胡晓玲 赵凌霞 范博

摘 要：为了解国内个性化学习的研究热点和趋势，本研究利用SATI 3.2、EndNote X7、知网研学和CiteSpace 5.7等软件对中国知网CSSCI数据库中与个性化学习研究相关的近20年的302篇文献进行量化统计。基于知识图谱的分析发现，目前我国个性化学习领域主要研究热点分为个性化学习内涵的理论研究、个性化学习平台的技术研究、个性化学习模型的设计研究、个性化学习资源的推荐研究四方面，未来研究趋势聚焦于支撑系统平台的技术和资源推荐的方式。文章的最后，笔者对我国个性化学习的未来研究作出展望。

关键词：个性化学习;可视化分析;CiteSpace;研究热点;趋势分析

引言

国外研究界定个性化学习是根据学习者不同的知识水平、性格爱好、情感动机等信息来满足其真实需求，激励并促进其学习，为终身学习做准备[1]。国内相关研究最早为古代教育家孔子所提倡的“因材施教”教育理念，在内涵界定方面，赵学孔等人认为个性化学习是针对学习者个体差异而开展的满足其个性化需求的学习方式[2]。虽然定义的视角有所不同，但都强调学习者的个体差异和个性需求。因此，结合现阶段发展，本文认为个性化学习是一种综合考虑学习者特征因素和学习环境因素，旨在促进学习者发挥自身潜能的学习理念，通过最新技术跟踪发现学习者的性格特征、学术水平和发展潜能，设计推荐满足学生学习最适宜的方法、路径、资源等。基于此，为了解我国个性化学习的研究现状，本文以与个性化学习相关文献作为研究对象，选用内容分析、词频分析、聚类分析等研究方法，依据客观统计数据绘制出知识图谱并进行分析解读，全方位地探究我国个性化学习研究的热点及趋势，以期为个性化学习研究的未来发展提供全面、切实的学术参考。

一、数据来源与研究方法

（一）数据收集及筛选

本文在中国知网的高级检索中，将文献来源类别限定为CSSCI，将“个性化学习”作为主题检索词，不限定检索年份（检索时间为2019年12月30日），检索到785篇文献。将检索文献以EndNote格式导入EndNote X7軟件，进行两轮筛选，第一轮纳入题目和关键词中有“个性化学习”的文献，对于有疑惑或不确定的文献，在第二轮阅读摘要和全文后纳入与个性化学习相关的文献，排除文件、通知、报告等，最终保留文献302篇，时间段为2002年到2019年。

（二）研究方法及工具

本文采用文献计量法、内容分析法、聚类分析法、词频分析法等方法，借助SATI 3.2、EndNote X7、知网研学和CiteSpace 5.7等分析工具，分别对个性化学习相关文献的发文量、关键词和突现词排名等数据进行量化统计并绘制知识图谱，结合知识图谱对我国个性化学习的研究热点及趋势展开分析讨论。

二、研究内容的知识图谱分析

（一）文献时间分布

如图1所示，国内有关个性化学习发表的文献数量呈波形变动，且在2016年和2019年数量迅速增长，达到两次高峰，这与国家颁布的《国家中长期教育改革和发展规划纲要（2010—2020年）》《中国教育现代化2035》等文件有密不可分的关系。从数据的整体发展趋势来看，我国个性化学习相关文献的发表数量整体上呈递增趋势。由此可见，个性化学习的研究越来越受到国内专家学者的重视。

（二）文献研究类型

研究类型的划分有助于了解相关文章的研究过程、结果与形式[3]。本文研究类型的分类借鉴了托马斯·C.里夫斯（Thomas C.Reeves）等人的文章[4]。如表1所示，解释性研究指通过记录与学习相关的现象来解释教育的具体运作，包括比较研究、历史研究等。本文将文献综述类文章也归入其中，经统计共147篇，占总数的48.7%，呈现逐年递增趋势，例如对个性化学习实施策略的解读。理论研究侧重于通过逻辑分析来描述理论知识，并从研究中获得相关理论性研究成果，共12篇，其中2019年的文献数量占50%，如探讨个性化学习的理论基础。开发研究是指设计和开发能够有效解决教育问题的新理论或新技术，通常侧重于创建和改进某些特定问题，共83篇，约占总数的27.5%，如个性化学习资源推荐系统等。实地研究与开发研究的不同在于研究者通常不寻求发现新的理论或技术，而是通过实践应用相关理论模型或技术产品来测试其实际效果，将访谈法、调查法等都归入此类，共57篇，其中包括有调查测试的开发类文章。评价研究集中在特定的程序、产品或方法上，目的是描述或评价它的有效性和价值，仅有3篇。

（三）关键词共现分析

使用SATI 3.2分析工具统计共得到753个高频关键词，总频次为1345次，除掉与研究无关的关键词，合并相近的关键词，最终保留累计频次排前20位的关键词，其百分比约为39.78%，这符合截取高频关键词累计频率达到总频率约40%的一般标准[5]，因此对其进行降序排序（见表2）。从表中可以初步了解国内个性化学习的研究热点，尤其是出现频次较多的关键词，如个性化学习、慕课、人工智能、学习分析、个性化推荐等。

