全球視野下人工智能教育應用研究文獻計量分析

□李燕

近年來人工智能（Artificial Intelligence，AI）相關方法被應用到各個領域，逐漸成為各學科領域的熱點問題。各國的人工智能發展規劃無一例外都投入大量資金支持人工智能研究和人才培養。以美國為例，美國自2011年起已在幼兒園到高中（K-12）階段推行STEM教育，近年更在此基礎上進一步發展到全民人工智能教育的新階段。同樣，我國也相繼出臺了一系列人工智能發展的指南和意見，如《國家新一代人工智能開放創新平臺建設工作指引》（2019）、《國家新一代人工智能標準體系建設指南》（2020）、《新一代人工智能倫理規范》（2021）和《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》（2022）等文件，都是為了加強人工智能領域標準化頂層設計，推動人工智能產業技術研發和標準制定，探索人工智能發展新模式新路徑，促進人工智能技術的可持續發展，以人工智能高水平應用促進經濟高質量發展的要求。隨著時間的推進，各國人工智能教育應用的研究呈現高增長、融合性的特點。筆者采用文獻計量學的方法，以Web of Science Core Collection（簡稱WOS核心集）數據庫為來源，對2012—2022年間發表的有關“人工智能”和“教育”為主題的文獻進行分析，并對未來的研究趨勢做出展望。

一、研究設計

1.數據來源

本研究以WOS核心集數據庫為數據源，以“Artificial Intelligence和education”或“AI和education”（簡稱AIE）為檢索主題對象，選取2012—2022年的文獻，共獲得1 611篇文獻（檢索時間：2023年4月14日）。剔除作者缺失、國家缺失、與主題相關度不高的無效數據，得到有效文獻數量共1 600篇。

2.研究方法

知識圖譜是一種將抽象數據可視化的方法，通過圖形量化方法反映學科領域的整體概況。使用共現和聚類等技術，知識圖譜可以將學科領域中的各種概念、主題和關系以圖形化的方式呈現出來，從而使得這些復雜的信息更加易于理解和分析。知識圖譜不僅具有科學性，而且也非常直觀，這使得它在學科領域越來越受到研究者的青睞。本研究采用了VOSviewer、Scimago Graphica和Pajek分析軟件，結合國別和關鍵詞共現的知識圖譜，以及主題詞聚類時區圖譜的分析方法，對全球人工智能教育應用研究進行分析。通過這種分析方法，研究者可以歸納出人工智能教育應用的技術選擇和發展動態，從而有助于了解該領域的研究動態和未來發展趨勢。

二、研究結果分析

1.AIE研究的時間分布

在國際學術期刊上就某一特定主題發表的文章數量可以作為該特定主題受到研究關注程度的一個指標。發表文章數量的年度數據和觀察到的任何變化可以揭示研究興趣隨時間的出現和演變。表1展示了所選樣本文獻2012—2022年發表論文數和被引用數的時間分布。總體趨勢表明，出版物數量呈上升趨勢，人們對人工智能技術在教育中的應用越來越感興趣。此外，被引用的數量也呈現上升趨勢，這表明教育領域的人工智能研究有進一步增長的潛力。從AIE近10年的發展軌跡看，2018—2019出現一個迅速增長期。

表1 AIE研究的文獻統計

2.AIE研究的區域分布

為了找出各國AIE研究的進展，本研究統計了發文量在5篇論文以上的國家共計62個，發生過522次合作，合作1 533次。美國和中國的發文量遙遙領先，表明AIE在美國和中國受到較高的關注度。緊隨其后的是英國、加拿大和德國等國家（見表2）。在所有國家中，德國以篇均被引20.4的次數居首位，其次是加拿大（13.4）、英國（9.1）。

