李昂

摘 要：个性化学习关注学习者的个体差异，符合当下以学习者为中心的学习趋势。文章以Web of Science核心数据库为数据来源，利用文献分析工具HistCite、SATI及Ucinet对样本文献进行引文分析和共词网络图分析，以探索国外个性化学习的研究现状与发展趋势，并进一步借鉴国外个性化学习领域的研究，为我国个性化学习的未来研究提出几点可行性建议。

关键词：个性化学习；现状与趋势；国外

中图分类号：G40-057 文献标志码：A 文章编号：1673-8454（2017）16-0009-06

一、问题的提出

个性化学习又被称为适应性学习，其核心在于以学习者为中心，适应学习者个体差异。个性化学习的思想起源可以追溯到我国古代教育家孔子“因材施教”的教育理念，近代人本主义理论中有关个性化学习的思想内核已被当代教育实践充分借鉴吸收[1]。《教育信息化十年发展规划（2011-2020年）》中指出教育要面向未来，育人为本，为学习者提供个性化学习、终身学习的信息化环境和服务[2]。《国家中长期教育改革和发展规划纲要（2010-2020年）》也提到要为学习者提供方便、灵活、个性化的学习条件[3]。个性化学习将是未来学习的新型方式。

个性化学习受到越来越多关注，而国内对个性化学习发展状况的研究还十分少，只有张文青的基于数据挖掘技术的国内个性化学习现状研究[4]和谭焱丹的新世纪国内个性化学习研究[5]，对国外个性化学习的研究现状更是缺乏系统的梳理。为明晰国外个性化学习研究的发展状况，文章基于引文分析对国外个性化学习研究从文献数量、核心期刊、核心著者、核心文献等方面进行分析，并通过共词网络图可视化呈现国外个性化学习领域的发展趋势，以期为我国个性化学习的研究提供有益参考。

二、研究设计

1.数据收集

文章以Web of Science核心数据库为数据来源，以Personalized Learning和Adaptive Learning为检索词进行主题检索。英国教育与通讯技术局在《个性化学习：技术提供机遇》中提到，个性化学习不同于强调独立性的个别化学习（Individualized Learning）[6]，因此此次未将Individualized Learning作为检索词。删除与主题无关、重复的记录后得到初始记录305条。将305条初始记录导入HistCite中得到初始记录的共同高引文献，将引用次数大于8次且未包含在初始记录中的22条文献记录手动添加到初始文献样本中，最终得到至2016年12 月的文献记录327条。

2.研究方法

引文分析指为揭示专著文献等的数量特征和内在规律，借助数学统计学以及逻辑学方法分析其引用与被引用情况的文献研究方法[7]。文章使用HistCite对样本文献进行引文分析，从文献数量、核心期刊、核心著者、核心文献等方面梳理国外个性化学习的研究现状。

词频分析法通过统计文献关键词出现的次数来反映某一领域的研究重点[8]。共词分析法可以统计某组词在同一文献中同时出现的次数，进而反映这些词之间的联系是否密切[9]。文章利用词频分析软件SATI提取文献高频关键词并构建共词矩阵，之后借助社会网络分析工具Ucinet及其内部集成的可视化工具 NetDraw生成共词网络图，进一步分析国外个性化学习的发展趋势。

三、研究内容及分析

1.时间分布

梳理文献的时间分布可以了解个性化学习研究的整体发展走向。从图1中可以看出，国外有关个性化学习的文献数量曲折上升，整体上呈增长态势。在个性化学习研究的起步阶段，相关文献很少，且这些文献绝大多數不能直接通过WOS主题检索得到，而是通过初始文献样本的高引文献获得，其主题大多集中在对适应性多媒体的研究。直到2006年，国外有关个性化学习的研究仍比较少，说明在此之前国际上对个性化学习的关注度不高，研究热度不大。但2007年到2009年，相关研究急剧增加，文献数量陡增，这可能是因为信息技术的发展为个性化学习提供了更大的发展空间，这一阶段对网络环境下个性化学习的研究逐渐成为主流。2009年之后，有关个性化学习研究的数量波动起伏，稍有上升，说明国外对个性化学习的研究历经了热潮之后，又回归到了一个相对缓和的状态。

