基于CiteSpace的生成式人工智能教育應用研究可視化分析

0 引言

2022年11月，美國OpenAI公司發布Chat-GPT，這一里程碑式的事件標志著生成式人工智能邁出重要一步[]。生成式人工智能是一種應用機器學習算法和神經網絡模型從大量數據中學習對象的特征與規律，并能夠生成新的、符合特定要求對象的技術[2]。在數字化浪潮的推動下，生成式人工智能作為人工智能領域的重要分支之一，以其獨特的生成能力與創造力引領了教育變革。近年來，生成式人工智能在教育領域的應用越來越廣泛，從簡單的文本生成到復雜的音視頻和虛擬場景生成，其技術已滲透到教育的多個方面，為傳統教育模式注入了新的活力。深入探討生成式人工智能教育應用領域研究焦點與發展趨勢，對推動教育順應數字化時代的發展具有重要意義。

1數據來源與研究方法

本研究以“Generative Artificial Intelli-gence\"\"AIGC\"\"ChatGPT\"和\"education\"\"teaching\"作為主題詞，選取WebofScience核心合集數據庫進行文獻檢索，搜索時間設為2019年1月一2024年6月，經人工篩選，將重復文獻、與本研究主題不相關的文獻和非學術性文章剔除，最終確定336篇有效文獻作為研究樣本。隨后使用CiteSpace工具，采用文獻計量學方法，對這些文獻數據進行分析。

2 研究現狀概述

2.1研究文獻的發布時間與發文數量

通過對研究文獻發布時間與發文數量的統計分析發現（見圖1），關于生成式人工智能在教育領域應用的文章，2023年之前年均發文量不超過10篇。自2022年ChatGPT問世以來，這一領域的文獻數量呈現出激增態勢。2023年，聯合國教科文組織發布《生成式人工智能在教育和研究中的應用指南》（Guidance for generative AI ineducationandresearch），深入分析了生成式人工智能對教育的顛覆性影響，鼓勵各國合理應用此技術[3]。到2024年6月，發文量達到一個很高的水平，表明生成式人工智能教育應用領域的研究正處于持續走高的狀態，吸引了越來越多研究者的關注與投入，未來有望取得更多突破性成果。

2.2研究文獻的發文國家／地區分布

發文量排名前八的國家為美國（111篇）、中國（66篇）、英國（41篇）、澳大利亞（39篇）、印度（18篇）、西班牙（15篇）、德國（14篇）、韓國（14篇）。

圖12019年1月一2024年6月生成式人工智能教育應用領域的發文量趨勢

美國政府早在2016年便已將人工智能提升至國家戰略層面，其科研實力在全球范圍內處于領先地位，該國對教育也極為重視，因此在生成式人工智能教育應用領域的發文量遙遙領先，彰顯了該國在這一領域的顯著優勢 [4]。

我國在人工智能領域起步較晚，但依靠政府扶持、技術支持和持續且大量的資金投入，目前正處于蓬勃發展的黃金時期。在這一背景下，我國在生成式人工智能教育應用領域的發文量迅速攀升，位居全球第二，充分展現了我國在人工智能領域的強勁勢頭與巨大潛力。2023年我國發布《生成式人工智能服務管理暫行辦法》，支持使用生成式人工智能開展教育[5]。

發文量排名第三的英國在2024年發布《教育中的生成式人工智能》（GenerativeArtificialIntelligence（AI）inEducation），這一報告包含眾多一線從業者和研究專家的觀點，肯定了生成式人工智能在教育領域的合理化應用，并鼓勵教育部門積極使用這一前沿技術為學生提供更為個性化的教育服務[6]

3 研究熱點與前沿

3.1 研究熱點

關鍵詞是文章內容的高度提煉與濃縮。通過對關鍵詞的追蹤與分析，能夠捕捉到該領域的研究熱點。本研究選取2019年至2024年且時間切片為1的文獻進行分析，最終得到的關鍵詞共現圖譜如圖2所示。其中，節點大小代表關鍵詞出現的頻次，節點越大，關鍵詞頻次越高。從節點大小和頻次來看，“artificialintelligence”“generative ai”“largelanguage model”“generative artificialintelligence”“highereducation”“medicaleducation”“machinelearning”“naturallanguageprocessing”“generativeadversarial network”“deep learning”頻率較高，可以看作本研究領域的熱點。

