SCI论文（www.lunwensci.com）
摘要：为了探究自适应学习现状并了解其未来趋势，文章以中国知网(CNKI)2017—2021 年收录的 396 篇文 献为研究样本，利用文献计量法和共词分析法，从样本的年度发文量、发文机构、关键词等方面进行分析，探 究了国 内 自适应学习研究现状及自适应学习未来的研究趋势。
关键词：自适应学习,中国知网(CNKI),高频关键词
《国家中长期教育改革和发展规划纲要(2010— 2020 年)》提出，“关心每个学生，促进每个学生主动 地、生动活泼地发展，尊重教育规律和学生身心发展 规律，为每个学生提供适合的教育”[1] 。要想最大化地 促进学生全面而个性化地发展，就要提供适应学生各 种特征的个性化学习帮助，而自适应学习的出现恰好 为这种个性化学习提供了实现的途径 。自适应学习依 托于新兴技术创建的智能化学习环境，可为学生提供 专属的、定制化的学习支持，从而能够帮助学生更好 地学习 。基于此，本研究拟对自适应学习研究现状及 趋势加以分析。
一、样本抽取与研究设计
(一)样本抽取
在中国知网(CNKI) 数据库社会科学Ⅱ辑下，选择 时间区间为 2017—2021 年，以“自适应学习”或“适应 性学习”为主题检索式进行检索，共计检索到 536 篇 文献作为初始样本 。经过对初始样本的阅览，剔除与 研究无关的文献， 最终以 396 篇文献作为研究样本， 其中核心期刊有 146 篇，普通期刊有 250 篇。
(二)研究设计
本研究采用的研究方法主要包括如下两种：①文 献计量法，这是一种以各种文献外部特征为研究对象 的量化分析方法[2];②共词分析法，即通过对能够表达 某一学科领域研究主题或研究方向的专业术语共同 出现在一篇文献中的现象进行分析，判断学科领域中 主题间的关系，从而展现该学科的研究结构[3]。
本研究的研究过程如图 1 所示，首先运用 SATI 3.2 工具对 396 篇文献进行文献计量分析，然后采用 共词分析法，生成高频关键词共词矩阵与高频关键 词相异矩阵，导入数据统计分析工具 SPSS 20.0 进行 系统聚类分析，提取出 自适应学习研究的相关主题并进行现状评述，最后利用 UCINET6 .0 软件获取网 络关系图，并对自适应学习的薄弱环节与趋势进行 分析。
二、数据统计与结果分析
(一)文献计量分析
1.年度发文量数据分析。对于某一研究领域而言， 年度发文量表示某年内关于该研究领域的发文总数 量，而连续几年的发文量可反映该研究领域的发展动 向 。如图 2 所示，2017—2019 年有关自适应学习的文 献数量呈逐年上升趋势，其中 2019 年发文量为 96篇， 达到近 5 年的峰值，这表明该年自适应学习相关研究 非常活跃 。2020 年的发文量共 93 篇，与 2019 年相比 发文量略有下降，2021 年的发文量达到近 5 年的新 低，仅有 60 篇。2.发文机构分析 。通过研究统计文献第一作者所 在机构的发文数量，可了解自适应学习研究的核心机 构。机构发文数量的统计结果表明，396 篇文献中各类 高校发文数量占比约 93%， 中小学发文数量占比约 3%，其他类如电教馆、教育技术研究院等占比约 4%， 这说明自适应学习的研究机构集中在各类高校。发文 数量达 4 篇及以上的机构有 23 所，其中排名前 10 的 机构如表 1 所示，由此可看出发文机构基本是师范类 大学，这是因为师范类大学以师范类专业为主，关于 学习领域的研究自然较多，这与自适应学习所属的研 究范畴相契合。
(二)共词分析
1.高频关键词确定。关键词是整篇文献的核心构 成要素，关键词的词频高低可反映某一研究领域目前 的研究热点与趋势的情况 。通过 SATI 3.2 工具提取 出的关键词共计 1 043 个，删除笼统的关键词，并合 并部分相同意思不同表达的关键词， 最终得到 864 个关键词， 筛选词频 4 以上的关键词作为高频关键 词，共得到 46 个，排名前 10 的关键词如表 2 所示 。
