国内近十年中小学人工智能教育研究的现状、热点与前沿
作者: 阮孟焦 毛琴 杨娜 张凤
关键词:人工智能教育;CiteSpace;VOSviewer;研究热点
中图分类号:G642 文献标识码:A
文章编号:1009-3044(2024)26-0017-05 开放科学(资源服务)标识码(OSID) :
0 引言
近年来,人工智能开始受到广泛关注,特别是在2016年,AlphaGo击败了人类围棋冠军,使得人们对人工智能的兴趣持续上涨。2017年7月,国务院印发了《新一代人工智能发展规划》,该文件明确提出,人工智能在教育领域的应用需进一步推广和深化,要在中小学阶段开设人工智能课程,开展跨学科探索性研究[1]。2019年,教育部办公厅发布了《2019年教育信息化和网络安全工作要点》,并出版了多套人工智能教育相关教材[2]。2022年发布的《义务教育信息科技课程标准(2022年版)》涉及人工智能教育,并肯定了其重要性[3]。此外,美国、日本、英国和新加坡等国也将机器人学习、人工智能教育、跨学科STEM课程以及编程课程纳入中小学课程体系[4]。中小学阶段的人工智能教育在推动全民智能教育普及与基础构建方面发挥着至关重要的作用,同时具有普遍适用性和基础支撑性[5]。此外,将人工智能纳入中小学教育中,对提升学生的计算思维、智能素养和创新能力具有重要的现实意义。因此,在中小学阶段开展人工智能教育是大势所趋。
1 研究设计
1.1 数据来源
本研究以中国知网期刊数据库作为主要的数据来源,选择“高级检索”功能,选择“主题”检索,以“中小学 AND 人工智能教育”为主题词,选择“篇名”检索,篇名设置为“人工智能教育”或“人工智能教学”或“教育人工智能”,依此进行二次检索,所有匹配范围均设定为“精确”,以确保筛选结果的准确性和相关性。时间跨度为2014至2023年,分别检索出673篇和903篇,共计1 576篇相关文献,并对检索文献进行人工筛除无效文献(即去除会议35篇、报纸18篇、图书1 篇、成果3篇)、软件去重和研读文献的摘要部分,最终得到760篇有效文献作为本次研究的样本,检索时间为2023年12月12日。将筛选得到的文献导出为ref⁃works文献格式,并以download_*.txt格式保存,再分别导入CiteSpace和VOSviewer软件进行数据分析。
1.2 研究方法
本研究综合运用CiteSpaceV 6.2.R6和VOSviewer 软件,从关键词和发文作者入手绘制图谱,主要通过关键词共现图谱、聚类图谱和突变词检测图谱分析,旨在全面揭示该领域的研究热点、前沿动态与发展趋势。此外,本研究还结合了文献分析和内容分析法,这两种方法旨在深入揭示文献内容的本质特征,并据此预测未来的发展趋势。通过这种综合分析方法,可以确保研究结果的客观性和可信度[5]。
1.3 研究工具
在科学计量领域,可视化软件中被研究人员广泛使用的是CiteSpace和VOSviewer。本研究运用的可视化数据分析工具CiteSpace是由美国的陈超美博士在Java平台上研发的一款软件[6]。VOSviewer是由荷兰的Van等[7]开发的文献可视化软件,这两款软件具有操作简便、功能强大等优点。
2 人工智能教育的研究现状分析
2.1 年度发文量分布
为了解我国近十年人工智能教育的发文量情况,从而探究该领域的发展趋势,本研究从CiteSpace中导出数据,并使用Excel软件分析近十年我国中小学人工智能教育的发文量随年份变化的情况,分析结果如图1所示。自2017年开始,人工智能教育相关的文献数量逐年上升,其中2018年和2019年的上升幅度最大,尤其在2022年达到了109篇的峰值。由此可知,自2017年以来,人工智能教育受到了前所未有的关注,这与我国政策的实施紧密相连。从整体来看,人工智能教育领域的文献数量在近十年呈现出上升的趋势,可分为三个阶段:萌芽期(2014—2016年)、快速发展期(2017—2020年)以及持续发展期(2021—2023 年)。总之,我国对于人工智能教育相关研究仍在不断探索中,且未来还将持续发展。
