2011年以来我国学习分析领域研究的可视化分析

摘"要：学习分析是近年来我国教育技术研究领域的热门话题。使用CiteSpace这一可视化工具并与文献计量学方法相结合，对我国2011年以来学习分析领域研究的发文量、作者分布、机构分布、研究热点和前沿演进进行分析，并基于此提出四点发展建议：加强核心研究机构之间的合作，构建研究共同体；加强学习分析领域的跨学科交叉合作；促进学习分析研究与实践在教育各领域全面开展；探索将学习分析技术应用于线下课堂学习环境。关键词：学习分析；CiteSpace；教育技术0"引言学习分析（LearningAnalytics）是教育技术领域的一项新兴技术，源于商业智能、网站分析等研究领域，自《2011地平线报告》发布后逐渐受到教育研究者的关注[1]。2011年，GeorgeSiemens等人发起并组织了第一届学习分析与知识国际会议（LAK），这次会议标志着学习分析成为一个相对独立的研究领域。这一会议此后每年都会举办。2012年，《教育技术和社会》杂志出版了关于学习分析的特刊。2013年，学习分析研究会（SoLAR）、国际教育数据挖掘研究会（IEDMS）等共同在斯坦福大学创建斯坦福学习分析夏季学院（LASI），为学习分析研究和应用培训提供相关支持。2014年，《学习分析期刊》首次发行。这一系列事件推动着学习分析技术不断向前发展，逐渐走向成熟。关于学习分析的概念，目前还没有达成定论，不同的研究者从不同视角出发，对其内涵有不同的诠释。其中，首届学习分析与知识国际会议将学习分析定义为“测量、收集、分析和报告关于学习者及其学习情境的数据，以期了解和优化学习和学习发生的情境”[2]，该定义被国际学者普遍认同并广泛应用。为了解我国学习分析领域研究的主要进展和现状，本文通过CiteSpace软件对2011年至今我国学习分析领域的相关文献进行可视化分析，以梳理出我国学习分析研究的热点与前沿，从而为进一步研究提供参考。1"数据来源与研究方法1.1"数据来源本研究的数据来源于CNKI（中国知网），使用其高级检索功能进行数据的筛选和获取。在检索条件中，以“学习分析”为关键词；期刊来源类型选择“全部期刊”；由于2011年举办的第一届学习分析与知识国际会议是学习分析成为一个相对独立的研究领域的标志，因此将年限范围设置为2011年至今；其他检索条件均为默认。检索日期为2023年12月16日。共检索到2085篇文献。由于主要分析国内对学习分析领域的研究，因此在检索结果中再选择“中文文献”，获得707篇文献。为保证文献的可靠性，通过人工筛选清洗掉述评、访谈、会议通知等不相关文献共22篇，最终得到文献685篇，这就是本次研究的研究样本。1.2"研究方法CiteSpace是由陈超美开发的一款知识、信息可视化软件。它能对期刊文献进行相关信息的提取，生成对应的可视化图谱，并通过对图谱的解读让使用者了解相关领域的主题、热点、联系、前沿和发展趋势。本研究使用文献信息可视化软件CiteSpace6.2.R6对所得样本数据进行处理和分析，同时运用Excel进行图表绘制。使用文献计量学等方法，绘制出学习分析相关研究的知识图谱，利用图谱直观地展示作者合作、机构合作、关键词共现、关键词聚类、突现词等，探寻我国学习分析研究领域的热点与前沿。2"研究结果分析2.1"发文量统计为了解2011年以来我国学习分析领域研究成果产出情况，本文以最终收集到的685条文献信息按照发表年份进行频次统计，并绘制出我国学习分析研究的发文量时间变化趋势，如图1所示。结果显示，2011年至今，我国学习分析领域研究成果丰富，是国内教育工作者关注的重点之一，其总体发展趋势表现为先增长、后保持的态势，可大致分为三个阶段。第一阶段是2012—2013年，处于萌芽起步阶段。2011年，学习分析刚刚在国际上被确立为一个相对独立的研究领域，此时我国学者还没有发表相关文献。从2012年开始，我国逐渐有学者对学习分析领域进行研究，比较有代表性的论文是顾小清等发表的《学习分析：正在浮现中的数据技术》。由此，学习分析在我国开始吸引越来越多学者的目光，并在教育领域得到进一步发展。这一时期在研究方向上，基本处于理论研究阶段，实际应用较少，重视学习分析在技术层面的研究，如朱珂和刘清堂提出一个应用学习分析技术的自适应学习系统框架。