基于大數據的高校動態個性化學習模式國內外研究熱點與趨勢分析

摘要：個性化教育是基于全面發展目標，以個人的教育需求為導向，運用信息技術包括大數據技術來幫助高校學習者激發學習動機。雖然國內個性化教學研究有一定的發展，但相關的研究成果較少，而且缺少對國內外研究動向和熱點進行梳理。因此本研究通過使用citespace軟件，基于cnki和web of science數據對2013年到2022年的文獻進行計量研究。研究結果顯示，從研究國家來看，中國、美國和英國是研究排在前列的國家，研究熱點主要集中在5個聚類上，依次為大數據、智能技術、學習分析、數據驅動和個性化。而前沿研究主要集中在大數據、機器學習和數據挖掘方面；從分析來看，基于大數據的個性化研究仍然會成為以后的研究熱點，并受到高校教育領域研究者的重點關注。

關鍵詞：大數據；個性化學習；教育模式；文獻分析

引言

全球進入互聯網時代，越來越多的學者希望獲得個性化的教育服務來提高學習效率和教育質量，而作為教學主體的高校也希望利用大數據技術、學習分析技術來提升教育教學效果，謀求在教育領域獲得更高的聲譽。因此，不少學者和教育專家開始關注基于大數據開展個性化教學的領域，希望能改進教學模式，完善個性化教學環境和工具，教師們也積極開展相關理論和實踐的研究。目前，針對大數據的個性化教學方面的理論和實踐的研究成果并不多，文獻方面的資源則更加有限。因此，學者急需了解這個領域的國內外發展狀況和研究熱點，從而為進一步研究提供總體框架和開發依據。本研究通過文獻分析法利用citespace分析工具開展文獻計量和分析，研究成果為基于大數據的個性化學習領域的研究提供支持。

1. 研究設計

本研究的所有文獻來自中國知網（CNKI）和WoS（Web of Science）。通過文獻計量法對文獻進行分析，基于文獻所在的地區、作者、關鍵詞和引文等進行分析，采用citespace軟件作為文獻分析工具，獲得相關的分析結論。國內的中文文獻研究數據主要來源于CNKI的cssci數據庫收入的學術期刊文獻，基于主題的關鍵詞為“個性化學習”和“大數據”。通過檢索，發現162條文獻符合要求，時間跨度從2013年到2022年。國外的英文文獻數據則來源于WoS（Web of Science）的核心合集數據庫，檢索關鍵詞為“personalized learning”和“big data”。檢索的時間也是從2013年到2022年，選擇了500個文獻開展分析。在查詢過程中發現，與中文文獻相類似，相關主題的文章數量從2013年開始呈現明顯的上升趨勢。

2. 數據分析結果

2.1 中文文獻和外文文獻數據分析

首先，通過對中文文獻分析，按照基于不同時間節點的發文情況來觀察總體趨勢，如圖1所示。國內基于大數據的個性化教育的相關研究基本始于2013年，到2017年、2018年形成高峰。從2019年開始，智慧教育模式、人工智能技術等方面研究的深入，使得個性化學習、教學方面的研究形成新的趨勢，總體研究的質與量呈現不斷拓展和延伸的趨勢。隨著可用于個性化研究的技術和教學新模式的引入，國內個性化學習領域的研究成果越來越豐富。通過對外文文獻的分析可以看出，從2013年開始，發文量一直呈現逐步增加的趨勢，線性發展的特征明顯，如圖2所示。數據說明，基于大數據的個性化教育領域在國外仍然是熱點，且有持續不斷的成果顯現。因此，國內外的研究有效聯系、互為助力，將國外的優秀理論和有效實踐案例進行分析吸收，應用于國內的教育教學，將會形成更好的教育成效。

2.2 作者所處國家分析

通過基于作者所在國家的分析，得出空間分布圖譜，從而獲得國家合作網絡圖譜。分析生成的不同國家作者間的合作網絡，體現了作者在不同的國家和地理的分布情況。其中，圖中的網絡節點N值為51，連線數量為154，網絡密度值為0.1208。從形成的信息可以知曉，中國、美國、英國、德國和加拿大處于本領域發文量的前五名。其中，中國發文量最多為92篇，美國為70篇，英國為22篇，德國為19篇。各個節點間的聯系較密，體現了不同國家作者之間的合作較為緊密。

2.3 核心著者圖譜分析

針對國內的研究者間的關系分析，形成國內作者的文獻圖譜分析，從而了解國內基于大數據的個性化學習模式研究領域的關鍵研究人員之間所形成相關的圖譜。分析英文文獻的作者共現圖譜，可以發現在中文文獻的作者分析過程中，網絡節點N值為213，連線數量為183，網絡密度值為0.0081。英文文獻的作者合作網絡圖譜中，網絡節點N值為214，連線數量為166，網絡密度值為0.0073。各個節點間的聯系較疏松，體現了不同國家作者之間的合作較為分散。通過對核心作者的文獻的整理，體現他們的研究重點和關注的熱點。通過對核心作者的研究領域發現，大數據、個性化學習、人工智能、機器學習等都是大家所關心的共同熱點。此外，大數據和個性化學習還在不同領域進行了應用，比如在教育領域、醫療領域、企業管理等方面。同時還發現，核心學者多集中在特定高校，比如國內的師范類高校，如東北師范大學、北京師范大學等，這也從側面說明，基于大數據的個性化學習領域研究在教育學范疇內的應用是很廣泛的，也是非常值得繼續深入研究的。