表2 發文量前10名國家

通過VOSviewer和Scimago Graphica進行聚類分析，各國（地區）發文情況如圖1所示。各節點表示不同國家，節點名稱即國家名，節點大小取決于發表文章的數量，各邊連接線的粗細程度表示兩個國家合作的緊密程度。選擇發文量大于30的國家進行共現分析，結果如圖1所示，與美國合作次數由多到少的國家依次為英國（36）、加拿大（33）和中國（31）。

圖1 AIE研究的國家（地區）分布

3.AIE研究熱點

利用軟件VOSviewer和Pajek，對5 372個關鍵詞進行分析，選擇出現頻次大于28（含28）次，刪除人工智能、教育等關鍵詞，得到AIE研究的熱點關鍵詞前10名（見表3）。關鍵詞主要涉及兩方面：一是信息技術方面，主要包含機器學習、深度學習、增強現實（AR）、大數據及自然語言處理（NLP），這5個關鍵詞對應信息技術相關方法，為教學場景、教學過程、教學評價和教育管理等提供服務。二是人工智能核心技術在教育領域中的應用，較多研究關注高等教育、語言教育和醫學教育等領域，關鍵詞主要涉及自適應學習、在線學習、VR／AR教學、智能輔導系統、教育機器人、教學監測和動態評價等。

表3 AIE研究主題熱度前10名

總體上，人工智能在教育領域的應用場景可以從教學、學習、評價和管理四方面來概括。

（1）教學方面

虛擬現實（VR）和增強現實（AR）是一種數字工具，它將用戶傳送到一個環境中，在這個環境中，一個人并不實際存在，而是接受感官刺激，從而在這些空間中產生真實存在的感覺。通過計算機建模和仿真，它允許用戶通過視覺感知或其他感官刺激與三維（3D）人工空間交互。［1］恒夫恩田（Hiromu Onda）等開發了一個“虛擬現實演示教學”系統（TbDinVR），在虛擬世界中由操作員演示一個任務后，自動生成一個機器人程序在現實世界中工作。［2］西爾維烏·布特納留（Silviu Butnariu）等介紹了一種基于虛擬現實技術的機械工程課程教學機制的新方法。［3］喬治·奧托（George Otto）等通過在各種環境中部署成本相對較低、易于使用的虛擬現實技術和集成多媒體顯示系統，將VR技術應用于賓夕法尼亞州立大學的教學系統。［4］瑪喬麗·齊爾克（Marjorie Zielke）等利用VR／AR技術，開發了一個專門用于交流實踐的虛擬病人應用程序，提供高度互動的虛擬病人體驗，提高醫學培訓中的溝通技巧和專業技能。［5］有了VR／AR技術，學習體驗不再需要在教室里，甚至不需要在學校操場上。學生的實地考察可以去古羅馬，體育課可以去黃石國家公園徒步旅行，甚至可以登陸月球。

智能導師系統（Intelligent Tutoring System，ITS）通過運用計算機模擬人類教師的行為，有針對性地對學生的問題進行輔導，實現對學生的一對一智能化教學。［6］穆罕默德·阿明（Mohammed Amine Alimam）等在反轉課堂中，利用ITS系統幫助學生學習課堂外的知識。［7］弗朗切斯卡·扎卡伊（Franeska Xhakaj）等設計了一個ITS虛擬儀表盤（dashboard），用于分析學生的學習過程。［8］通過對5所中學、17個班級真實數據的測試，結果表明：ITS儀表盤的使用可以影響教師在課堂的知識、決策和教學行為。徐墨客等開發了基于xAPI的學習行為分析與可視化系統，集學習行為采集、存儲、分析和可視化為一體，利用面向多知識點的KT模型分析學生答題序列中的知識掌握動態變化，并利用可視化的技術幫助教師對每個學生的學習情況進行及時判斷。［9］王萍等發現智能虛擬助手可實現個性化輔導、交互式問答、情境學習等學習支持功能，促進了智能化、個性化學習的發展。［10］同時，智能虛擬助手的三種開發方式可以靈活滿足教育領域不同層次的應用開發需求。