此外，中介中心性也是衡量節點在知識圖譜中重要性的一個關鍵指標，且中介中心性數值越高，該節點在知識圖譜中的重要性越高。通過對中介中心性大于0.1的節點進行篩選，共得到70個關鍵節點，表1對頻次大于4的30個關鍵詞進行羅列，按照中心度大小降序排列。從中心度來看，“artificial intelligence”“generativeai”“deep learning”“model”“largelanguagemode”“design”“medicaleducation”“machine learning”“generativeadversarialnetwork”“education”是研究的重點。經過對兩種排序對比發現，其研究熱點與重點基本保持一致，未見顯著差異。這進一步表明，隨著頻率的增高，中介中心度也相應增大。因此，這些關鍵詞在一定程度上能反映生成式人工智能教育應用領域的研究熱點。

3.2關鍵詞聚類分析

為了使關鍵詞的聚類結果更加全面且有說服力，本研究使用對數似然率算法（Log-LikelihoodRate，LLR）生成關鍵詞聚類，并取關鍵詞作為聚類名稱，得到聚類結果如圖3所示。其中，圖譜參數模塊度 Q （ModularityQ）值為0.6019， Qgt; 3時，聚類視圖具有明顯的結構，聚類劃分結果是顯著的，故此圖譜結構清晰；平均輪廓值S（MeanSilhouette） gt;0.7 ，說明聚類結果高效且有可信度。聚類結果中的 S 值為0.80063，故此聚類圖譜結構顯著，聚類結構高效且令人信服。生成式人工智能教育應用的聚類知識圖譜劃分為10個聚類（圖3），數字越小意味著聚類中包含的關鍵詞越豐富，一個聚類由多個高度關聯的詞匯組成（表2）。為了進一步提煉和概括，本研究將10個聚類進一步歸納為以下四大類。

3.2.1數據驅動下的教育評估與反饋

由表2可知，類別一包括#9（Dataminingtechnique），#l2（Information），其主要聚類標簽詞包括datamining（數據挖掘）、authenticassessment（真實評估）、tertiaryeducation（高等教育）、topographicmapping（地形測繪）、readability（可讀性）和activation（激活）等。數據在生成式人工智能中占據核心地位，是驅動模型訓練、知識生成和智能互動的基礎[7]。生成式人工智能基于大數據和深度學習的技術支撐，對學生在學習過程中的知識掌握、技能應用和學習態度等多元數據進行挖掘，實時監測學生的學習進展與狀態，通過分析學生的學習數據預測他們的學習趨勢，以用于教育評估與反饋[8]。相較于傳統評價方式，這種評估方式更加注重學生的學習過程，能及時發現潛在問題，且數據的準確性和客觀性更高，能有效降低主觀性對評價結果的影響。當前教育評估方面的研究熱點主要集中在高等教育階段，用于高等教育評價與管理。

表1關鍵詞中介中心性排序（前30名）

圖3研究文獻的關鍵詞聚類圖譜

生成式人工智能可以對教師在課堂上的教學活動進行綜合分析，包括教學內容、教學方法和學生的參與度等多個維度，并結合學生的反饋和評價，對教師的教學質量進行全面評估。通過構建數字導師等虛擬角色，幫助教師提升教育評價的準確性，提供更豐富的決策支持[9]。此外，生成式人工智能可以自動批改作業和試卷，提高評估的效率和準確性，而且系統可以識別學生的答案模式，評估學生對知識的掌握程度和答題技巧[10]

表2共現網絡聚類表

3.2.2 智能化教與學的新范式

由表2可知，類別二包括#1（Personalizedlearning），#4（Deep learning），#8（Artificialintelligence），#2（Generative ai），其主要聚類標簽詞包括personalized learning（個性化學習）、predictiveanalytics（預測分析）、behavioralintention（行為意向）、adaptiveeducation（自適應教育）、intelli-gent tutoringsystems（智能輔導系統）、self-regulatedlearning（自主學習）、improvingclassroomteaching（改善課堂教學）、learningenvironments（學習環境）、policymaking（政策制定）、academicintegrity（學術誠信）、teachingskillstraining（教學技能訓練）和preservice teachers（職前教師）等。

