on Artificial Intelligence Applications in Higher Education-Where Are the Educators？[J]. International Journal of Educational Technology in Higher Education， 16：39.

[87]Zhai， X.， Shi， L.， & Nehm， R. H. （2021a）. A Meta-Analysis of Machine Learning-Based Science Assessments： Factors Impacting Machine-Human Score Agreements[J]. Journal of Science Education and Technology， 30：361-379.

[88]Zhai， X.， Krajcik， J.， & Pellegrino， J. W. （2021b）. On the Validity of Machine Learning-Based Next Generation Science Assessments： A Validity Inferential Network[J]. Journal of Science Education and Technology， 30：298-312.

[89]Zhang， L.， Amat， A. Z.， & Zhao， H. et al. （2021）. Design of an Intelligent Agent to Measure Collaboration and Verbal-Communication Skills of Children with Autism Spectrum Disorder in Collaborative Puzzle Games[J]. IEEE Transactions on Learning Technologies， 14（3）：338-352.

[90]Zheng， L.， Niu， J.， & Zhong， L. （2022）. Effects of a Learning Analytics-Based Real-Time Feedback Approach on Knowledge Elaboration， Knowledge Convergence， Interactive Relationships and Group Performance in CSCL[J]. British Journal of Educational Technology， 53：130-149.

[91]Zhu， M.， Liu， O. L.， & Lee， H. S. （2020）. The Effect of Automated Feedback on Revision Behavior and Learning Gains in Formative Assessment of Scientific Argument Writing[J]. Computers & Education， 143：103668.

收稿日期 2022-03-10

International Research Prospects and Trends of Artificial Intelligence in Education

HWANG Gwojen， FANG Jianwen， TU Yunfang

Abstract： The rapid development of computer technology has promoted the application of artificial intelligence in education （AIED）. With the artificial intelligence technology， a computer system can simulate teachers’ intelligence to reason， judge or predict as well as provide students with personalized guidance， support or feedback. Moreover， it can assist teachers or educational policy makers to make proper decisions. Although AIED has been identified as a research focus in the fields of computing and education， researchers generally find it challenging to conduct such high-tech and interdisciplinary research. Therefore， it is beneficial for researchers to use bibliometric analysis to understand the hot topics and research trends in AIED through the analysis of research articles published in high-quality international journals. From the analysis results， it is found that AIED research focuses on five major clusters， including machine learning and prediction technologies for online learning， incorporating natural language processing into AI-based educational applications， modern AI in medical and cognitive science education， intelligent tutoring system， and AI in educational data analysis. In addition， these five clusters span four major areas： interdisciplinary application of computer science， educational science disciplines， psychoeducation， and linguistics， reflecting an interdisciplinary and diverse research prospects. In the future， AIED researchers need not only explore the mechanisms of new technologies， such as big data and multimodal analysis for education， but also conduct multi-perspective and multi-faceted exploration of its traditional research topics. Meanwhile， the ethical issues brought about by the use of artificial intelligence in education should also be taken into account.

Keywords： Artificial Intelligence in Education; Hot Research Topics; Trends Analysis; Bibliometric Analysis