2.2 发文作者分布
运用VOSviewer软件绘制的发文量超过三篇的作者知识图谱(如图2所示),旨在深入探究人工智能教育领域的主要研究力量及其关系。从图谱中可以看到,发文量为3篇以上的作者形成了42个聚类。圆圈的大小代表作者的发文量,圆圈越大表示该作者发文越多,作者之间的连线表示他们有合作关系。
例如,华东师范大学教育信息技术学系的顾小清和李世瑾是该领域的主要研究代表,他们的研究主题包括人工智能教育的现状、发展与应用;华南师范大学教育信息技术学院的胡小勇和王同聚则集中在教育人工智能的发展和中小学人工智能师资培训上。
这些研究机构的研究人员致力于从人工智能教育的前沿发展与应用角度,在中小学贯彻落实人工智能教育。同时,他们也涉及人工智能教育的伦理道德判断研究,但需要进一步加强相关研究成果的输出和推广。
3 人工智能教育的研究结果分析
3.1 研究热点可视化分析
3.1.1 关键词共现分析
本研究通过CiteSpace对中小学人工智能教育相关文献进行了关键词共现和中介中心性分析,旨在更直观地探知和把握文献的研究方向及重点。选取Keywords为节点,并将关键词出现的阈值调整为5,进而得到基于CiteSpace 的关键词共现图谱,如图3 所示。在该图谱中,网络密度为Density=0.0103,网络节点数N=275个,网络连线数E=388条,表明图谱中各个关键词的联系较为紧密。
在关键词共现图谱中,每个圆圈代表一个关键词,圆圈的大小反映了该关键词在文献中出现的频次。频次越大,圆圈越大。两个关键词在同一篇文献中共现时会有一条连线,连线的粗细和密集程度反映了关键词之间联系的紧密程度。图谱顶部的横轴使用不同颜色来表示关键词出现的年份。
从图3可以看出,出现频次较高的关键词包括“人工智能”“中小学”“教育”“机器人”“机器学习”“智能教育”“智能素养”“创客教育”“深度学习”等。这表明我国中小学人工智能教育的研究与这些前沿研究热点词汇紧密相关,且这些热点词汇将是未来研究者可能关注的重要研究方向。
中介中心性是衡量关键词在整体共现图谱中重要性的指标,通常中心性数值超过0.1的节点被视为关键节点。通过对2014—2023年间人工智能教育相关文献的关键词进行中心性分析和共现统计,可以揭示出这一领域的研究热点。
在表1中,统计了排名前20的关键词,并分析了其共现情况。关键词的重要性不仅体现在其中心性上,也体现在出现的频次上。当关键词具有高中心性和高频次时,意味着它们在某段时期内成了研究者共同关注的焦点。因此,这些关键词能够揭示出当前研究的热点[8]。
根据表1,该领域的高频关键词包括“机器人”“智能教育”“机器人教育”“创客教育”“深度学习”和“编程教育”。这些关键词的出现频次分别为18、16、15、13、12和10,且它们的中心性均超过0.1。中心性越高,这些关键词就越能反映出当前研究的热点和趋势。在当下及未来的研究中,这些热点词汇也许会继续受到广泛关注,这为研究者指明了潜在的研究方向。
根据对图3和表1的关键词共现分析,可以观察到,频次排名靠前的关键词与中心性超过0.1的关键词大致相同,这反映出它们在国内中小学人工智能教育中的核心地位。尽管人工智能教育并不等同于机器人教育、智能教育、创客教育或编程教育,但从分析结果中可以推断,我国当前的人工智能教育与这些热点领域存在紧密的联系。
3.1.2 关键词聚类视图分析
关键词聚类分析能够更深入地理解特定领域的研究热点和趋势,它通过统计学方法,将大量的关键词共现数据简化为几个主要的聚类,从而更容易地识别出核心概念和主题。在此基础上,本研究使用对数似然比算法(LLR算法)进行聚类分析,得到了聚类数量为9的知识图谱,如图4所示。聚类图中的模块值Q=0.6829(大于0.3) ,平均轮廓值S=0.9397(大于0.7) ,Q和S值均表明该聚类是显著的,结论也是可信的。因此,可以将聚类结果划分为人工智能教育、机器人教育、信息技术、深度学习、教学模型和伦理判断等六大领域。