（2）學習方面

自適應學習系統提供適合學習者當前狀態的指導，是進行個性化教育的重要途徑之一。最新的技術進步使自適應學習成為可能，這有可能以低成本為學生提供高質量的學習收益。自適應學習系統的一個關鍵組成部分是推薦系統，它根據學習者的當前狀態，進行智能推薦。［11］李建偉等設計了幫助成人本科提升英語學習水平的自適應學習系統。［12］阿爾弗雷德·埃薩（Alfred Essa）等提煉出創建下一代自適應學習系統的7個關鍵設計原則。［13］江波等運用隨機實驗法對自適應學習的有效性進行了研究。［14］憑借當今的先進技術，自適應學習環境已經變得更加高效和有效。特別是計算機硬件的發展和軟件允許創建這些類型的自適應環境。這種方式也得到了教育工作者的認可。但實踐方面仍存在一些問題，如當前一代自適應系統是封閉系統。由于所有數據都是系統的本地數據，因此學習模型僅限于基礎數據可以支持的內容。隨著自適應系統包含深度學習模型，它們需要在架構上從封閉的數據孤島發展為能夠交換駐留在自適應系統外部的數據和服務的開放系統。

O-M-O（Online-Merge-Offline）是一種線上教育和線下教育的結合教育模式，使得學生的學習時間更加靈活，學習的空間更加開放，學習的過程更加有針對性，從而提高學習效率。［15］線上教育是線下教育的有效補充，學習者可以對某些問題或疑惑有針對性地學習和交流，實現一對一交流，點對點解答，提高學生的學習效率。通過線上學習，人工智能技術可以清晰地捕捉到每個學生所擁有的學習情況，了解哪些方面需要加強，并能夠在學習過程中完全捕獲過程數據的基礎上進行有針對性的在線和離線咨詢。簡·西爾（Jane K.Seale）等通過案例研究，認為信息技術的應用可以促進學生的反思，主要取決于學習技術的使用方式、學生群體的性質、導師的角色及學生對線上／線下學習的偏好。［16］人工智能技術促使各種智能平臺應運而生，如MOOC、在線教育平臺等。這些在線教育平臺給學習者提供了各種優質的教育資源，讓偏遠地區的學生擁有享受優質教育資源的機會，促進了教育的公平。電路與電子（6.002x）于2012年3月啟動，是由麻省理工學院（MIT）和哈佛大學（Harvard University）牽頭的edX開發的首個MOOC課程。全球超過15.5萬名學生注冊了6.002x課程，包括視頻講座、互動問題、在線實驗和論壇。［17］當前，MOOC行業正在迅速發展，對免費高等教育感興趣的學生，以及愿意為這些課程提供資金的大學和風投機構都在推波助瀾。蒂莫西·約翰斯頓（Timothy C.Johnston）等將MOOC模式與主流網絡大學課程模式進行了比較，認為MOOC已經成為非學分學習的有效替代品。［18］黃榮懷認為O-M-O學習利用混合基礎設施，將開放式教育實踐與在線和離線實時學習空間相結合，是滿足后COVID-19時代學生和教師新需求的學習方式。［19］

