摘要：个性化教育是基于全面发展目标，以个人的教育需求为导向，运用信息技术包括大数据技术来帮助高校学习者激发学习动机。虽然国内个性化教学研究有一定的发展，但相关的研究成果较少，而且缺少对国内外研究动向和热点进行梳理。因此本研究通过使用citespace软件，基于cnki和web of science数据对2013年到2022年的文献进行计量研究。研究结果显示，从研究国家来看，中国、美国和英国是研究排在前列的国家，研究热点主要集中在5个聚类上，依次为大数据、智能技术、学习分析、数据驱动和个性化。而前沿研究主要集中在大数据、机器学习和数据挖掘方面；从分析来看，基于大数据的个性化研究仍然会成为以后的研究热点，并受到高校教育领域研究者的重点关注。

关键词：大数据；个性化学习；教育模式；文獻分析

引言

全球进入互联网时代，越来越多的学者希望获得个性化的教育服务来提高学习效率和教育质量，而作为教学主体的高校也希望利用大数据技术、学习分析技术来提升教育教学效果，谋求在教育领域获得更高的声誉。因此，不少学者和教育专家开始关注基于大数据开展个性化教学的领域，希望能改进教学模式，完善个性化教学环境和工具，教师们也积极开展相关理论和实践的研究。目前，针对大数据的个性化教学方面的理论和实践的研究成果并不多，文献方面的资源则更加有限。因此，学者急需了解这个领域的国内外发展状况和研究热点，从而为进一步研究提供总体框架和开发依据。本研究通过文献分析法利用citespace分析工具开展文献计量和分析，研究成果为基于大数据的个性化学习领域的研究提供支持。

1. 研究设计

本研究的所有文献来自中国知网（CNKI）和WoS（Web of Science）。通过文献计量法对文献进行分析，基于文献所在的地区、作者、关键词和引文等进行分析，采用citespace软件作为文献分析工具，获得相关的分析结论。国内的中文文献研究数据主要来源于CNKI的cssci数据库收入的学术期刊文献，基于主题的关键词为“个性化学习”和“大数据”。通过检索，发现162条文献符合要求，时间跨度从2013年到2022年。国外的英文文献数据则来源于WoS（Web of Science）的核心合集数据库，检索关键词为“personalized learning”和“big data”。检索的时间也是从2013年到2022年，选择了500个文献开展分析。在查询过程中发现，与中文文献相类似，相关主题的文章数量从2013年开始呈现明显的上升趋势。

2. 数据分析结果

2.1 中文文献和外文文献数据分析

首先，通过对中文文献分析，按照基于不同时间节点的发文情况来观察总体趋势，如图1所示。国内基于大数据的个性化教育的相关研究基本始于2013年，到2017年、2018年形成高峰。从2019年开始，智慧教育模式、人工智能技术等方面研究的深入，使得个性化学习、教学方面的研究形成新的趋势，总体研究的质与量呈现不断拓展和延伸的趋势。随着可用于个性化研究的技术和教学新模式的引入，国内个性化学习领域的研究成果越来越丰富。通过对外文文献的分析可以看出，从2013年开始，发文量一直呈现逐步增加的趋势，线性发展的特征明显，如图2所示。数据说明，基于大数据的个性化教育领域在国外仍然是热点，且有持续不断的成果显现。因此，国内外的研究有效联系、互为助力，将国外的优秀理论和有效实践案例进行分析吸收，应用于国内的教育教学，将会形成更好的教育成效。

2.2 作者所处国家分析

通过基于作者所在国家的分析，得出空间分布图谱，从而获得国家合作网络图谱。分析生成的不同国家作者间的合作网络，体现了作者在不同的国家和地理的分布情况。其中，图中的网络节点N值为51，连线数量为154，网络密度值为0.1208。从形成的信息可以知晓，中国、美国、英国、德国和加拿大处于本领域发文量的前五名。其中，中国发文量最多为92篇，美国为70篇，英国为22篇，德国为19篇。各个节点间的联系较密，体现了不同国家作者之间的合作较为紧密。

2.3 核心著者图谱分析

针对国内的研究者间的关系分析，形成国内作者的文献图谱分析，从而了解国内基于大数据的个性化学习模式研究领域的关键研究人员之间所形成相关的图谱。分析英文文献的作者共现图谱，可以发现在中文文献的作者分析过程中，网络节点N值为213，连线数量为183，网络密度值为0.0081。英文文献的作者合作网络图谱中，网络节点N值为214，连线数量为166，网络密度值为0.0073。各个节点间的联系较疏松，体现了不同国家作者之间的合作较为分散。通过对核心作者的文献的整理，体现他们的研究重点和关注的热点。通过对核心作者的研究领域发现，大数据、个性化学习、人工智能、机器学习等都是大家所关心的共同热点。此外，大数据和个性化学习还在不同领域进行了应用，比如在教育领域、医疗领域、企业管理等方面。同时还发现，核心学者多集中在特定高校，比如国内的师范类高校，如东北师范大学、北京师范大学等，这也从侧面说明，基于大数据的个性化学习领域研究在教育学范畴内的应用是很广泛的，也是非常值得继续深入研究的。

