2011年以來我國學習分析領域研究的可視化分析

摘" 要：學習分析是近年來我國教育技術研究領域的熱門話題。使用CiteSpace這一可視化工具并與文獻計量學方法相結合，對我國2011年以來學習分析領域研究的發文量、作者分布、機構分布、研究熱點和前沿演進進行分析，并基于此提出四點發展建議：加強核心研究機構之間的合作，構建研究共同體；加強學習分析領域的跨學科交叉合作；促進學習分析研究與實踐在教育各領域全面開展；探索將學習分析技術應用于線下課堂學習環境。

關鍵詞：學習分析；CiteSpace；教育技術

文章編號：1671-489X（2025）02-000-07

DOI：10.3969/j.issn.1671-489X.2025.02.00

0" 引言

學習分析（Learning Analytics）是教育技術領域的一項新興技術，源于商業智能、網站分析等研究領域，自《2011地平線報告》發布后逐漸受到教育研究者的關注[1]。2011年，George Siemens等人發起并組織了第一屆學習分析與知識國際會議（LAK），這次會議標志著學習分析成為一個相對獨立的研究領域。這一會議此后每年都會舉辦。2012年，《教育技術和社會》雜志出版了關于學習分析的特刊。2013年，學習分析研究會（SoLAR）、國際教育數據挖掘研究會（IEDMS）等共同在斯坦福大學創建斯坦福學習分析夏季學院（LASI），為學習分析研究和應用培訓提供相關支持。2014年，《學習分析期刊》首次發行。這一系列事件推動著學習分析技術不斷向前發展，逐漸走向成熟。關于學習分析的概念，目前還沒有達成定論，不同的研究者從不同視角出發，對其內涵有不同的詮釋。其中，首屆學習分析與知識國際會議將學習分析定義為“測量、收集、分析和報告關于學習者及其學習情境的數據，以期了解和優化學習和學習發生的情境”[2]，該定義被國際學者普遍認同并廣泛應用。

為了解我國學習分析領域研究的主要進展和現狀，本文通過CiteSpace軟件對2011年至今我國學習分析領域的相關文獻進行可視化分析，以梳理出我國學習分析研究的熱點與前沿，從而為進一步研究提供參考。

1" 數據來源與研究方法

1.1" 數據來源

本研究的數據來源于CNKI（中國知網），使用其高級檢索功能進行數據的篩選和獲取。在檢索條件中，以“學習分析”為關鍵詞；期刊來源類型選擇“全部期刊”；由于2011年舉辦的第一屆學習分析與知識國際會議是學習分析成為一個相對獨立的研究領域的標志，因此將年限范圍設置為2011年至今；其他檢索條件均為默認。檢索日期為2023年12月16日。共檢索到2 085篇文獻。由于主要分析國內對學習分析領域的研究，因此在檢索結果中再選擇“中文文獻”，獲得707篇文獻。為保證文獻的可靠性，通過人工篩選清洗掉述評、訪談、會議通知等不相關文獻共22篇，最終得到文獻685篇，這就是本次研究的研究樣本。

1.2" 研究方法

CiteSpace是由陳超美開發的一款知識、信息可視化軟件。它能對期刊文獻進行相關信息的提取，生成對應的可視化圖譜，并通過對圖譜的解讀讓使用者了解相關領域的主題、熱點、聯系、前沿和發展趨勢。本研究使用文獻信息可視化軟件CiteSpace 6.2.R6對所得樣本數據進行處理和分析，同時運用Excel進行圖表繪制。使用文獻計量學等方法，繪制出學習分析相關研究的知識圖譜，利用圖譜直觀地展示作者合作、機構合作、關鍵詞共現、關鍵詞聚類、突現詞等，探尋我國學習分析研究領域的熱點與前沿。

2" 研究結果分析

2.1" 發文量統計

為了解2011年以來我國學習分析領域研究成果產出情況，本文以最終收集到的685條文獻信息按照發表年份進行頻次統計，并繪制出我國學習分析研究的發文量時間變化趨勢，如圖1所示。

結果顯示，2011年至今，我國學習分析領域研究成果豐富，是國內教育工作者關注的重點之一，其總體發展趨勢表現為先增長、后保持的態勢，可大致分為三個階段。

第一階段是2012—2013年，處于萌芽起步階段。2011年，學習分析剛剛在國際上被確立為一個相對獨立的研究領域，此時我國學者還沒有發表相關文獻。從2012年開始，我國逐漸有學者對學習分析領域進行研究，比較有代表性的論文是顧小清等發表的《學習分析：正在浮現中的數據技術》。由此，學習分析在我國開始吸引越來越多學者的目光，并在教育領域得到進一步發展。這一時期在研究方向上，基本處于理論研究階段，實際應用較少，重視學習分析在技術層面的研究，如朱珂和劉清堂提出一個應用學習分析技術的自適應學習系統框架。論文年發表量較少，均少于40篇，但發文量逐年增長，態勢良好。