從學習方面來看，個性化學習是一種以學生為中心，根據每個學生的獨特需求和潛能定制學習策略和方法，以促進其全面發展的學習方式[]。首先，生成式人工智能可以根據學生的歷史學習數據和行為模式預測分析其學習需求和興趣點，提供個性化的學習資源和推薦[12]。其次，生成式人工智能可以實現自適應學習，將獲取到的學生數據反饋給已有的知識圖譜，動態調整教學內容和難度，為學生量身定制課程與練習題，依據個人能力水平設定適宜的難易程度與學習進度，確保每個學生都能在適合自己的學習軌道上，避免“一刀切”教學方式帶來的問題[13]。再次，生成式人工智能可以基于啟發性內容生成能力為學生定制有針對性的學習資源與素材，幫助學生從多元視角深刻剖析知識點，激發其探索欲望，提升其創新能力，支持學生深度學習的過程。最后，生成式人工智能具有預測分析、識別行為意向的作用。當其識別出可能存在的心理健康問題、學習壓力過大的情況，或者預測出學生在未來可能遇到的困難和挑戰，及時提供干預措施。

從教學方面來看，在備課階段，生成式人工智能可以協助教師尋找符合教學場景需求的教育資源，優化教學設計，進行教學技能訓練；在授課過程中，生成式人工智能基于學生的學習反饋，發現教學中的問題和改進點，及時調整教學策略，為教師提供精準的教學支持[14]；在課后，生成式人工智能可以根據學習情況，自動生成符合學生認知水平的練習題和案例分析，并對作業和試卷進行自動批改，提供詳細且直觀的可視化報告，減輕教師負擔。對于個體學習者，生成式人工智能展現出其作為個性化助教的獨特價值。智能輔導系統不僅可以根據與學習者的實時交互情況靈活選擇和采用多種導學模式，為自主學習過程提供適應性學習支架，還可以在課堂環境中擔任助教角色，依據實時教學互動場景為教師提供靈活的交互式教學支持，優化課堂體驗與效果[15]

3.2.3 醫學教育中的前沿應用

生成式人工智能在醫學教育領域表現出了巨大潛力。由表2可知，類別三包括#0（Medicaleducation），#4（Deep learning）和#5（Surgicalai），其主要聚類標簽詞包括largelanguagemodel（大型語言模型）、deepneuralnetwork（深度神經網絡）、medicalimaging（醫學成像）和natural language processing（自然語言加工）等。其中，大型語言模型（Large Language Model，LLM）是一種深度學習算法，利用循環神經網絡（RNN）或變換器等架構構建的模型，執行各種自然語言處理（NLP）任務[16]。大型語言模型作為生成式人工智能在自然語言處理領域的重要應用，其特性在醫學教育中展現出顯著優勢。

在醫學理論教學方面，生成式人工智能可以用于知識問答、病例分析、虛擬患者交互等場景，幫助學生更好地理解和掌握醫學知識。其敏捷性表現在能夠快速生成一系列患者病例，提供豐富的案例資源，且能有效地從海量醫學文獻中提取出有價值的信息和知識點。WEBB[17]認為生成式人工智能可以提高急診醫生的溝通技巧，特別是向病人傳遞難以理解的專業術語方面的能力。

在臨床教學方面，生成式人工智能使傳統訓練方法得到重大轉變，它可以為醫學生創造全真的醫療場景進行實踐，這是一種現實且無風險的模擬環境[18]。更重要的是，它可以創造患有各種疾病的患者模型，用于模擬外科手術或其他醫療干預措施。這種學習過程更加嚴謹且真實，大大豐富了醫學生的實踐經驗。

在整形外科教學方面，人工智能圖像生成技術被巧妙地應用于基于案例的學習圖像生成中，如模擬并生成皮膚腫瘤等真實醫療場景的照片，為醫學生提供豐富且真實的視覺資料[19]。

在醫學課程中，人工智能所生成的圖像不僅高度仿真，而且能夠根據學習需要進行定制，為醫學生提供反思性練習的機會，幫助他們提高臨床決策能力[20]

3.2.4科學研究的新動力

由表2可知，類別四包括#6（Taskanaly-sis），#3（Design scienceresearch），其主要聚類標簽詞包括sciencestudies（科學研究）、scientificpractice（科學實踐）、datamodels（數據模型）、explainable artificial intelligence（解釋人工智能）、deeplearning（深度學習）、statisticallearning（統計學習）、associativelearning（聯想學習）和symbolsystems（符號系統）等。處理和分析大量的科學數據是科學研究的基礎。從積極方面看，生成式人工智能通過自動編碼、挖掘數據等任務，幫助教育研究者快速篩選和處理數據，提高研究效率，在一定程度上可以發現新的規律和知識[21]。以 ChatGPT為例，其背后嵌入的轉換編碼一解碼器為核心的指示微調技術、思維鏈技術等可以支持教育工作中批量、個性化地分析每位學生的學習行為[22]。在研究方案、文獻檢索、科研選題、數據處理、圖表制作等方面，生成式人工智能都可以提供巨大的幫助。當然，其消極面亦不容忽視。生成式人工智能可能會帶來質量失控、倫理失調、認知淺化、創新墮化、隱私泄露等風險[23]。對此，各國教育界紛紛出臺相關使用政策以限制生成式人工智能在學術與學業方面的濫用。