自适应学习与适应性学习词频排名分别是第 1 与第 8.其作为检索词词频较高，符合研究进程;人工智能 和大数据词频排名分别是第 2 和第 4.这是因为二者 是自适应学习的技术支撑，同时自适应学习也伴随着 这些技术的进步而发展; 个性化学习词频排名第 3. 这与自适应学习的本质是实现个性化学习相关;自适 应学习系统、自适应、学习分析排名依次为第 5、第 6、 第 7.这是因为它们是实现自适应学习的必要条件，其 也支撑自适应学习的发展;词频排名第 9 的是高等 教育，这是因为它不仅是自适应学习研究的主要学 段，还是实施自适应学习的对象之一;词频排名第 10 的智慧教育则与自适应学习的目标一样，即实现学生 的个性发展。
2.聚类分析。将高频关键词导入 SATI 3.2 工具中，得到 46*46 的相异矩阵。将高频关键词相异矩阵导入 SPSS 20.0 软件，得到如图 3 所示的聚类树状图 。如表 3 所示，根据高频关键词聚类表，结合高频关键词及文 献的情况，将 10 个聚类按照亲疏程度进行再次筛选， 合并为四个主题，分别是智能教育下的自适应学习研 究、自适应学习相关技术研究、自适应学习环境创设 研究、自适应教学模式及教学实践研究。
(1) 智能教育下的自适应学习研究 。 自适应学习 最早可追溯到 20 世纪 80 年代用于自动化辅导教师 的“智能辅导系统”，它在一 定程度上为实现自适应 学习提供了有效支持。1996 年，美国的布鲁斯洛夫斯 基提出了自适应超媒体， 并首次定义了自适应学习 的概念[4] 。 自适应学习又称适应性学习，是学生与自 适应学习系统双向交互的过程， 自适应学习系统获 取到学生的初始信息与学习数据， 通过分析诊断后 推送资源给学生， 学生通过自适应学习系统获得个 性化学习资源 。随着人工智能的不断发展，X 学教育 创始人提出智适应学习的理念 。其“智”的体现是将 人工智能应用于自适应学习[5]，对专家教师进行深度 模拟，从而精准定位学生的知识薄弱点，并为他们规 划知识序列路径[6]。
(2) 自适应学习相关技术研究 。 自适应学习的发 展源于新兴技术的不断更新。2011 年，新媒体联盟《地 平线报告》高教版提出学习分析将是未来 4~5 年的常 用技术。2015 年， 自适应学习被提出后，逐渐得到了学 者的关注 。学者纷纷利用滞后序列、社会网络等学习 分析技术解决了自适应学习海量数据分析的困扰[7-8]。 2017 年，人工智能被预测为未来几年的关键技术，因为 人工智能能模拟专家为学生进行指导，使得自适应学 习中教师指导的问题得到进一步优化[9-10] 。 已有 20 多 年的数据挖掘可以说在自适应学习中起着关键作用， 因为利用聚类分析、可视化技术等对数据进行精准挖 掘，可以让海量的自适应学习数据变得有意义[11-12]。大 数据是数据挖掘概念的再升级，是在互联网、云计算 等基础上发展起来的，可以说大数据现在是自适应学习研究的核心技术，通过大数据的 Samza、Storm 流式 实时计算框架可获取海量的学生相关数据[13- 15] 。总 的来说，技术的发展为自适应学习提供了支持，为教 育的决策、干预、预测、实施等环节提供了便利。
(3) 自适应学习环境创设研究 。 自适应学习系统 为学生创造了专属的定制化、个性化学习环境，其核 心组件包含学习者模型 、领域知识模型 、自适应引 擎[16]。学习者模型是自适应学习系统的重要组成部分， 是实现个性化学习的基础[17]，其构建主要集中在学生 个性特征和学习行为上。领域知识模型是一种对领域 知识结构化的描述，其涵盖两方面的内容：一是知识 内部元素之间的关联，二是知识与知识外部间的网络 联结关系 。菅保霞等[18]基于元分析视角分析了多种建 模方法，运用铅板模型等技术分别设计了以核心组件 为基础的自适应课件导学系统。学习者模型与领域知 识模型之间通过推荐技术或人工智能技术可形成自 适应引擎。比如，袁路妍[19]采用本体技术构建领域知识 模型和学习者模型，并通过两模型之间形成的关联规 则实现了自适应推荐功能;马相春等[20]对自适应学习 系统的核心组件进行了探析，并提出了基于群蚁算法 和协同过滤算法的自适应推荐路径 。可以看出，目前 大多数学者关注的是三大核心组件的构建，而对于学 生的位置跟踪、设备等外部情境的感知、学生的社会 交互及学生实时的内在情感态度等方面缺少关注，这 说明自适应学习环境还有待进一步开发与创设。