论文年发表量较少，均少于40篇，但发文量逐年增长，态势良好。第二阶段是2014—2019年，处于快速发展阶段。有关学习分析的研究快速增长，2014年发文量陡增，从前一年的14篇跃升到44篇，之后保持高发文量的态势，到2019年达到顶峰值96篇。在这期间，2015年8月，国务院印发《促进大数据发展行动纲要》，大数据在教育领域的运用是学习分析产生的前提，这在一定程度上推动了学习分析研究热潮的形成；2018年，《教育信息化2.0行动计划》出台，指出要积极推进“互联网+教育”，发挥技术优势，推进新技术与教育教学的深度融合，这一政策导向进一步激发了学者们研究学习分析领域的热情。在研究方向上逐步走向实践应用、实证研究。第三阶段是2020年至今，处于平缓发展阶段。这一时期，可能是受到新冠疫情的影响，国内关于学习分析的发文量略有下降，但可以预见总体仍然是向上发展的态势。在研究方向上开始注意跨学科融合，探索可持续发展。2.2"作者分布通过分析作者发表文章数量的情况，可以洞察其在该领域研究的持续性、深入程度和所作出的贡献。作者的分布情况可以在一定程度上反映本研究领域科研活动的发展进程。在CiteSpace运行主窗口中设置时间范围（TimeSlicing）为2012—2023，并设置YearsPerSlice为1，选择节点类型（NodeTypes）“Author”，设置selectionCriteria（topN=50），得到作者网络图谱，共涉及196个作者，如图2所示。图中每个节点代表一位作者，节点越大，意味着这个作者发文数量越多；节点之间的连线代表着作者之间的合作情况，连线越粗，意味着作者之间合作的强度越大。由图2可知，学习分析领域的研究者中，核心作者以赵蔚为首，武法提、顾小清、魏顺平、姜强次之；此外，牟智佳、马志强、郑勤华等也是该领域的高产作者，他们在学习分析领域进行了比较深入的研究，研究成果较多。在合作方面，作者节点数N为196，连接数E为173，密度Density是0.0091。从整个图来看，分散的节点较多，且这些节点总体较小，说明关注该领域的学者较多，但很多只发表了一篇或两篇文章，没有持续研究下去，通常进行独立研究，仅有部分作者尤其是高产作者间有较多的合作关系，学习分析领域整体还未形成明显的研究共同体。2.3"机构分布通过对某一机构发表论文的数量进行统计，可以在一定程度上反映其在该领域研究的持续性、深入程度和所作出的贡献。节点类型选择“Institution”，运行CiteSpace得到研究机构网络图谱，共涉及156个研究机构，如图3所示。从发文数量来看，华东师范大学教育信息技术学系、北京师范大学远程教育研究中心、东北师范大学计算机科学与信息技术学院、北京师范大学教育技术学院、华中师范大学教育信息技术学院排名前五，表明这五个机构（四所学校）在学习分析领域居于领跑地位。这与多数核心作者的所在单位高度吻合，凸显出这些机构聚集了一批研究学习分析的专家学者。其中，华东师范大学教育信息技术学系尤为突出，其发文量位居榜首，而且自2012年起即有相关研究成果发表，这体现出该机构对学习分析领域的研究在我国有重要的影响力和奠基作用。在研究机构的地域分布方面，呈现比较明显的集中于东部地区的趋势，而中部和西部地区的研究力量相对较弱。在研究机构的属性方面，绝大部分是师范类高校，少部分是综合类、理工类高校。在合作方面，由图3可知，我国学习分析领域的研究格局大致为，以华东师范大学教育信息技术学系为核心机构，以师范类高校为主要研究力量。研究机构节点数N为156，连接数E为81，密度Density是0.0067，主要研究机构与其他研究机构间有一定联系，但主要研究机构之间的合作较少，尤其是不在同一地区、不属于同一所学校的主要研究机构。从研究机构网络图谱来看，最为核心的机构华东师范大学教育信息技术学系与其他核心机构之间没有进行过合作。2.4"研究热点分析2.4.1"关键词频次与中心度统计分析关键词能够最直接地反映和概括一篇文章的主题与内容，频次和中心度高的关键词揭示了在一定时期内研究者们所共同关注的议题，反映了研究热点。关键词的频次越高，意味着其在该研究领域越受到关注；而中介中心度是衡量某个关键词在网络图中重要性的关键参考数据，中心度大于0.1的称为关键词的关键节点，节点中心度越高，其在该领域的地位就越重要。