機器人在教育領域的應用前景廣闊，它作為多學科交叉融合的領域，其為培養高素質復合型人才提供了一個良好的平臺。［20］洛桑聯邦理工學院研發的Thymio II是一款100歐元的低價教育機器人，主要目標是實施針對6歲以上兒童的機器人教學。森田武（Takeshi Morita）等基于本體和規則庫的平板測試系統，開發了一個集成的智能應用程序開發平臺——實用智能應用程序（PRINTEPS）來幫助教師機器人進行協作。在監控學生的學習進度時，呈現適合每個學生理解水平的學習內容，以支持教學，促進學生主動學習。［21］保羅·亞尼克（Yanik P M）等運用生長型神經氣算法（GNG），對教育機器人如何模擬人類教師的手勢動作進行了研究，并將教育機器人的手勢動作對應不同的數據庫。［22］曼尼卡（Manyika）認為人工智能可能成為到2030年實現普及初等教育的切實可行的解決方案。［23］當前較火熱的ChatGPT，它不僅提高了學生的實踐創造力，而且增強了學生的認知主動性，但也引發了對師生思考力喪失的主體倫理問題、師生交往異化與情感缺失的關系倫理問題、知識盲區與信息繭房的算法倫理問題的反思。［24］此外，利用人工智能技術自動化生成文本、圖像、視頻、音頻等多模態數據的聊天機器人，受到教育領域的廣泛關注，其涉及的技術包括Transformer模型、基于Transformer的基本架構、基于人類反饋的強化學習（Reinforcement Learning from Human Feedback，RLHF）技術，指示微調（Instruction Tuning）技術和思維鏈（Chain of Thought）技術。［25］人工智能集成的聊天機器人對教學過程、學習過程和教學評價提供良好的支持和服務，它可根據教師的需求，生成多樣的、可選擇的教學設計方案［26］；可以根據提示，生成啟發式內容，為師生提供寫作素材；可以對學生作品和答案進行客觀點評，輔助教師批改或學生自我評價。

（3）評價方面

教學評價是對教學效果的檢驗，不僅是對學生學習情況的判斷，更是促進學生長足發展的有效渠道。人工智能技術在教育中的運用，有效優化了教學數據收集（可穿戴設備、智能識別技術等）、數據處理（聚類、關聯、協同過濾等）、數據分析（數據挖掘、機器學習和深度學習等）和結果展示（知識圖譜、標簽云等）過程，促進教學評價逐漸科學化，評價方式、評價標準、評價主體及評價功能都走向了多元化。［27］伊格爾（Eagle）等人將學生個體參數插入傳統貝葉斯知識跟蹤模型中，之后就可以通過學生活動數據對其在智能教學系統中的學習和表現的個體差異進行預測。［28］貝克（Baker）等提出了一個機器學習模型，它可以評估學生在特定問題步驟（而不是在下一個或上一個問題步驟）學習技能的概率。［29］達瑪萬薩（Dharmawansa）等構建了一個眨眼視覺系統（EBVS）來檢測現實世界學生的眨眼，并將其引入虛擬的電子學習環境，這個系統可以提供眼神交流和非語言交流，這是學習領域中非常重要的元素。［30］金尼泊來（Kinnebrew）等運用機器學習的方法，通過監測學生的學習互動軌跡，比較學生的學習行為，發現不同層次的學生具有不同的閱讀行為模式和監控行為。［31］

（4）管理方面

人工智能技術在招生宣傳、心理疏導、學業預警、就業推薦和智能監管方面應用廣泛，如通過大數據技術驅動下的招生機制在降低招生成本、遏制招生腐敗、精準遴選生源方面顯示出巨大的優越性，同時也可以利用大數據技術優化招生流程。［32］運用自然語言處理技術對教師授課內容進行分析與評估，并根據教學效果提供改進建議，同時也可以輔助教務管理決策。［33］利用機器學習算法分析學生的學習軌跡，可以發現是否存在學習困難的跡象，然后及時提醒老師或家長進行干預。［34］結合自然語言處理技術，人工智能可以根據學生的情感狀態提供相應的心理疏導建議，緩解學生的壓力和焦慮情緒。借助人工智能技術對學生的綜合素質和職業發展方向進行分析，為學生提供更加精準的生涯規劃和職業咨詢服務。［35］使用機器學習方法來挖掘學習環境中與診斷推理的過程、結果相關的學習者行為。［36］利用數據挖掘技術，開發M-STEM Academy作為早期學業預警系統。通過人臉識別、聲紋識別等技術對學生進行身份確認和考試過程的監管，防止作弊行為的發生等。［37］通過數據挖掘和機器學習技術對學校的各項數據進行分析，為教育管理者提供決策參考。這些應用在輔助教育管理領域具有廣闊的發展前景。