2.核心期刊

持续关注核心期刊的文献可以了解个性化学习领域的研究重点与前沿。样本文献所涉及的期刊共131类，文章根据期刊的刊文数量（Recs）及本地文献被引频次（TLCS）两个指标来确定个性化学习领域的核心期刊。以刊文数量为序，排名前12的期刊见表1，其Recs之和为161，占总Recs的49%，TLCS之和为308，占总TLCS的47.7%。刊载有关个性化学习文献最多的三大期刊分别是Computer & Education、Educational Technology & Society和IEEE Transactions On Learning Technologies，可以看到，刊载在这三大期刊上的文献的被引频次TLCS也较高，说明这三大期刊在个性化学习领域占有重要地位。《计算机与教育》与《IEEE学习技术汇刊》这两大期刊的主要研究方向是计算机科学领域，《教育技术与社会》的主要方向是教育技术领域，这表明个性化学习不仅在教育技术领域，而且在计算机科学领域也引起了广泛关注。

3.核心著者

领域核心人物所进行的研究往往是该领域的研究重点与前沿。如表2，发文数量最多的前三位分别是Brusilovsky P、Hwang GJ和Chen CM，这三位学者不但发文数量名列前茅，且其文章的被引用率也很高，说明其在个性化学习领域的地位举足轻重。美国学者Brusilovsky P的研究方向主要有适应性网络系统、适应性多媒体及智能辅导系统等[10]，他持续关注个性化学习研究，对个性化学习的发展作出了重大贡献，特别是在2007年之前，有关个性化学习的文献数量很少，只有18篇，而在此段时间内，Brusilovsky P一人的发文量就达7篇之多。Hwang GJ和Chen CM都是台湾学者，他们对个性化学习的研究使得中国在个性化学习领域也占有一席之地。此外，希腊学者Papanikolaou KA的发文量虽然并不是很多，但她的文章引用率却相当高，其在E-Learning、计算机科学等领域都有相当高的成就[11]。

4.核心文献

关注个性化学习领域的核心文献可以更迅速全面地把握该领域的研究重点。文章以LCS为指标确定个性化学习领域的核心文献如表3所示。Learning And Teaching Styles in Engineering Education被引次数最多，这是一篇与学习风格有关的研究，此篇文献也是本次检索到的最早的文献，这说明有关个性化学习的研究最早是从对学习风格的研究中产生的。作者Felder RM与Silverman LK认为教师的教学风格要与学生的学习风格相匹配，他们基于对工程科教学将学生的学习风格分为五大方面，相应地教学风格也分为五大类。时隔多年，Felder RM于2002年将“归纳/演绎”从学习风格与教学风格中双双删除，将学习风格中的信息输入方式改为“视觉/语言”[12]。值得一提的是，此篇文献与检索词personalized learning或 adaptive learning无直接关联，是通过Histcite得到的初始文献样本的共高引文献。此外还可以发现，有4篇核心文献的作者是Brusilovsky P，这与前文分析得到的Brusilovsky P是个性化学习领域的核心著者相吻合。

5.发展趋势

将样本文献记录导入SATI中进行关键词字段抽取，再手动合并如“Personalization”与“Personalized”等同义关键词，最终的高频关键词如表4所示。构建高频关键词的共词矩阵可以看出各关键词是否与其它关键词存在联系，如表5。借助Ucinet内部集成工具Netdraw生成高频关键词的共词网络图，如图2，处于边缘节点的关键词代表该领域未来的研究趋势[13]。

由前文分析可知，2007年之前的文献只有18篇，在237篇样本文献中所占比例很小，因此高频关键词统计的主体部分是2007年及之后的文献，分析所得结果为近10年的发展趋势。文章结合共词网络图及相关文献对国外个性化学习领域的发展趋势进行分析，结果如下。

（1）实现MOOC与个性化学习的接轨

从边缘节点 “MOOC”可以看出，实现MOOC与个性化学习的接轨是个性化学习的发展趋势之一。2012年MOOC浪潮“海啸”般袭卷全球，但其所暴露出的一系列问题使得MOOC发展遭遇瓶颈。MOOC的特征决定了MOOC要获得可持续发展，必须做到大规模与个性化的统一，重视支持学习者的个性化学习[14]。MOOC允许学习者随时随地学习，其更加灵活的学习形式在一定程度上支持个性化学习，但这并不充分，仍有很大的改进空间[15]。