将节点类型设置为“Keyword”，运行CiteSpace软件，得到学习分析领域的关键词表，统计出高频次的前10个关键词和高中介中心度的前10个关键词，如表1和表2所示。由表1和表2可知，从2011年至今，我国学习分析领域的研究热点主要有“学习分析”“大数据”“数据挖掘”“在线学习”“学习行为”“人工智能”“学习投入”“协作学习”“可视化”“在线课程”“机器学习”“学习环境”“智能教育”“学习者”。这体现出，在学习分析领域，国内学者主要是基于对大数据、数据挖掘、人工智能等技术和机器学习等算法的探索，测量并收集学习者在在线课程中的各类学习行为数据，分析学习者进行在线学习时的学习投入、协作学习等情况，以可视化的方式输出结果，研究构建与优化智慧学习环境，推进智能教育。其中，“学习分析”的中心度数值为1.27，频次为685，它是知识图谱中最为核心的节点，作为中心枢纽把其他关键词联系起来。前三个关键词的频次都在50次以上，是强势关键词，比靠后的关键词的频次要高出许多，这说明学者们对“学习分析”“大数据”“数据挖掘”进行了长期探索与深入研究。前六个关键词的词频与中介中心度在表格中均位列前十，这体现出“学习分析”“大数据”“数据挖掘”“在线学习”“学习行为”和“人工智能”在研究中受到学者关注。此外，“机器学习”“学习环境”“智能教育”和“学习者”这几个虽然不是强势关键词，也不在频次排名前十的关键词中，但它们的中心度均高于0.22，起到连接其他关键词的重要枢纽作用，在学习分析领域有着不可忽视的地位。2.4.2"关键词聚类分析使用CiteSpace对关键词进行聚类分析，绘制关键词聚类图谱，得到10个方面的聚类，如图4所示。通常当图谱中的聚类模块值（Modularity）Q值超过0.3时，表明聚类结构是显著的；当聚类平均轮廓值（Silhouette）S值超过0.7时，意味着聚类结果是令人信服的。该图谱的Q值为0.7951，远大于0.3；S值是0.972，远大于0.7。这充分说明该图谱的聚类结构显著，并且聚类结果高度可信。SIZE表示聚类大小值，选择SIZE值在15及以上的前六个聚类，进行如下分析。聚类0是“学习分析”，SIZE值为89，主要共现的核心关键词有学习分析、大数据、网络学习、3D打印、SPOC等。陆岩等[3]指出当前学习分析研究主要聚焦三大主题，即大数据背景下的学习分析模型框架的设计研究，学习分析工具及应用研究，学习分析对学习活动、过程的优化研究。聚类1是“大数据”，SIZE值为31，主要共现的核心关键词有大数据、分析技术、关联规则、数据挖掘、应用研究等。学习分析是大数据技术在教育领域的典型应用，我国学者自研究学习分析领域以来，对大数据技术进行了长期探索。例如：2014年，冯翔等[4]引入大数据技术，设计了以Hadoop为核心的学习分析系统，构建基于学习分析的智能数字化教育服务，并列举了此技术方案的具体应用案例；2016年，赵慧琼等[5]构建了数据安全与隐私保护框架，并提出相关策略，以期提高利用学习分析技术进行大数据研究的成效；2021年，韩小燕等[6]基于教育大数据构建了以学习分析为核心的“信息采集—成绩预测—干预措施—效果评估”四环节循环结构学习干预模型，以期能够有效引导高职学生学习，化解学习危机，促进个性化教学。聚类2是“人工智能”，SIZE值为24，主要共现的核心关键词有人工智能、在线教学、高职、精准教学、影响因素等。人工智能技术是学习分析领域的核心技术之一，基于人工智能的学习分析技术对实现精准教学、提高教学质量等有重要作用。例如，周进等[7]认为融合人工智能技术的学习分析在推动计算教育学发展、培育数据驱动思维、构建终身学习服务体系、提升教育治理水平等方面具有极大潜能；何皓怡等[8]提出了人工智能技术支持的协同知识建构过程分析模型，以实现智能技术与协同知识建构过程分析的融合，进而促进学习绩效的提升。聚类3是“协作学习”，SIZE值为23，主要共现的核心关键词有协作学习、信息技术、可视化、在线课程、个性化等。协作学习，尤其是在线协作学习是学习分析领域研究的一个重要方面，学习分析技术的兴起为协作学习提供了新的发展机遇和空间。例如，郑娅峰等[9]基于学习分析的视角，构建了面向计算机支持的协作学习分析模型，来有效识别群组成员的交互结构，并基于该模型设计开发了支持在线协作学习过程分析的交互式可视化工具，在在线课堂中开展了实践研究。