（四）聚类分析

为了更加简洁、清晰地分析国内个性化学习的知识结构，本文将数据导入CiteSpace 5.7得到个性化学习的自动聚类标签视图（见图2），图中选取前六种聚类——聚类#0个性化学习、聚类#1学习分析、聚类#2个性化推荐、聚类#3 个性化、聚类#4用户模型、聚类#5 翻转课堂，与高频关键词结果基本一致。

（五）突现词分析

将数据导入软件抽取突现强度排名前19位的关键词并按爆发强度进行排序，通过分析Top19突现词可以发现，自2002年以来，关于个性化学习的关键词开始暴增。强度最高的关键词“个性化推荐”业已形成个性化学习领域的研究热点;最近爆发的关键词“人工智能教育”，进入个性化学习研究时间晚且到2019年末尚未结束，则说明人工智能教育在未来的个性化学习研究中有很大的影响力。

三、研究热点及趋势分析

（一）个性化学习内涵的理论研究

任何研究领域都少不了理论的支撑，目前个性化学习内涵的理论研究主要包括个性化学习的概念、特征、影响因素等。有关个性化学习的概念，学者们从不同视角给出不同的定义，有些偏重方式的转变，有些强调技术的使用，但其核心宗旨是相同的，即确信每个学生都是独特的个体，促进学生学习是主要目标。学者们对特征的分析也有不同见解，如从学习论视角可分为心智分析性、服务差异性和目标导向性等[6]。学生个性化学习的发展受到制约，需要从多方面探究影响个性化学习的相关因素，如环境、学生特征等因素。伴随国家政策的实施和个性化学习的发展，个性化学习内涵的理论研究越来越受到专家和学者的重视。

（二）个性化学习平台的技术研究

技术支持是实现个性化学习的核心力量。目前个性化学习领域中学习者特征分析、搭建系统平台等方面主要依托的技术有学习分析技术、人工智能技术等。国内外学者都对学习分析技术给予了较高的评价，且赵以霞等人研究发现在学习分析主题分类中个性化学习占据一大主题，并从2017年逐渐成为研究热点[7]。利用学习分析技术记录并分析学习者的特征、行为、学习过程等数据，为构建个性化学习资源系统奠定基础。而人工智能技术近几年（特别是2019年）深入教育领域，继而有了人工智能教育的提出。以“人工智能教育”为检索词在保留数据中检索得到42篇文献，发现从2018年起其发展呈现高膨胀性，这与政府的决策密切相关。在众多系统平台中Mooc最具代表性，传统课程学习中因受到资源与技术的限制无法实现真正的个性化学习，它的到来则为其提供了新的平台和土壤，使学生不仅能够根据所需自由学习，还能在后续学习中获得合适的、最新的学习资源推荐，有效提升了学生的主观能动性。因此，在学习分析、人工智能等技术的支持下构建各类系统平台，能够提升个性化学习研究在教育领域的地位。

（三）个性化学习模型的设计研究

当前个性化学习领域中模型的设计研究主要包括个性化学习者模型、个性化学习资源推荐模型和个性化学习路径模型三大类。個性化学习者模型的设计主要依附于学习者的基本信息、兴趣偏好、学习风格、行为特征等方面;而学习者的所有信息数据也是设计与实现个性化学习资源推荐模型和个性化学习路径模型的重要基础。如唐烨伟等人通过深入分析学习者的基本属性、学习过程和学习结果设计学习者模型，在此基础上规划与学习者相匹配的学习路径模型， 并呈现个性化学习资源[8]。在设计的各类模型研究中，占据比重较大的是学习者模型，且研究内容主要是理论上的构建，实证类的较少，因此需要加强实证类研究，将模型应用到实践当中。在个性化学习研究中，设计出符合学生个性特征和实际需要的各类模型，才能更加符合尊重学生个性特征的理念，进而促进个性化学习的高质量发展和学生的全面发展。

（四）个性化学习资源的推荐研究

在个性化学习领域中学习资源部分一直受到许多专家和学者的关注，他们从不同视角分析出多种不同的学习资源推荐方法。从2008年关于个性化学习推荐的文章开始，学者们对个性化学习资源的推荐的研究从未停止，根据视图可以了解到2009—2012年期间该主题在个性化学习研究中的影响最大。通过对已有文献研究进行整理发现，目前主要的个性化学习资源的推荐研究可分为以下几种：第一，只考虑学习者和资源;第二，包含学习者、资源和情境三方面;第三，依据个性化服务理念与资源管理视角;第四，使用不同的个性化学习资源推荐算法，主要有内容推荐、协同过滤推荐、多维关联推荐等，其中协同过滤推荐使用较多;第五，基于深度学习的个性化学习资源推荐方法。由此可见，目前关于个性化学习资源推荐的研究，不管是纳入的因素还是采用的算法都从单一逐渐转向多维关联，逐步推动个性化学习资源的推荐研究向个性化、多元化和智能化的方向迈进。