国外对MOOC充分支持个性化学习的研究主要集中在将混合学习形式作为MOOC的补充以及设计个性化应用软件辅助MOOC学习。在MOOC混合学习方面，Gynther K针对教师专业发展的个性化学习培训提出了一个以混合学习补充MOOC的设计框架用来指导相应的教学设计 [16]。MOOC教师没有充足的时间精力为MOOC学习者提供个性化学习指导，引导学习者坚持完成MOOC课程的学习，MyLearningMentor （MLM）是一款可以为MOOC学习者提供个性化服务的手机软件。MLM可以根据学习者的个人档案、学习偏好、任务的重要程度及先前的学习表现给MOOC学习者定制个性化的学习计划以促使他们完成MOOC课程，还会为学习者推送有关学习习惯与学习能力培养的小贴士以帮助MOOC学习者成长为自主学习者[17]。

（2）个性化学习系统构建的研究

从边缘节点“personalized recommendation”“recommender systems”“intelligent”“intelligent tutor system”等可以看出，构建个性化学习系统是个性化学习研究的重要方向，如个性化推荐系统与智能导学系统。

個性化推荐可以帮助学习者从海量学习资源中找到适合自己的学习内容。20世纪90年代个性化推荐作为一个独立的概念被提了出来[18]，其近年的迅猛发展得益于Web2. 0技术的成熟。在技术的支持下，学习者不再被动地接收早已设定好的学习内容，而是主动地隐性地控制自己将要学习的内容。项目反应理论（IRT， Item Response Theory）是国外构建个性化学习系统最主要的理论基础。ChenCM等人基于项目反应理论搭建了能够根据学习者明确反馈行为推荐合适难度学习材料的个性化E-learning系统并进行了实证研究，结果表明将IRT理论应用于网络学习能够有效地促进个性化学习[19]；之后为弥补原有推荐系统只能获取学习者明确反馈行为这一不足，ChenCM等人又基于模糊项目反应理论（Fuzzy Item Response Theory）构建了能够获取学习者非显性反馈的推荐系统[20]。

智能导学系统是另一种可以提供个性化学习服务的系统。智能导学系统能够根据学习者的知识掌握程度选取合适的教学策略，并在某种程度上能够模拟真实的教学专家开展教学活动，以达到对学习者进行个别化教学的效果[21]。要实现有效教学，智能导学系统必须要能够监控学习者的分心行为，CetintasS等人提出了一个能自动检测学习者分心行为的机器学习模型，它可以综合考虑时间特性、行为特性及鼠标移动特性，并且兼顾不同学习者的个性化的行为类型[22]。

（3）计算机技术支持个性化学习的研究

从边缘节点 “data mining”“collaborativefiltering”“clustering”可以看出，技术开发层面是个性化学习研究领域的另一大方向。个性化学习要适应不同学习者的特点，精确地实现个性化学习需要技术乃至更深层次算法的支持。

在国外的相关研究中，支持个性化学习的技术主要有数据挖掘技术，协同过滤技术、遗传算法及聚类算法等。Chun FL等人基于决策树数据挖掘技术构建了旨在培养学习者创造力的个性化学习系统，实证研究结果表明在应用混合决策树时，学习者有90%的可能会获得高于平均水平的创造力值，这说明数据挖掘技术是提供与创造力有关的适应性学习的一个很好的工具[23]。此外，还有KhribiMK等人使用基于内容的过滤及协同过滤的混合策略搭建了可以获取学习者的近期导航历史的个性化学习系统[24]；HuangMJ等人基于遗传算法和案例推理的方法，构建了既能调整课程难度又能保证课程连续性的个性化课程生成系统[25]。各种不同技术都有其各自的优缺点，在原有技术的基础上进行技术整合与算法优化可以进一步保证有效的个性化学习，如LazcorretaE等人通过对先验数据挖掘算法进行两步修改来实现个性化推荐的优化[26]。

四、启示与建议

文章通过引文分析和共词网络图分析系统梳理了国外个性化学习领域的研究。引文分析结果表明，国外个性化学习的研究于2007年逐渐兴起；Brusilovsky P、Chen CM及Hwang GJ等人是个性化学习领域的核心学者；有关个性化学习研究的核心期刊涉及教育技术及计算机等领域；个性化学习研究引用率最高的文献是早期有关学习风格的研究，个性化学习与学习风格关系密切。通过共词网络图分析发现国外个性化学习的发展趋势集中在MOOC与个性化学习接轨的研究、个性化学习系统构建的研究和技术层面支持个性化学习的研究等方面。