第二階段是2014—2019年，處于快速發展階段。有關學習分析的研究快速增長，2014年發文量陡增，從前一年的14篇躍升到44篇，之后保持高發文量的態勢，到2019年達到頂峰值96篇。在這期間，2015年8月，國務院印發《促進大數據發展行動綱要》，大數據在教育領域的運用是學習分析產生的前提，這在一定程度上推動了學習分析研究熱潮的形成；2018年，《教育信息化2.0行動計劃》出臺，指出要積極推進“互聯網+教育”，發揮技術優勢，推進新技術與教育教學的深度融合，這一政策導向進一步激發了學者們研究學習分析領域的熱情。在研究方向上逐步走向實踐應用、實證研究。

第三階段是2020年至今，處于平緩發展階段。這一時期，可能是受到新冠疫情的影響，國內關于學習分析的發文量略有下降，但可以預見總體仍然是向上發展的態勢。在研究方向上開始注意跨學科融合，探索可持續發展。

2.2" 作者分布

通過分析作者發表文章數量的情況，可以洞察其在該領域研究的持續性、深入程度和所作出的貢獻。作者的分布情況可以在一定程度上反映本研究領域科研活動的發展進程。在CiteSpace運行主窗口中設置時間范圍（Time Slicing）為2012—2023，并設置Years Per Slice為1，選擇節點類型（Node Types）“Author”，設置selection Criteria（topN=50），得到作者網絡圖譜，共涉及196個作者，如圖2所示。

圖中每個節點代表一位作者，節點越大，意味著這個作者發文數量越多；節點之間的連線代表著作者之間的合作情況，連線越粗，意味著作者之間合作的強度越大。由圖2可知，學習分析領域的研究者中，核心作者以趙蔚為首，武法提、顧小清、魏順平、姜強次之；此外，牟智佳、馬志強、鄭勤華等也是該領域的高產作者，他們在學習分析領域進行了比較深入的研究，研究成果較多。在合作方面，作者節點數N為196，連接數E為173，密度Density是0.009 1。從整個圖來看，分散的節點較多，且這些節點總體較小，說明關注該領域的學者較多，但很多只發表了一篇或兩篇文章，沒有持續研究下去，通常進行獨立研究，僅有部分作者尤其是高產作者間有較多的合作關系，學習分析領域整體還未形成明顯的研究共同體。

2.3" 機構分布

通過對某一機構發表論文的數量進行統計，可以在一定程度上反映其在該領域研究的持續性、深入程度和所作出的貢獻。節點類型選擇“Institution”，運行CiteSpace得到研究機構網絡圖譜，共涉及156個研究機構，如圖3所示。

從發文數量來看，華東師范大學教育信息技術學系、北京師范大學遠程教育研究中心、東北師范大學計算機科學與信息技術學院、北京師范大學教育技術學院、華中師范大學教育信息技術學院排名前五，表明這五個機構（四所學校）在學習分析領域居于領跑地位。這與多數核心作者的所在單位高度吻合，凸顯出這些機構聚集了一批研究學習分析的專家學者。其中，華東師范大學教育信息技術學系尤為突出，其發文量位居榜首，而且自2012年起即有相關研究成果發表，這體現出該機構對學習分析領域的研究在我國有重要的影響力和奠基作用。在研究機構的地域分布方面，呈現比較明顯的集中于東部地區的趨勢，而中部和西部地區的研究力量相對較弱。在研究機構的屬性方面，絕大部分是師范類高校，少部分是綜合類、理工類高校。

在合作方面，由圖3可知，我國學習分析領域的研究格局大致為，以華東師范大學教育信息技術學系為核心機構，以師范類高校為主要研究力量。研究機構節點數N為156，連接數E為81，密度Density是0.006 7，主要研究機構與其他研究機構間有一定聯系，但主要研究機構之間的合作較少，尤其是不在同一地區、不屬于同一所學校的主要研究機構。從研究機構網絡圖譜來看，最為核心的機構華東師范大學教育信息技術學系與其他核心機構之間沒有進行過合作。