聚类4是“数据挖掘”，SIZE值为23，主要共现的核心关键词有数据挖掘、学习行为、分类、合作学习、网络课程等。数据挖掘技术在教育领域的价值一直以来都对学界有着巨大的吸引力，相关研究者致力于使用该技术对教育教学系统的海量数据进行挖掘，比如，挖掘学习者在学习网络课程时的各种学习行为、合作学习方面的数据，以发现这些教育数据的潜在价值，从而优化教与学。聚类5是“机器学习”，SIZE值为19，主要共现的核心关键词有机器学习、在线学习、模型、自主学习、智能教育等。机器学习在学习分析领域有着不可忽视的重要地位，机器学习技术的可解释性是人工智能与教育教学深度融合、推进智能教育的关键所在。例如，张晓峰等[10]聚焦学习云空间中学习主体认知投入相关数据的获取，提出基于机器学习的认知投入量化方法。2.5"前沿演进分析突现词是指在一定时期内出现频次高、变化速度快的词，通过对突现词进行有效梳理与追踪，能够探索某一领域的研究前沿，从而有助于把握该领域的未来发展方向。在Citespace中，选择Burstness，设置γ=0.6，共获得15个突现词，如图5所示，该图展示了每个突现词的名称（Keywords）、突变强度（Strength）、突变起始年份（Begin）和突变结束年份（End）。由图5可知，在我国学习分析领域的研究初期，2012年，研究者开始研究“数据挖掘”“电子书包”“学习过程”，且对这三个方面的研究热潮均持续了三年或三年以上，进行了深入探索；2013和2014年，分别开始关注“教育数据”与“模型”。在研究中期，学界逐渐将目光聚焦于“混合学习”“网络学习”，研究“学习科学”“教育技术”“教学设计”，探究学习分析在教学中的实践应用，试图改进教与学，但研究热潮的持续时间相对较短。在研究后期，自2020年开始，随着对学习分析的不断深入研究，同时在疫情防控期间大规模在线教育的背景下，面对学生在线学习中出现的各种问题，研究者开始致力于探索学生在进行在线学习时的“学习投入”与“协作学习”，研究“机器学习”算法，旨在提升在线学习效果，保证在线教育质量；2021年，学界开始对“人工智能”与“智能教育”进行研究，挖掘学习分析在融合人工智能技术、推动智能教育中的巨大潜能。其中，突现情况出现在2020—2023年，并且持续至今的突现词能够在一定程度上反映研究前沿，符合该条件的突现词主要为“学习投入”“机器学习”“人工智能”和“智能教育”。并且，这四个关键词的突变强度均大于2，处于较高水平，尤其是“学习投入”的突变强度最高，达到6.66，这说明它们在近几年受到该领域学者的关注。3"研究结论与建议3.1"研究结论经过对学习分析领域的相关文献进行可视化分析，发现目前我国的学习分析领域研究存在一些不足，主要包括以下几点。3.1.1"研究机构、作者之间的合作不够充分，还未形成明显的研究共同体从研究机构网络图谱来看，通常是处在同一地域或同一学校的核心机构之间合作较频繁，而不在同一地域、不属于同一所学校的核心研究机构之间合作非常少，整体分布较分散，还未形成大范围的明显的研究共同体，不利于相关研究者对学习分析领域的研究成果进行充分的分享与交流。3.1.2"缺少从跨学科视角对学习分析领域的研究学习分析领域涉及教育学、信息科学、系统科学、认知科学、工程学、心理学等多种学科，需要进行跨学科拓展与合作。从研究机构网络图谱可知，目前研究者的学科背景多为教育学和信息科学，缺少与其他学科的合作。通过对相关文献的梳理，发现目前已经有一些研究者开始注意到学习分析领域需要加强跨学科的交叉合作，但大多只停留在意识层面或进行了简单的理论探讨，在文献中通常是在“未来趋势”部分有所提及，并没有真正从跨学科的视角出发研究学习分析领域。3.1.3"在实践应用中以高等教育领域为主，面向基础教育、职业教育等领域较少通过调研文献，发现目前在学习分析领域的实践应用中，主要是针对高等教育领域进行研究，面向基础教育、职业教育、继续教育等领域的文献相对较少，而它们是在线学习中非常具有代表性的领域，这就可能导致学习分析领域的研究失之偏颇，没有足够了解和优化中小学生、高职学生等类型学习者的学习与学习情境。3.1.4"主要应用于在线学习环境，很少应用于线下课堂学习环境GeorgeSiemens认为，实现对现实世界学习数据的采集是学