2.4 关键词共现与聚类图谱分析

通过对关键词的频次和中心性的分析，发现越是频次高，中心性值越大的关键词，则代表的应该是研究的关注热点。同时，通过对关键词进行聚类分析，也可以基于时间线来观察热点的变化以及未来研究方向的形成规律，帮助研究者为未来研究做好积累和准备。中文文献关键词共现图谱中关键词网络节点值为221、连线数量值为402，密度值为0.0165。英文文献关键词共现图谱中关键词网络节点值为279、连线数量值为1150，密度值为0.0297。从关键词分析可以发现，国内研究和国外研究具有一定的共性，比如，“大数据”“人工智能”“个性化”“数据挖掘”等，都是国内外学者关注的热点。表中列举了十大高频率管检测，这代表学者们一段时间内共同关注的研究问题。

2.5 中文文献聚类分析

通过对中文文献进行聚类分析，形成了5个聚类，每个聚类由多个密切相关的关键词组合而成，每个聚类的簇号代表其拥有的关键词的数量排名，簇号越小则包含的关键词越多，这5个聚类按照簇号从小到大依次为：大数据、智能技术、学习分析、数据驱动和个性化。

2.5.1 聚类０（大数据）

对该聚类中的内容进行分析，可以探究出多个研究热点，一是通过大数据和人工智能技术的结合，以学习者为中心，支持自适应学习的个性化学习模式。二是利用大数据对现有的教育数据进行细致的分析，挖掘教育大数据在学生学习、自适应系统构建、相关标准的制定、教学模式方面和教学有效评价的设计方式和实践路径。三是基于大数据的个性化学习的实现关键是学习资源的精准投放，需要对用户需求进行精准分析、归类、画像、建模[1]，增强学习者的实际获得感。

2.5.2 聚类１（智能技术）

该聚类呈现的研究焦点是：利用人工智能、“互联网+”、大数据、5G技术深入开展大学教学改革，有效提高教学质量，已成为广大高校教师讨论的热点。通过智能技术优化教学环节，建立丰富的教学资源，构建教学团队，研究相关理论和教学设计原则从而达成精确教学和评估的结果。

2.5.3 聚类2（学习分析）

该聚类体现了通过人工智能的智能感知技术、学习分析技术和情感计算技术，建立基于大数据的智能化教学模型。通过构建基于大数据智能的在线学习教育平台为教师提供丰富的教学方法，为学生的学习提供个性化评估和自适应学习服务，有助于提高高校教学效率。传统的教学设计模式不能有效指导智能教学，不能满足学生个体发展的需要。因此，对人工智能技术、大数据等技术支持下的智能教学设计成为一个研究热点领域。利用大数据、物联网、移动互联网、人工智能等新一代信息技术，构建一整套科学的智能教学设计模式，有助于引导教师更好地开展智慧教学，帮助学生探索合作自主学习，在一定程度上促进教学方法和学习方法向智慧教学转化。

2.5.4 聚类3（数据驱动）

聚类聚焦点针对当前大数据环境下个性化学习和教学智能服务的研究领域，主要以大数据驱动的移动学习智能服务框架系统的构建研究、整体开发、资源建设和利用等几个方面为研究热点，从而改善教学资源、改革教学模式，运用大数据分析，不断提高教学管理水平。研究人员认为该系统可以整合学习基础设施、数据资源、服务应用程序和高校学习者，重构智能服务的业务流程，为学习服务提供决策支持，同时，它可以提高学习能力，提供个性化的服务，实现学生的因材施教[2]。

2.5.5 聚类4（个性化）

可见研究集中在学校教育、数据智慧、教育变革、教学制度、个性化分析模型、学习处方等方面。通过利用信息技术，如人工智能、大数据、机器学习和深度学习等技术，能够实时解决极其复杂的教育问题，提供个性化教育所需的灵活性和适应性，进而构建的学习环境对学习者开展个性化学习更加友好和有效。通过对学习者的个性特征、学习习惯和所需工具的分析，根据相应的匹配算法来准确识别学习者的学习个性，从而提供较为精确的学习方案和干预方案[3-4]。

结语

通过文献研究发现，目前基于大数据的个性化研究领域仍然是高校教育教学的研究热点，研究成果在不断增加，而且发展迅速，但也存在不少研究空白，还需要后续进行研究。该领域的研究成果常被作为高校开展精准教学和个性化教学的理论支持和实践参考，对于提高高校教学质量，开展科学化教学研究、精准教学治理、实施智慧化的评价，具有广阔的应用前景。

参考文献：

[1]刘海鸥，刘旭，姚苏梅，等.基于大数据深度画像的个性化学习精准服务研究[J].图书馆学研究，2019，（15）：68-74.

[2]祝智庭，胡姣.教育数字化转型的实践逻辑与发展机遇[J].电化教育研究，2022， 43（1）：5-15.

[3]包子涵，翁彧.基于数据驱动的大学计算机基础精准教学模式探究[J].计算机教育，2022，（9）：157-161，165.

[4]董圓圆.人工智能赋能思政教育的伦理风险及其应对[J/OL].北京航空航天大学学报（社会科学版）：1-7[2023-02-03].https：//doi.org/10.13766/j.bhsk.1008-2204.2022.0955.

作者简介：颜正恕，在读博士，副教授，研究方向：数字媒体和教育、计算机科学与技术。

基金项目：2020年浙江省教育厅一般科研项目——基于“大数据+动力学”的高校动态个性化学习模式研究（编号：Y202044773）。