2.4 關鍵詞共現與聚類圖譜分析

通過對關鍵詞的頻次和中心性的分析，發現越是頻次高，中心性值越大的關鍵詞，則代表的應該是研究的關注熱點。同時，通過對關鍵詞進行聚類分析，也可以基于時間線來觀察熱點的變化以及未來研究方向的形成規律，幫助研究者為未來研究做好積累和準備。中文文獻關鍵詞共現圖譜中關鍵詞網絡節點值為221、連線數量值為402，密度值為0.0165。英文文獻關鍵詞共現圖譜中關鍵詞網絡節點值為279、連線數量值為1150，密度值為0.0297。從關鍵詞分析可以發現，國內研究和國外研究具有一定的共性，比如，“大數據”“人工智能”“個性化”“數據挖掘”等，都是國內外學者關注的熱點。表中列舉了十大高頻率管檢測，這代表學者們一段時間內共同關注的研究問題。

2.5 中文文獻聚類分析

通過對中文文獻進行聚類分析，形成了5個聚類，每個聚類由多個密切相關的關鍵詞組合而成，每個聚類的簇號代表其擁有的關鍵詞的數量排名，簇號越小則包含的關鍵詞越多，這5個聚類按照簇號從小到大依次為：大數據、智能技術、學習分析、數據驅動和個性化。

2.5.1 聚類０（大數據）

對該聚類中的內容進行分析，可以探究出多個研究熱點，一是通過大數據和人工智能技術的結合，以學習者為中心，支持自適應學習的個性化學習模式。二是利用大數據對現有的教育數據進行細致的分析，挖掘教育大數據在學生學習、自適應系統構建、相關標準的制定、教學模式方面和教學有效評價的設計方式和實踐路徑。三是基于大數據的個性化學習的實現關鍵是學習資源的精準投放，需要對用戶需求進行精準分析、歸類、畫像、建模[1]，增強學習者的實際獲得感。

2.5.2 聚類１（智能技術）

該聚類呈現的研究焦點是：利用人工智能、“互聯網+”、大數據、5G技術深入開展大學教學改革，有效提高教學質量，已成為廣大高校教師討論的熱點。通過智能技術優化教學環節，建立豐富的教學資源，構建教學團隊，研究相關理論和教學設計原則從而達成精確教學和評估的結果。

2.5.3 聚類2（學習分析）

該聚類體現了通過人工智能的智能感知技術、學習分析技術和情感計算技術，建立基于大數據的智能化教學模型。通過構建基于大數據智能的在線學習教育平臺為教師提供豐富的教學方法，為學生的學習提供個性化評估和自適應學習服務，有助于提高高校教學效率。傳統的教學設計模式不能有效指導智能教學，不能滿足學生個體發展的需要。因此，對人工智能技術、大數據等技術支持下的智能教學設計成為一個研究熱點領域。利用大數據、物聯網、移動互聯網、人工智能等新一代信息技術，構建一整套科學的智能教學設計模式，有助于引導教師更好地開展智慧教學，幫助學生探索合作自主學習，在一定程度上促進教學方法和學習方法向智慧教學轉化。

2.5.4 聚類3（數據驅動）

聚類聚焦點針對當前大數據環境下個性化學習和教學智能服務的研究領域，主要以大數據驅動的移動學習智能服務框架系統的構建研究、整體開發、資源建設和利用等幾個方面為研究熱點，從而改善教學資源、改革教學模式，運用大數據分析，不斷提高教學管理水平。研究人員認為該系統可以整合學習基礎設施、數據資源、服務應用程序和高校學習者，重構智能服務的業務流程，為學習服務提供決策支持，同時，它可以提高學習能力，提供個性化的服務，實現學生的因材施教[2]。

2.5.5 聚類4（個性化）

可見研究集中在學校教育、數據智慧、教育變革、教學制度、個性化分析模型、學習處方等方面。通過利用信息技術，如人工智能、大數據、機器學習和深度學習等技術，能夠實時解決極其復雜的教育問題，提供個性化教育所需的靈活性和適應性，進而構建的學習環境對學習者開展個性化學習更加友好和有效。通過對學習者的個性特征、學習習慣和所需工具的分析，根據相應的匹配算法來準確識別學習者的學習個性，從而提供較為精確的學習方案和干預方案[3-4]。

結語

通過文獻研究發現，目前基于大數據的個性化研究領域仍然是高校教育教學的研究熱點，研究成果在不斷增加，而且發展迅速，但也存在不少研究空白，還需要后續進行研究。該領域的研究成果常被作為高校開展精準教學和個性化教學的理論支持和實踐參考，對于提高高校教學質量，開展科學化教學研究、精準教學治理、實施智慧化的評價，具有廣闊的應用前景。

參考文獻：

[1]劉海鷗，劉旭，姚蘇梅，等.基于大數據深度畫像的個性化學習精準服務研究[J].圖書館學研究，2019，（15）：68-74.

[2]祝智庭，胡姣.教育數字化轉型的實踐邏輯與發展機遇[J].電化教育研究，2022， 43（1）：5-15.

[3]包子涵，翁彧.基于數據驅動的大學計算機基礎精準教學模式探究[J].計算機教育，2022，（9）：157-161，165.

[4]董圓圓.人工智能賦能思政教育的倫理風險及其應對[J/OL].北京航空航天大學學報（社會科學版）：1-7[2023-02-03].https：//doi.org/10.13766/j.bhsk.1008-2204.2022.0955.

作者簡介：顏正恕，在讀博士，副教授，研究方向：數字媒體和教育、計算機科學與技術。

基金項目：2020年浙江省教育廳一般科研項目——基于“大數據+動力學”的高校動態個性化學習模式研究（編號：Y202044773）。