(4) 自适应教学模式及教学实践研究 。传统课堂 教学模式关注大多数学生，而自适应学习关注每个学 生的发展， 因此传统课堂教学模式也许不再适用于自适应学习的方式 。部分学者、教育实践者对课程教 学进行了改革，开发了自适应教学模式 。 比如，杨连 发等[21]提出从“传统范式”向注重“教、学、做”合一的 “学习范式”转变的课程教学模式改革;杨洋等[22]就目 前翻转课堂实施过程中遇到的主要问题，提出了基于 翻转课堂的自适应学习模型架构，并对实践模式进行 了具体的分析 。基于此，尽管一些学者构建了自适应 教学模式，但这些教学模式是否真的能促进学生学习 还需大量教学实践进行验证。
三、讨论
为了进一步了解自适应学习研究领域的薄弱环 节，将先前生成的高频关键词共词矩阵导入 UCINET 6.0 软件，选择 NetDraw 生成如图 4 所示的自适应学 习社会网络关系图。
(一) 自适应学习研究的薄弱环节
社会网络关系图中节点代表关键词，节点的方框 越大，代表中心度越高，方框间的距离反映关键词间 的亲疏关系 。 图 4 中学习系统、学习者、翻转课堂、教 学设计、大数据时代、自适应测验、教学等关键词处于 连线较稀疏的边缘区域，说明这些是自适应学习研究 的薄弱环节。薄弱环节的存在一定程度上说明对其的 关注度还不够，因此可以说薄弱环节可能是未来的发 展趋势。
(二) 自适应学习研究的未来趋势
1. 自适应学习环境多角度构建 。 自适应学习环境 的构建可为学生提供多元与全面的学习支持服务。在 自适应学习中，自适应学习系统是学生的主要学习环 境，其构成要素为各种模型。从研究热点来看，大多数 研究者的研究主要集中在学习者模型、领域知识模型、 自适应模型三大组件上，且较多重复研究，而对自适 应学习系统中用户情感态度、社会交互、师生信息的 安全性等方面的关注度不高。而仅关注学生认知能力 而忽略学生的情感态度倾向，毫无疑问将影响学生全面 而个性化的发展。除此以外，学生学习数据隐私的安全 性也难以保证。未来对自适应学习环境的关注应基于 学生的情感支持、社会交互、个人信息的保密等，构建自适应学习环境，如可充分利用可穿戴技术和人脸识别 等新兴技术构建关于情感方向的自适应模型。
2.促进教师适应性教学转变。在智能教育环境下， 教师面临的诸多挑战促进着教师适应性教学的转变。 自适应学习要求学生应具有良好的自主学习能力，但 并非所有学生都具有较强的自主学习能力，故在实践 中给予学生怎样的教学策略干预成为教学实践中的新问题 。同时，教师面临着权威专家角色的转变，面临 着先进的智能化设备运用与过旧的教学理念之间的 矛盾，面临着教学模式陈旧与以学生为中心的教学要 求之间的冲突，还面临着学习评价单一与多元化学习 形式之间的矛盾。这些挑战要求教师不断更新教学理 念，将角色转变为学生学习的辅助者与帮助者，以适 应学生学习情况，做出合理的教学指导 。在智能技术 的支持下，未来教师将转向适应性教学，教师职能将 趋向专业型教师与全能型教师[23]。
3.推进学科自适应学习应用 。 自适应学习的研究 集中在自适应学习系统的设计与开发理论上，但有关 自适应学习的实践研究仍然较为匮乏，尚未形成较成 熟的实践成果 。因此，有必要将已开发的许多自适应 学习系统应用于教学实践，以形成经过实践验证的成 熟的教育资源、教学模式，进而最终实现大规模的应 用教学 。随着教育信息化的不断推进，深化应用融合 创新学科教学实践是未来教育之路。加强学科自适应 学习的应用，不仅可以加快教育信息化发展，还能在实践应用中发现问题，从而对自适应学习的相关理论 进行验证，以支持自适应学习的长足发展。
三、结语
自适应学习的终极目标是实现个性化学习，让每 一个学生获得全面而个性化的发展，因此自适应学习 的最终落脚点依然是以学生为主 。对此，有必要考虑 教师、学习内容、学习评价、学习环境等多个因素，建 设多维度追踪的智能化学习环境，制定并推送符合学 生个性特征的教育资源， 为学生提供个性化指导，从 落脚点出发，使自适应学习不断发展，最终为推动教 育教学改革做出一点贡献。
参考文献：
[1] 中华人民共和国教育部. 国家中长期教育改革与发展规划纲要 (2010—2020 年)[EB/OL].(2010-07-29)[2022-05-20].http://www.moe. gov.cn/jyb_xwfb/s6052/moe_838/201008/t20100802_93704.html.