2.4" 研究熱點分析

2.4.1" 關鍵詞頻次與中心度統計分析

關鍵詞能夠最直接地反映和概括一篇文章的主題與內容，頻次和中心度高的關鍵詞揭示了在一定時期內研究者們所共同關注的議題，反映了研究熱點。關鍵詞的頻次越高，意味著其在該研究領域越受到關注；而中介中心度是衡量某個關鍵詞在網絡圖中重要性的關鍵參考數據，中心度大于0.1的稱為關鍵詞的關鍵節點，節點中心度越高，其在該領域的地位就越重要。將節點類型設置為“Keyword”，運行CiteSpace軟件，得到學習分析領域的關鍵詞表，統計出高頻次的前10個關鍵詞和高中介中心度的前10個關鍵詞，如表1和表2所示。

由表1和表2可知，從2011年至今，我國學習分析領域的研究熱點主要有“學習分析”“大數據”“數據挖掘”“在線學習”“學習行為”“人工智能”“學習投入”“協作學習”“可視化”“在線課程”“機器學習”“學習環境”“智能教育”“學習者”。這體現出，在學習分析領域，國內學者主要是基于對大數據、數據挖掘、人工智能等技術和機器學習等算法的探索，測量并收集學習者在在線課程中的各類學習行為數據，分析學習者進行在線學習時的學習投入、協作學習等情況，以可視化的方式輸出結果，研究構建與優化智慧學習環境，推進智能教育。

其中，“學習分析”的中心度數值為1.27，頻次為685，它是知識圖譜中最為核心的節點，作為中心樞紐把其他關鍵詞聯系起來。前三個關鍵詞的頻次都在50次以上，是強勢關鍵詞，比靠后的關鍵詞的頻次要高出許多，這說明學者們對“學習分析”“大數據”“數據挖掘”進行了長期探索與深入研究。前六個關鍵詞的詞頻與中介中心度在表格中均位列前十，這體現出“學習分析”“大數據”“數據挖掘”“在線學習”“學習行為”和“人工智能”在研究中受到學者關注。此外，“機器學習”“學習環境”“智能教育”和“學習者”這幾個雖然不是強勢關鍵詞，也不在頻次排名前十的關鍵詞中，但它們的中心度均高于0.22，起到連接其他關鍵詞的重要樞紐作用，在學習分析領域有著不可忽視的地位。

2.4.2" 關鍵詞聚類分析

使用CiteSpace對關鍵詞進行聚類分析，繪制關鍵詞聚類圖譜，得到10個方面的聚類，如圖4所示。通常當圖譜中的聚類模塊值（Modularity）Q值超過0.3時，表明聚類結構是顯著的；當聚類平均輪廓值（Silhouette）S值超過0.7時，意味著聚類結果是令人信服的。該圖譜的Q值為0.795 1，

遠大于0.3；S值是0.972，遠大于0.7。這充分說明該圖譜的聚類結構顯著，并且聚類結果高度可信。SIZE表示聚類大小值，選擇SIZE值在15及以上的前六個聚類，進行如下分析。

聚類0是“學習分析”，SIZE值為89，主要共現的核心關鍵詞有學習分析、大數據、網絡學習、3D打印、SPOC等。陸巖等[3]指出當前學習分析研究主要聚焦三大主題，即大數據背景下的學習分析模型框架的設計研究，學習分析工具及應用研究，學習分析對學習活動、過程的優化研究。

聚類1是“大數據”，SIZE值為31，主要共現的核心關鍵詞有大數據、分析技術、關聯規則、數據挖掘、應用研究等。學習分析是大數據技術在教育領域的典型應用，我國學者自研究學習分析領域以來，對大數據技術進行了長期探索。例如：2014年，馮翔等[4]引入大數據技術，設計了以Hadoop為核心的學習分析系統，構建基于學習分析的智能數字化教育服務，并列舉了此技術方案的具體應用案例；2016年，趙慧瓊等[5]構建了數據安全與隱私保護框架，并提出相關策略，以期提高利

用學習分析技術進行大數據研究的成效；2021年，韓小燕等[6]基于教育大數據構建了以學習分析為核心的“信息采集—成績預測—干預措施—效果評估”四環節循環結構學習干預模型，以期能夠有效引導高職學生學習，化解學習危機，促進個性化教學。

聚類2是“人工智能”，SIZE值為24，主要共現的核心關鍵詞有人工智能、在線教學、高職、精準教學、影響因素等。人工智能技術是學習分析領域的核心技術之一，基于人工智能的學習分析技術對實現精準教學、提高教學質量等有重要作用。例如，周進等[7]認為融合人工智能技術的學習分析在推動計算教育學發展、培育數據驅動思維、構建終身學習服務體系、提升教育治理水平等方面具有極大潛能；何皓怡等[8]提出了人工智能技術支持的協同知識建構過程分析模型，以實現智能技術與協同知識建構過程分析的融合，進而促進學習績效的提升。