通过分析国外个性化学习领域的研究现状与发展趋势，借鉴其有益经验，为我国个性化学习的相关研究提出以下几点建议：

（1）重视个性化学习理念的教学实践

国外十分重视利用MOOC实现个性化学习，当下MOOC建设的承担者大多为知名高校，MOOC参与者也大多是高校学生及社会人士，因此MOOC有助力高等教育实现个性化学习的潜力。国内有关“MOOCs 个性化学习”的研究还比较少，特别是关于实践探索方面的研究比较匮乏[27]。实现MOOC与个性化学习的接轨，一方面可以将MOOC与线下学习结合优化线下学习的各个环节，如将MOOC作为教学资源的一部分辅助教学；另一方面可以開发插件与辅助性软件等增强MOOC功能，提高其对个性化学习的支持，如能够追踪学习者的学习习惯生成个人学习计划的辅助性小软件，或是能够根据学员的年龄阶段、初始水平、行业领域等个人标签将MOOC课程中成千上万的学习者划分为虚拟小班的插件，以消除MOOC学习中学习者的孤独感，增加其身份认同感。与国外相比，中国的基础教育有其特殊性，小班教学在国外早已全面展开，而中国的特殊国情使得大班教学仍是国内主流，国内学者应敏锐地注意到这一不同，注重基础教育中个性化学习的实现。作为一对一数字化学习环境下的学习工具，电子书包是助力基础教育实现个性化学习的有效工具，英特尔公司于2007年引入国内的一对一数字化学习就是一种以学生为中心的基于数字化计算设备的个性化学习方式[28]。实现电子书包的个性化定制可以进一步满足不同学习者的需求，如为不同年龄阶段的学习者提供适合其年龄的学习界面、认知工具等，面向不同的学科开发不同的交互方式等 [29]。

（2）重视个性化学习平台的开发与实践应用

个性化学习平台如个性化推荐系统、智能导学系统等，能够为学习者提供个性化学习服务。国外的个性化学习平台研究大都包括平台的设计、开发、应用以及效果评价整个实证研究过程，而相比之下，国内的研究大都停留在模型分析与设计层面[30][31]，开发出的可供使用的个性化学习平台寥寥无几。国内的个性化学习研究要走出“纸上谈兵”的“舒适区”，力求在平台的开发应用层面有所作为。作为交叉学科，教育技术研究者兼具教育学背景与计算机科学背景，计算机技术在教育领域的应用是教育技术关注的重点。国内个性化学习的关注点应适当从系统的设计层面转移到平台的开发层面，重视个性化学习平台的开发应用，在已有模型设计研究的基础上进一步实现个性化学习平台的开发、应用与评价。

（3）重视计算机技术研发对个性化学习的支持

国外个性化学习研究十分重视相关技术对个性化学习的支持，计算机方向的期刊刊载有关个性化学习的研究相当普遍。2015年《地平线报告》指出，适应性学习技术（软件或平台）以及个性化学习是未来3-5年采用的技术和需要解决的挑战[32]。技术是实现系统构建的工具，“工欲善其事，必先利其器”，对个性化学习相关技术的整合优化可以从两方面入手，一是实现不同技术算法的结合以弥补单独算法的缺陷[33]，二是对相关技术算法进行深层修改优化。技术的优化整合对研究者的计算机领域专业知识要求较高，所谓“术业有专攻”，教育技术研究者可以加强与计算机领域研究者的交流沟通，或是寻求跨学科合作，不但可以拓宽计算机学科的应用研究范围，也可以为个性化学习的研究提供技术保障。

参考文献：

[1]李广，姜英杰.个性化学习的理论建构与特征分析[J].东北师大学报，2005，（03）：152-156.

[2]http：//www.moe.edu.cn/publicfiles/business/htmlfiles/moe/s5892/201203/133322.html.

[3]http：//www.moe.edu.cn/publicfiles/business/htmlfiles/moe/moe_838/201008/93704.html.

[4]张文青，傅钢善.基于数据挖掘技术的个性化学习国内现状研究[J].中国医学教育技术，2015，（03）：243-246.