3.3 研究前沿

使用CiteSpace對突現詞進行探測是關鍵步驟之一。突現詞代表特定時間段內主題或關鍵詞的突然增加或減少，反映了研究領域的熱點變化。同時，突現詞還能幫助研究人員預測未來可能的研究趨勢和方向。本研究選取突現強度排在前八位的關鍵詞進行展示（圖4），清晰明了地探測了生成式人工智能教育應用領域的研究前沿和演進發展趨勢，為未來研究提供重要參考。其中，生成對抗網絡作為一種強大的生成模型，可以生成逼真的圖像、視頻等多媒體內容，用于創建虛擬學習環境、模擬實驗場景、個性化學習資源等，在教育領域具有廣泛的應用前景。此外，深度學習、機器學習等也為教育創造了更多可能性。

4研究結論

本研究使用CiteSpace軟件對年度發文量、發文國家、關鍵詞聚類、關鍵詞突現進行分析，研究生成式人工智能在教育領域應用的現狀、熱點和趨勢，得出以下結論。

1）通過對2019年1月一2024年6月的發文量進行分析可知，生成式人工智能教育應用領域的研究呈蓬勃發展態勢，這表明生成式人工智能在教育行業扮演著愈發重要的角色，將引領未來教育模式的創新與變革。國家發文量往往能直觀地反映該國在科研領域的活躍度和影響力，目前該領域發文量排前三的國家為美國、中國和英國，這一數據展示了這三個國家在生成式人工智能教育應用研究領域的卓越地位。

2）通過對共現圖譜的分析可以看出，除了生成式人工智能、生成對抗網絡、大型語言模型等涉及技術層面的關鍵詞之外，高等教育、醫學教育、深度學習、機器學習、個性化學習是近幾年的研究熱點。具體來說，高等教育作為一個龐大的體系，其內部的教學方法和學習模式正在經歷由傳統向現代的轉變，而生成式人工智能和大型語言模型等技術為高等教育帶來了全新的教學工具和資源。深度學習和機器學習作為人工智能領域的兩大核心技術，能夠處理和分析大量的數據，從中提取有價值的信息，為教育決策提供支持，因此，深度學習和機器學習在教育領域應用的研究也備受關注。

3）從聚類圖譜和突顯圖譜的結果來探尋研究熱點與前沿趨勢，并將其劃分為四個類別：數據驅動下的教育評估與反饋、智能化教與學的新范式、醫學教育中的前沿應用、科學研究的新動力。每個類別都代表了當前該領域的核心發展方向，為我們指明了未來研究的新路徑。總體來看，生成式人工智能打破了傳統的單向評價模式，轉向一種更加全面、多元和互動的評價機制，超越了傳統評價對任務結果的單一衡量。生成式人工智能深入滲透學生學習和教師教學的全過程，實現了對整體過程的全面捕捉與理解。這一轉變不僅促進了教與學內在價值的追求，也激發了教師持續提升教學質量的動力，同時提供了一個全新的視角來審視教育，讓教育變得更加人性化、科學化和智能化，為相關教育領域的科學研究提供新的動力。其中，生成式人工智能在醫學教育領域的應用受到廣泛關注，為醫學教育帶來諸多創新和改進。

5 結束語

生成式人工智能在教育領域的應用在一定程度上可看作一個復雜的系統工程，需要多個領域的學者和研究人員共同參與協作。未來的研究需要與計算機科學、教育學和心理學等領域加強合作交流，共同探索生成式人工智能在教育領域的應用前景與潛在價值。教育領域的技術需求還在不斷地演進更新，我們要持續關注新技術的發展，以期待涌現更多創新實用的教育應用更好地服務教育事業。

隨著生成式人工智能在教育領域的深入應用，倫理和隱私問題成為不可忽視的重要議題，學生的個人數據安全和隱私保護是首要關注點。在投入使用時系統通常需要收集處理并分析大量學生數據，包括學習行為、成績與偏好等敏感信息，如何確保這些數據不被濫用或泄露，是研究者和技術開發者必須嚴肅對待的問題。同時，AI算法的復雜性與不透明性可能會導致學生對評估結果產生懷疑，影響他們對學習的信任度與積極性，甚至可能會帶來類似于數據偏見與歧視的潛在的倫理風險。在未來的研究中，不僅要關注技術的創新應用，更要重視并處理好倫理與隱私問題。通過制定嚴格的數據保護政策、提高算法的透明度與可解釋性、加強對學生和教師的倫理教育，確保生成式人工智能在教育領域的應用更加安全、公正和有效。

6 參考文獻

[1]劉進，于宜田，高媛．面向模式IⅢ推進計算高等教育學學科建設[J].高校教育管理，2024，18（4）：60-69，88.