聚類3是“協作學習”，SIZE值為23，主要共現的核心關鍵詞有協作學習、信息技術、可視化、在線課程、個性化等。協作學習，尤其是在線協作學習是學習分析領域研究的一個重要方面，學習分析技術的興起為協作學習提供了新的發展機遇和空間。例如，鄭婭峰等[9]基于學習分析的視角，構建了面向計算機支持的協作學習分析模型，來有效識別群組成員的交互結構，并基于該模型設計開發了支持在線協作學習過程分析的交互式可視化工具，在在線課堂中開展了實踐研究。

聚類4是“數據挖掘”，SIZE值為23，主要共現的核心關鍵詞有數據挖掘、學習行為、分類、合作學習、網絡課程等。數據挖掘技術在教育領域的價值一直以來都對學界有著巨大的吸引力，相關研究者致力于使用該技術對教育教學系統的海量數據進行挖掘，比如，挖掘學習者在學習網絡課程時的各種學習行為、合作學習方面的數據，以發現這些教育數據的潛在價值，從而優化教與學。

聚類5是“機器學習”，SIZE值為19，主要共現的核心關鍵詞有機器學習、在線學習、模型、自主學習、智能教育等。機器學習在學習分析領域有著不可忽視的重要地位，機器學習技術的可解釋性是人工智能與教育教學深度融合、推進智能教育的關鍵所在。例如，張曉峰等[10]聚焦學習云空間中學習主體認知投入相關數據的獲取，提出基于機器學習的認知投入量化方法。

2.5" 前沿演進分析

突現詞是指在一定時期內出現頻次高、變化速度快的詞，通過對突現詞進行有效梳理與追蹤，能夠探索某一領域的研究前沿，從而有助于把握該領域的未來發展方向。在Citespace中，選擇Burstness，設置γ=0.6，共獲得15個突現詞，如圖5所示，該圖展示了每個突現詞的名稱（Keywords）、突變強度（Strength）、突變起始年份（Begin）和突變結束年份（End）。

由圖5可知，在我國學習分析領域的研究初期，2012年，研究者開始研究“數據挖掘”“電子書包”

“學習過程”，且對這三個方面的研究熱潮均持續了三年或三年以上，進行了深入探索；2013和2014年，分別開始關注“教育數據”與“模型”。在研究中期，學界逐漸將目光聚焦于“混合學習”“網絡學習”，研究“學習科學”“教育技術”“教學設計”，探究學習分析在教學中的實踐應用，試圖改進教與學，但研究熱潮的持續時間相對較短。在研究后期，自2020年開始，隨著對學習分析的不斷深入研究，同時在疫情防控期間大規模在線教育的背景下，面對學生在線學習中出現的各種問題，研究者開始致力于探索學生在進行在線學習時的“學習投入”與“協作學習”，研究“機器學習”算法，旨在提升在線學習效果，保證在線教育質量；2021年，學界開始對“人工智能”與“智能教育”進行研究，挖掘學習分析在融合人工智能技術、推動智能教育中的巨大潛能。

其中，突現情況出現在2020—2023年，并且持續至今的突現詞能夠在一定程度上反映研究前沿，符合該條件的突現詞主要為“學習投入”“機器學習”“人工智能”和“智能教育”。并且，這四個關鍵詞的突變強度均大于2，處于較高水平，尤其是“學習投入”的突變強度最高，達到6.66，這說明它們在近幾年受到該領域學者的關注。

3" 研究結論與建議

3.1" 研究結論

經過對學習分析領域的相關文獻進行可視化分析，發現目前我國的學習分析領域研究存在一些不足，主要包括以下幾點。

3.1.1" 研究機構、作者之間的合作不夠充分，還未形成明顯的研究共同體

從研究機構網絡圖譜來看，通常是處在同一地域或同一學校的核心機構之間合作較頻繁，而不在同一地域、不屬于同一所學校的核心研究機構之間合作非常少，整體分布較分散，還未形成大范圍的明顯的研究共同體，不利于相關研究者對學習分析領域的研究成果進行充分的分享與交流。

3.1.2" 缺少從跨學科視角對學習分析領域的研究

學習分析領域涉及教育學、信息科學、系統科學、認知科學、工程學、心理學等多種學科，需要進行跨學科拓展與合作。從研究機構網絡圖譜可知，目前研究者的學科背景多為教育學和信息科學，缺少與其他學科的合作。通過對相關文獻的梳理，發現目前已經有一些研究者開始注意到學習分析領域需要加強跨學科的交叉合作，但大多只停留在意識層面或進行了簡單的理論探討，在文獻中通常是在“未來趨勢”部分有所提及，并沒有真正從跨學科的視角出發研究學習分析領域。