结合前文中对个性化学习研究热点的梳理和分析， 本文认为在个性化学习研究中，支撑系统平台的技术和资源推荐的方式将会是未来研究的重要领域，这既是当前的研究热点，也将成为未来一段时期内的主要研究趋势。

四、未来展望

在对已有研究热点及前沿分析的基础上，结合对相关文献的深入阅读，本文对我国个性化学习的未来研究作出如下展望。

首先，重视个性化学习内涵的界定。目前学术界对个性化学习的内涵界定大多从技术视角出发，如个性化学习是在高级阶段教育与技术深度融合的表现[9];同时也存在对个性化学习和个性化自主学习、个别化学习等概念界定不清的问题。2017年安德里亚·J.宾汉（Andrea J.Bingham）在国外一所高科技特许学校进行个性化学习的实践研究，结果表明实施的个性化学习模型都过于依赖学生自主性和自主学习的理念，而学生的自主性并不是自发的，这可能会对个性化学习的内涵界定造成误导[10];个性化学习也并不完全等同于个别化学习。为提高个性化学习未来研究的科学性，需要重视对内涵的界定，否则就会出现概念模糊或混淆的现象。

其次，注重研究类型的多元化。上述文献研究类型统计结果表明，样本文献集中解释性研究和开发类研究的数量居多（占76.2%），实地研究和理论研究数量较少，而评价类研究的数量最少，仅占样本总量的1%。因此，在日后的研究中要注重评价类型的研究，多开展多种研究类型交叉的综合性研究。同时也可以利用系统评价、元分析等研究方法对个性化学习已有研究展开二次研究，以提高个性化学习相关研究的质量。

再次，加强个性化学习资源的推荐研究。目前大多数个性化资源推荐系统还处于半智能状态，未能实现真正的个性化，且样本文献中仅有张进良等人在文章中提出构建动态、智能、开放的个性化学习资源推荐框架[11]。当前各种技术的快速发展，促使教育工作者重视其对教学不断扩大和深化的影响力，因此，设计既能结合先进技术为个性化学习提供技术保障，又能以学习者为中心的资源推荐系统向学习者智能地推送与其个性需求相匹配的各类资源，这是个性化学习研究亟待解决的问题。

最后，完善个性化学习的评价体系。通过阅读实地研究类文章发现，不同学者对个性化学习的评价视角和评价指标都有所不同，大多数研究是直接通过对比学生的学业成就等认知层面的结果来判定个性化学习是否会促进学生学习。而在当前社会发展背景下，教育工作者需要将更多注意力放在学生非认知层面能力的提升上，如国外有一项研究是有关音素意识的阅读标准中个性化学习对学生的参与度和学业成就的影响，其实验评价结果包括认知和非认知两个层面[12]。未来在进行个性化学习的相关实地研究时，可多借鉴国内外其他领域的优秀作品，评价指标除认知层面外，还应纳入非认知层面，使个性化学习的评价体系更加全面。

[1]CHILDRESS S，BENSON S.Personalized Learning for Every Student Every Day[J].Phi Delta Kappan ，2014，95（8）：33-38.

[2]赵学孔，徐晓东，龙世荣.协同推荐：一种个性化学习路径生成的新视角[J].中国远程教育，2017（5）：24-34.

[3]李世改，孙卫华，李红梅.近五年教育技术学优秀硕士学位论文内容分析[J].电化教育研究，2008（1）：30-35.

[4]REEVES T C，OH E G.The Goals and Methods of Educational Tech- nology Research Over a Quarter Century （1989-2014）[J].Educational   Technology Research and Development，2017，65（2）：325-339.

[5]陈瑜林.我国教育技术主要研究领域的历史演进：基于CNKI“两刊”关键词、主题词的类团分析[J].电化教育研究，2012，33（8）：36-42.

[6][9]牟智佳.“人工智能+ ”时代的个性化学习理论重思与开解[J].远程教育杂志，2017，35（3）：22-30.

[7]赵以霞，王鑫，金昆，等.国内大数据环境下学习分析技术研究路径及趋势分析[J].现代教育技术，2019，29（8）：34-40.

[8]唐烨伟，茹丽娜，范佳荣，等.基于学习者画像建模的个性化学习路径规划研究[J].电化教育研究，2019，40（10）：53-60.

[10]BINGHAM A J.Personalized Learning in High Technology Charter Schools[J].Journal of Educational Change，2017，18（4）：521-549.

[11]张进良，叶求财.大数据视阈下学习资源智能推荐模型构建[J].湖南科技大学学报（社会科学版），2019，22（4）：178-184.

[12]KOTTA S.The Effects of Personalized Learning on Engagement and Academic Achievement in the Reading Standard of Phonemic Awareness[EB/OL].（2020-09-12）[2021-01-01].https：//red.mnstate.edu/thesis/174/.

（责任编辑 孙兴麗）