[2]陳小明．生成式人工智能技術對醫學科技期刊學術生產

與出版的影響[J].編輯學報，2023，35（增刊1）：132-136.

[3]Guidance for generative AI in education andresearch[EB/OL].[2024-12-10].https：//lib.scu.edu.cn/genai/static/wenjian/Guidance%2ofor%20generative%20AI%20in%20education%20and%20research.pdf.

[4]曹玲靜，張志強．二十一世紀以來美國科技政策主題分析及發展態勢研判[J].情報學報，2024，43（5）：616-632.

[5]生成式人工智能服務管理暫行辦法［J]．中華人民共和國國務院公報，2023（24）：39-42.

[6]王帥杰，湯倩雯，楊啟光．生成式人工智能在教育應用中的國際觀察：挑戰、應對與鏡鑒［J]．電化教育研究，2024，45（5）：106-112，120.

[7]胡楓，張超．生成式人工智能的理論審視、風險揭示及治理路徑：以ChatGPT為視角［J]．南京郵電大學學報（社會科學版），2024，26（6）：45-52.

[8]ANNUS N. Chatbots in Education：The impact ofArtificial Intelligence based ChatGPT on Teachersand Students[J].International Journal of AdvancedNatural Sciences and Engineering Researches，2023，7（4） ：366-370.

[9］李艷燕，鄭婭峰．生成式人工智能的教育應用［J]．人民論壇，2023（23）：69-72.

[10] MAO J，CHEN B，LIUJC.Generative artificialintelligence in education and its implications forassessment[J].TechTrends：Linking Researchamp;Practice to Improve Learning，2024，68（1） ：58-66.

[11]朱曉青．從自學到互學：人工智能視域下成人教育的時空觀考察[J]．成人教育，2024，44（4）：20-25.

[12]于浩，張文蘭，楊雪瓊.生成式人工智能在教育領域的應用、問題與展望[J].中國成人教育，2023（7）：30-36.

[13]ROMERO C，VENTURA S.Data mining ineducation[J].Wiley Interdiplinary Reviews：DataMining and Knowledge Discovery，2013，3（1）：12-27.

[14] KADARUDDIN K. Empowering education throughGenerative AI：Innovative instructional strategiesfor tomorrow's learners[J].International Journalof Business，Law，and Education，2023，4（2） ：618-625.

[15] SIFALERAS A，LIN F H. Generative Intelligenceand Intelligent Tutoring Systems：2Oth InternationalConference，ITS 2024[M].Cham：Springer，2024.

[16]張熙，楊小汕，徐常勝.ChatGPT及生成式人工智能現狀及未來發展方向［J]．中國科學基金，2023，37（5）：743-750.

[17]WEBB JJ.Proof of concept：using ChatGPT to teachemergency physicians how to break bad news[J].Cureus，2023，15（5）：e38755.

[18] GERSHMAN S J.The Generative Adversarial Brain[J].Frontiers in Artificial Intelligence，2019（2）：18.

[19]KOLJONEN V.What could we make of AI in plasticsurgery education[J].Journal of plastic，reconstructiveamp; aesthetic surgery：JPRAS，2023，（81） ：94-96.

[20]HUSTONJC，KAMINSKI N.APicture Wortha ThousandWords，Created with One Sentence：Using ArtificialIntelligence-created Art to Enhance MedicalEducation[J].ATS Scholar，2023，4（2）：145-151.

[21］翁昱岑，李倫.教育中技術主義的人文困境及批判［J].電化教育研究，2024，45（7）：19-24，31.

[22]高意博，阮婷婷，蔣慧芳，等.ChatGPT催生情境－網絡整合學習新范式：來自新唯物主義的闡釋［J]．中國電化教育，2024（5）：22-31.

[23]吳南中，陳咸彰，馮永．從“失序”到“有序”：生成式人工智能教育應用的轉向及其生成機制［J].遠程教育雜志，2023，41（6）：42-51.