[2] 郑文晖.文献计量法与内容分析法的比较研究[J].情报杂志,2006 (5):31-33.
[3] 张勤,马费成. 国外知识管理研究范式:以共词分析为方法[J].管 理科学学报,2007(6):65-75.
[4] BRUSILOVSKY P.Methods and techniques of adaptive hypermedi- a[J].User Modeling and User-Adapted Interaction,1996.6(2):87-129.
[5] 杨晓哲,任友群.教育人工智能的下一步:应用场景与推进策略[J]. 中国电化教育,2021.408(1):89-95.
[6] 李海峰,王炜.人工智能支持下的智适应学习模式[J]. 中国电化教 育,2018(12):88-95.112.
[7] 李玲静,汪存友.Knewton:学习分析支持下的自适应学习平台[J]. 成人教育,2019.39(7):29-34.
[8] 袁磊,张淑鑫,雷敏,等.技术赋能教育高质量发展:人工智能、区块 链和机器人应用前沿[J].开放教育研究,2021.27(4):4-16.
[9] 孔维梁,韩淑云,张昭理.人工智能支持下自适应学习路径构建[J]. 现代远程教育研究,2020.32(3):94-103.
[10] 蔡连玉,韩倩倩 .人工智能自适应学习及其在学校教育中的应 用[J].浙江师范大学学报(社会科学版),2019.44(6):111-117.
[11] 刘淇,陈恩红,朱天宇,等.面向在线智慧学习的教育数据挖掘技 术研究[J].模式识别与人工智能,2018.31(1):77-90.
[12] 徐焱.基于教育数据挖掘的个性化自适应学习系统研究[J]. 中 国教育信息化,2019(11):60-65.
[13] 孙洪涛,郑勤华 .教育大数据的核心技术、应用现状与发展趋 势[J].远程教育杂志,2016.34(5):41-49.
[14] 傅雷鸣, 陈一飞.大数据支持下终身教育个性化自适应学习研 究[J].继续教育研究,2021(6):23-26.
[15] 李晓,刘正刚.大数据形成性评价下的翻转课堂精准教学模式[J]. 杭州电子科技大学学报(社会科学版),2020.16(3):64-68.
[16] 张家华,张剑平.适应性学习支持系统:现状、问题与趋势[J].现 代教育技术,2009.19(2):18-20.
[17] 危怡,胡梦华,胡艺龄,等.开放学习者模型:让学习者参与构建: 访国际知名教育人工智能专家朱迪·凯教授[J] . 开放教育研究 , 2018.24(3):4-11.
[18] 菅保霞,姜强,赵蔚,等.大数据背景下自适应学习个性特征模型 研究:基于元分析视角[J].远程教育杂志,2017.35(4):87-96.
[19] 袁路妍. 自适应学习系统个性化知识推荐技术研究[J]. 中国教 育信息化,2018(24):94-96.
[20] 马相春,钟绍春,徐妲.大数据视角下个性化自适应学习系统支 撑模型及实现机制研究[J]. 中国电化教育,2017(4):97-102.
[21] 杨连发,何玉林, 陈虎城.教、学、做合一的课程教学模式改革探 索[J].教育现代化,2019.6(10):41-44.
[22] 杨洋,张奕,王超.基于翻转课堂的自适应学习模型构建与实践[J]. 中国教育信息化,2017(10):48-49.
[23] 余胜泉.人工智能教师的未来角色[J].开放教育研究,2018.24(1): 16-28.通讯作者：邹霞(1963— )，女，教授。研究方向：教学设计。(E-mail： 4774246@qq.com)
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jiaoyulunwen/56379.html