[5]谭焱丹.新世纪国内个性化学习研究综述[J].才智，2016，（28）：276-277.

[6]费龙，马元丽.发展个性化学习 促进教育公正——英国个性化学习基本理论及实践经验探讨[J].全球教育展望，2010，（08）：42-46.

[7]邱均平.信息计量学[M].武汉：武汉大学出版社，2007：316-317.

[8][9][13]张洁，王红.基于词频分析和可视化共词网络图的国内外移动学习研究热点对比分析[J].现代远距离教育，2014，（02）：76-83.

[10]http：//ischool.pitt.edu/people/brusilovsky.php.

[11]https：//www.linkedin.com/in/kyparisia-papanikolaou-a0b21713.

[12]Felder R.， SilvermanL..Learning and Teaching Styles in Engineering Education[J].Engineering Education，1988，78 （7）：674-681.

[14][15]任友群，赵琳，刘名卓.MOOCs距离个性化学习还有多远——基于10门国内外MOOCs的设计分析[J].现代远程教育研究，2015，（06）：3-10、29.

[16]GyntherK. Design Framework for an Adaptive MOOC Enhanced by Blended Learning： Supplementary Training and Personalized Learning for Teacher Professional Development [J].The Electronic Journal of e-Learning，2016，14 （1）：15-30.

[17]HoyosC A， Ayres IE，Sanagustín M P， et al. My Learning Mentor： A Mobile App to Support Learners Participating in MOOCs[J]. Journal of Universal Computer Science， 2015， 21（5）：735-753.

[18][33]刘建国，周涛，汪秉宏. 个性化推荐系统的研究进展[J].自然科学进展，2009，（01）：1-15.

[19]Chen CM， Lee HM， Chen YH. Personalized e-learning system using Item Response Theory[J]. Computers & Education， 2005，44：237–255.

[20]Chen CM， Duh LJ. Personalized web-based tutoring system basedon fuzzy item response theory[J]. Expert Systems with Applications， 2008，34：2298–2315.

[21]韓建华，姜强，赵蔚，刘东亮，BiswasG.智能导学环境下个性化学习模型及应用效能评价[J].电化教育研究，2016，（07）：66-73.

[22]CetintasS， Luo Si， Yan Ping Xin， et al. Automatic Detection of Off-Task Behaviorsin Intelligent Tutoring Systems withMachine Learning Techniques[J]. IEEE Transactions on Learning Technologies， 2010， 3（3）：228-236.

[23]Chun Fu Lin， Yu-chuYeh， Yu Hsin Hung， et al. Data mining for providing a personalized learning path in creativity：An application of decision trees[J]. Computers &Education ， 2013， 68 ：199–210.

[24]KhribiMK， JemniM，NasraouiO. Automatic Recommendations for E-Learning Personalization Based on Web Usage Mining Techniques and Information Retrieval[J]. Educational Technology & Society， 2009，12 （4）：30–42.

[25]Mu-Jung Huang， Hwa-Shan Huang， Mu-Yen Chen. Constructing a personalized e-learning system based ongenetic algorithm and case-based reasoning approach[J]. Expert Systems with Applications， 2006：1-14.

[26]Lazcorreta E， BotellaF， Caballero A F. Towards personalized recommendation by two-step modified Apriori data mining algorithm. Expert Systems with Applications， 2008， 35： 1422–1429.

[27]花燕锋.MOOCs环境下个性化学习的设计研究[D].吉林大学，2015.

[28]贾晓明， 姜涛.面向21世纪的1：1数字学习环境的构建[J].中国电化教育，2007，（11）：30-37.

[29]贺平，郑娟，王济军.电子书包应用现状与未来研究趋势[J].中国电化教育，2013，（12）：52-56、60.

[30]王永固，邱飞岳，赵建龙，刘晖.基于协同过滤技术的学习资源个性化推荐研究[J].远程教育杂志，2011，（03）：66-71.

[31]牟智佳，武法提.电子书包中基于学习者模型的个性化学习资源推荐研究[J].电化教育研究，2015，（01）：69-76.

[32]L·约翰逊.2015年地平线报告（基础教育版）：技术驱动教育变革[J]. 人民教育，2015，（17）：71-74.

（编辑：郭桂真）