4.AIE研究前沿

為進一步從時間維度上顯示前沿關鍵詞演進的視圖，本研究采用VOSviewer和Pajek結合，用時區視圖的呈現方式展示關鍵詞6個聚類和相互影響，不同程度的顏色對應著關鍵詞平均出現的年份，選擇連接次數大于8次（含8）的關鍵詞（見圖2）。按照時間，可將人工智能教育應用的研究分為三個階段。

圖2 AIE研究關鍵詞的時區圖

初步探索階段（2012—2016）：在這一階段，各種人工智能技術開始出現，包括機器學習（424，1061）、深度學習（255，533）、VR（122，195）和自然語言處理（84，140）等。應用領域涉及E-learning（66，109）、K-12教育（56，72）等。雖然這些應用并不是真正的“智能”，但它們已經開始為學生提供個性化的學習體驗。

技術驅動階段（2017—2020）：在這一階段，人工智能技術被廣泛應用于教育領域，相關研究大量增加。主要是通過自適應學習系統（25，35）、輔導系統（70，108）、決策支持系統（26，29）教育游戲和遠程教育（10，13）等方式，幫助學生更好地理解和掌握知識。

融合創新階段（2020—2022）：伴隨人工智能技術的不斷成熟，其在賦能教育變革中展現出巨大的活力，教育機器人的智能化和人性化程度越來越高，可以普遍應用于學生評估、作業自動化和教師輔助等方面。同時，人工智能的“智能”特性也逐漸凸顯。聊天機器人（88，139）特別是以ChatGPT為代表的生成式人工智能系統迅速成為教育領域關注和討論的焦點。其在文本類內容生成方面的卓越表現，對教師的價值帶來了巨大的挑戰，對教育領域產生了巨大的影響，可能促使教育的深層次變革。

三、研究結論與啟示

1.研究結論

本研究通過VOSviewer、Scimago Graphica和Pajek等可視化工具，對WOS核心集數據庫中2012—2022年AIE研究數據進行統計，從人工智能教育應用的時間發展、區域分布、研究熱點和研究前沿四部分進行分析，研究得出以下結論。

第一，AIE的發展與AI的文獻研究發展軌跡基本一致，整體呈上升趨勢。前期多集中于個性化或適應性學習，到2018—2019年AIE進入快速發展階段，數據分析技術更加注重深度學習技術和神經網絡的應用，大量關于STEM、輔導系統和教育游戲等的研究出現，并受到了廣泛關注。隨著人工智能技術的逐漸成熟，人工智能系統在探索“智能”方面逐步提升，在聊天機器人和智能決策方面有了大量嘗試，但是仍然存在許多局限。

第二，AIE研究未在全球普及，強弱對比明顯。全球103（近1／2）個國家參與AIE研究，相對較少，這也說明AIE研究在全球范圍內還未普及。以美國、中國為代表的高產國家的研究成果遙遙領先其他國家。美國AIE研究開始較早，目前已經進入應用研究探索階段。中國作為后起之秀，近些年大量關于人工智能教育應用的理論研究和實踐探索相繼而生。而其他國家多停留在理論探索和萌芽階段，分析主要原因跟各國AI的發展程度和政策有密切關系。未來人工智能教育的發展需要加強國際合作，立足本國教育資源，緊跟研究前沿，形成AIE發展“百花齊放”的良性機制。

第三，AIE各領域研究主題相對分散，聯系密度較低。通過對AIE研究主題進行深入分析后，人工智能教育應用研究主要包括基于智能輔導系統、自適應學習系統和聊天機器人等促進教學效果的研究；基于多模態數據分析提供在線學習支持的研究；基于機器學習的教學質量動態監測和評價研究；基于深度學習的學生學習追蹤及表現預測研究等。從圖2可以看出，國際領域人工智能教育研究關鍵詞間并無緊密的聯系，密度較低。