3.1.3" 在實踐應用中以高等教育領域為主，面向基礎教育、職業教育等領域較少

通過調研文獻，發現目前在學習分析領域的實踐應用中，主要是針對高等教育領域進行研究，面向基礎教育、職業教育、繼續教育等領域的文獻相對較少，而它們是在線學習中非常具有代表性的領域，這就可能導致學習分析領域的研究失之偏頗，沒有足夠了解和優化中小學生、高職學生等類型學習者的學習與學習情境。

3.1.4" 主要應用于在線學習環境，很少應用于線下課堂學習環境

George Siemens認為，實現對現實世界學習數據的采集是學習分析的重要發展前景之一。當前，學習分析技術的應用環境絕大多數是線上，很少有研究者研究將其應用于線下課堂學習環境，這是學習分析面臨的機遇，同時也是挑戰。

3.2" 發展建議

針對以上不足，提出以下發展建議。

3.2.1" 加強核心研究機構之間的合作，構建研究共同體

對于不在同一地域、不屬于同一所學校的核心研究機構之間的合作，一方面，建議舉辦一些線下的學術交流講座，促進研究者之間的深入交流與探討；另一方面，也可以使用在線平臺進行定期的視頻會議，以便于研究者及時交流研究成果、進展情況和遇到的問題，促進學術思想的碰撞與融合。除此以外，研究機構之間還可以組織學習分析領域的聯合研究項目，將各核心研究機構的優勢結合起來，有助于提高研究質量，推動學術進步。

3.2.2" 加強學習分析領域的跨學科交叉合作

跨學科合作是學習分析發展的重要趨勢，需要重點關注與研究。建議該領域的研究者與其他學科的研究者組成研究團隊，積極進行合作，學習他們的學科知識與經驗，以打破學科壁壘，掌握更加全面的數據信息，促進跨學科的思想碰撞，共同對學習分析領域進行研究，解決復雜的問題。

3.2.3" 促進學習分析研究與實踐在教育各領域全面開展

加大對基礎教育、職業教育、繼續教育等領域的關注，促進學習分析研究與實踐在教育各個領域全面開展，以有針對性地了解和優化不同教育領域學習者的學習與學習情境，響應教育各領域對教學規律、方法、技術探索的需求。

3.2.4" 探索將學習分析技術應用于線下課堂學習環境

物聯網時代的學習分析有了新的發展，讓真實環境中的生物數據收集和處理成為可能。學界可以將學習分析技術與生物識別技術、傳感器技術、可穿戴設備、物聯網技術等相結合，追蹤與采集學生在線下課堂學習過程中的各種面部表情、肢體行為、語言等外顯數據和腦電、皮膚電、激素分泌等生理數據，從而探究學習者的認知與情感變化，實現學習分析技術在線下課堂學習環境中的應用，以優化線下教與學。

4" 參考文獻

[1] 張家華，鄒琴，祝智庭.國內近五年學習分析研究現狀的可視化綜述[J].浙江師范大學學報（社會科學版），2017，42（1）：117-124.

[2] 王良周，于衛紅.大數據視角下的學習分析綜述[J].中國遠程教育，2015（3）：31-37.

[3] 陸巖，趙威，馬曉義.學習分析的研究熱點與主題可視化分析[J].智庫時代，2020（8）：184-185.

[4] 馮翔，余明華，馬曉玲，等.基于大數據技術的學習分析系統架構[J].華東師范大學學報（自然科學版），2014（2）：20-29.

[5] 趙慧瓊，姜強，趙蔚.大數據學習分析的安全與隱私保護研究[J].現代教育技術，2016，26（3）：5-11.

[6] 韓小燕，曹培培.基于大數據學習分析的高職學生學習干預模型研究[J].邢臺職業技術學院學報，2021，38（1）：29-31，42.

[7] 周進，葉俊民.智能時代學習分析再認識及其發展路徑[J].數字教育，2021，7（3）：9-14.

[8] 何皓怡，黃冬梅.人工智能技術支持的協同知識建構過程分析模型研究[J].中國現代教育裝備，2023（10）：8-10，18.

[9] 鄭婭峰，徐唱，李艷燕.計算機支持的協作學習分析模型及可視化研究[J].電化教育研究，2017，38（4）：47-52.

[10] 張曉峰，李明喜，俞建慧，等.面向學習云空間的認知投入量化研究[J].中國遠程教育，2020（5）：18-28，76-77.