1) 人工智能教育。与人工智能教育相关的聚类包括#0人工智能、#1中小学、#2智能教育、#3教育,主题词涵盖“人工智能”“中小学”“教育”“智慧教育”“智能教育”等。人工智能教育的关键技术涉及机器学习、自然语言处理、计算机视觉、知识图谱、人机交互和机器人。智慧教育即通过人机协同作用来优化教学过程和促进学习者更好发展的未来教育范式[9]。可见,人机协同与智慧教育等都与人工智能教育密切相关。
2) 机器人教育。与机器人教育相关的聚类为#5 机器人,主题词包括“机器人”“机器学习”“人机协同”“编程教育”。机器人教育是涉及机器人基本知识与技能的学习过程,并探讨如何利用教育机器人改进和优化教育教学效果的理论与实践[10]。将教育机器人程序设计课程分为初级、中级和高级三个阶段,在编程设计中引入机器人可有效提高学生计算思维能力[11]。可见,我国机器人教育与编程教育关系紧密。
3) 信息技术。与信息技术相关的聚类为#8信息技术,主题词包括“信息技术”“信息素养”“智能素养”等。培养学生的信息意识是信息技术核心素养之一,信息技术教学的目标是让学生了解、感知和体验人工智能,在中小学信息技术教学中融入人工智能教学对于普及信息技术新知识具有重要意义[12]。当前教育中,我们努力在信息技术教学中从强调“信息素养”转向注重培养“智能素养”。
4) 深度学习。与深度学习相关的聚类为#4深度学习,主题词包括“深度学习”“计算思维”等。深度学习是在学习科学视角下,信息深度加工、教师深度引导及技术深度支持的最佳融合[13]。中小学教育领域的研究主要旨在解决教学中的实际问题,以提升学生的计算思维能力为核心的素质教育。计算思维成为智能时代学习者必须具备的素养。
5) 教学模型。与教学模型相关的聚类为#6教学模型,主题词包括“教学模式”“教学设计”等。何克抗教授提出的建构主义教育思想从“以学生为中心”转变为“主导—主体相结合”[14]。“以学生为中心”的教学模式有助于发挥学生的主动性与创造性,而“主导—主体相结合”的模式则增强了学生知识内化的程度。
6) 伦理判断。与伦理判断相关的聚类为#7伦理判断,主题词包括“伦理原则”等。人工智能技术在推动教育变革的同时,伴随潜在的、难以预见的伦理风险。钱小龙等[15]从宏观与微观层面探讨教育人工智能系统的伦理原则,并预测未来可能遇到的伦理问题,基于我国国情提供教育人工智能面临伦理问题时的建议。赵磊磊等[16]对教育人工智能的伦理原则进行了四个向度的梳理,即算法向度、关系向度、情感向度和资源向度,并据此构建了四个维度的风险消除路径。
3.2 研究前沿:突变词检测图谱分析
突变词检测在CiteSpace中用于识别那些在某些年份中频次突然增加的词语,无论是高频词还是低频词,这种频次增长率的突然增加可能标志着该领域的研究热点发生了变化,从而反映该领域的研究前沿[17]。在CiteSpace 软件中选择Burstness View 功能,将γ设置为0.6(范围为[0,1]) ,Minimum Duration设置为2,由此得到9个突现关键词,如图5所示。
从突现的时间跨度来看,“智慧教育”“机器人”“深度学习”都始于2017 年,这一年被称为我国的“人工智能教育元年”。此后出现的“编程教育”“机器学习”“计算思维”都在一定程度上扩展和延伸了人工智能教育,其热度在2023年依旧不减。可以预测,未来一段时间这些领域仍然是研究者重点关注的对象。从突现强度来看,智慧教育的突变强度最高,为3.45,其次是机器人,突变强度为3.31,再次是编程教育,突变强度为1.98。这三个关键词都是人工智能领域重要的研究热点,也说明人工智能教育与智慧教育和机器人教育密不可分。