第四，AIE多領域變革教育生態，“智能”特性逐步凸顯。人工智能和教育多領域融合，在教、學、評、管各個環節均有人工智能的輔助。人工智能通過虛擬現實、增強現實等技術構建的智慧學習環境，讓學生體驗虛實融合多場景教學；通過動態學習診斷、反饋與資源推薦的自適應學習機制，滿足個性化的學習需求；通過教學輔導系統，免除教師的煩瑣工作，而將更多精力轉向更好的教學設計活動。人工智能技術已經對教育過程的各個環節產生深遠影響，加速了教育深化改革的進程。目前，生成式人工智能技術的探索和應用，將促使人工智能在教育領域應用逐步智能化和自動化。

2.研究啟示

（1）培養人工智能思維

思維方式決定了行動軌跡，AIE的發展離不開人們思維的變革。人工智能思維將智能機器看作人類智能的延伸，是人類認知的一部分。［38］我國人工智能教育的真正核心價值在于堅持立德樹人，培養具備人工智能思維的中國公民。［39］人工智能技術發展迅速，推動了教育的加速變革，在這個過程中人工智能思維不可或缺。特別要加快教師隊伍教育理念和人工智能思維的轉變，發揮其在教育變革中的積極性和創造性。

（2）制定人工智能的支持政策

政策支持是人工智能教育應用發展的加速器。多個國家已經頒布發展人工智能的相關政策，并將其提升為國家戰略，如歐盟制定《機器人民事法律規則》（2023）、中國發布《關于加快推進人工智能治理規范化的指導意見》（2022）、韓國出臺《機器人基本法案》（2023）、新加坡出臺的《AI for Everyone》（2023年）等政策，表明了各國政府對人工智能領域的重視和關注，同時也為人工智能產業發展提供政策支持和法律保障，以應對人工智能技術在教育領域應用中的數據安全與隱私問題。

（3）推動技術與教育深入融合

人工智能技術已在智能自適應學習、混合式教學、動態監測過程性評價等方面得到應用。隨著人工智能技術、算力水平與可獲取數據量的提升，生成式人工智能技術將逐步成熟，其在語言學習、教學設計、論文寫作、自我評估等方面的應用將更廣泛、更深入。未來教育要積極探索智能適應教育路徑，構建良好的教育生態，促進人機協同、虛擬融合，實現規?；虒W指導下的個性化學習，推動人工智能與教育的深度融合，促進教育變革創新，實現教育數字化。

3.研究不足

總之，隨著人工智能思維、政策和技術的日益成熟，人工智能在未來教育領域將發揮越來越重要的作用。人工智能的應用將改變未來教育生態，提高教育的可及性、靈活性和有效性。本研究以可視化的方式直觀地展示了人工智能在教育領域近10年的研究文獻情況，清晰地獲取了時間和空間的發展軌跡，分析了研究熱點和前沿問題，并反思人工智能對教育的影響。由于研究者的時間和精力有限，本研究仍存在一些不足。

第一，本研究為了追蹤人工智能技術在教育的發展軌跡，搜集了近10年的文獻研究，但由于文獻主題詞分類本身存在偏差，在選擇主題詞時未能涵蓋所有人工智能技術如機器學習、深度學習等在教育領域應用的文獻，而是選取“Artificial intelligence和education”或“AI和education”為主題詞進行檢索。因此，搜集文獻資料不全面，研究結果可能存在誤差。

第二，本研究通過VOSviewer、Scimago Graphica和Pajek軟件對AIE文獻進行客觀分析，從而分析人工智能在教育領域應用的研究熱點和前沿，但這樣的概括分析受限于研究者本身的研究能力，具有一定的主觀性。