国内外“人工智能+教育”研究热点、异同比较及发展启示

摘 要：

人工智能在教育领域的普及应用日益深入，已形成丰富的研究成果。本文通过分析近二十年来国内外以“人工智能+教育”为主题的核心文献发现：国外“人工智能+教育”研究热点集中在教育4.0、智能虚拟现实、智能教学机器人、机器学习、智能导师系统、K12教育以及高等教育七个领域；国内“人工智能+教育”研究热点集中在促进教育信息化发展、缓解在线教育困境、新工科改革框架、创新教育发展需要、自适应学习系统及人才培养六个领域。未来，我国应持续在人工智能助推学校教育管理、教师专业发展、学生学习和教育评价等方面开展相关研究。

关键词：

“人工智能+教育”；人工智能教育应用；教师发展；学生学习；教育评价

中图分类号：G434

文献标识码：A

文章编号：1674-7615（2023）01-0081-011

DOI：10.15958/j.cnki.jywhlt.2023.01.009

2017年7月，国务院印发的《新一代人工智能发展规划》提出，运用智能技术从人才培养、教学方法和学习方式等多方面构筑新型教育体系。2018年4月，教育部印发的《教育信息化2.0行动计划》指出，智能环境已对教育理念、文化和生态都带来了深刻影响与变革。同年8月，教育部办公厅发布的《关于开展人工智能助推教师队伍建设行动试点工作的通知》强调，教师要主动适应并积极应用人工智能等新兴技术有效开展教育教学。在人工智能逐步推动传统教学改革创新、促进教育过程不断优化的背景下，国内外学者对“人工智能＋教育”主题开展了长期、广泛和深入的研究，从不同视角运用不同方法研究人工智能技术发展及其教育应用，形成了丰硕的研究成果。本文筛选2000—2020年以“人工智能+教育”为主题的国内外核心期刊文献，综合文献计量分析与系统文献综述方法，借助Bicomb、Ucinet和Spss软件，深入分析近二十年来人工智能在国内外教育领域的研究进展并进行比较，进而提出未来我国“人工智能+教育”研究的发展启示。

一、数据获取与研究方法

（一）数据采集与整理

国内数据来源于中国知网（CNKI）数据库，以“人工智能”和“教育”为主题关键词进行精准匹配搜索，时间跨度设置为2000—2020年，期刊来源为核心期刊、CSSCI 期刊或 CSCD 期刊，共得到617篇有效中文文献。国外数据来源于Web of Science核心数据库，以“artificial intelligence”和“education”为主题关键词检索，时间跨度仍然为2000—2020年，整理数据后共得到538篇有效英文文献。

（二）研究工具与方法

本研究主要运用关键词词频分析法、关键词共现社会网络分析法和聚类分析法对文献样本进行定量分析，分析工具主要涉及Bicomb2.0、Ucinet6和Spss25.0，具体过程如图 1所示。首先，使用Bicomb2.0进行关键词词频统计、高频关键词筛选，并将生成的共现矩阵导入Ucinet6软件，构建关键词共现社会网络图谱；其次，运用Spss25.0采取orchice算法生成相似矩阵，再用1减去相似矩阵获得高频关键词相异矩阵。最后，将相异矩阵导入Spss25.0进行系统聚类分析，基于聚类结果进行文本分析，阐述国内外“人工智能+教育”研究现状及热点。

二、研究内容

（一） 国内外高频关键词提取及对比分析

运用Bicomb2.0软件对国外文献进行关键词提取，整理后共得到1 372个关键词，累计出现2 012次。运用同样的方法对国内文献进行关键词筛选，共计得到1 502个关键词，累计出现2 892次。截取排名前20的高频关键词进行对比分析，见表 1。

关键词在文献中被引频次反映该研究内容受关注程度。由表 1可知，除主题中心词人工智能、教育和教育应用，国内高频关键词聚焦技术对教育变革的影响和深化，具体表现在：一是人工智能时代下不同教育阶段人才培养体系的发展研究；二是人工智能与教育融合衍生出的智慧教育和智能教育研究；三是基于人工智能技术的深度学习和大数据研究。国外高频关键词则主要集中于人工智能技术产品设计研发，尤其以机器学习、专家系统和数据挖掘等技术为代表，开发相关智能导师系统、自适应学习平台和教育机器人。总体来看，国内外人工智能核心技术研究都聚焦机器学习、深度学习和大数据三大领域，且较关注机器人科学技术和机器人教育应用。研究学段集中在高等教育，其中，国内职业教育尤其重视人工智能技术的植入影响。不同的是，从文献计量角度看，国外对虚拟现实和增强现实的应用研究频率相比国内较高。

（二）构建关键词共现矩阵及矩阵转化

构建矩阵是开展聚类分析的前提。通过对共现矩阵转化最终得到相异系数矩阵（见表 2、表 3）。相异系数矩阵中数字大小代表数据间的相异性，数值越趋近1，说明关键词相异度越高，反之亦然。如表 2所示， 与“artificial intelligence”距离由远到近的关键词依次是“Artificial Neural Networks”（0.9117）、“adaptive learning”（0.8717）、“ITS”（0.8591）、“robotics”（0.8397）、“Higher education”（0.8131）、“e-Learning”（0.8028）、“machine learning”（0.7354）、“education”（0.6106），这在一定程度上表明：国外“人工智能+教育”研究中，智能导师系统、机器人、在线学习应用和机器学习技术结合的研究较多，且主要集中在高等教育阶段。

从表 3可知，与“人工智能”距离由远到近的关键词依次是 “机器人”（0.9184）、“教育信息化”（0.8563）、“高等教育”（0.8469）、“深度学习”（0.8265）、“智能教育”（0.8250）、“智慧教育”（0.8071）、“教育大数据”（0.7636）、“教育应用”（0.6781），说明国内研究者侧重从理论层面、物理层面探讨“人工智能+教育”，而对于实践和应用问题的研究还不深入。

（三）高频关键词社会网络图谱分析

将国内外高频关键词共现矩阵分别导入Ucinet软件，利用软件内部整合的NetDraw功能，将数据生成可视化社会网络图谱。每个正方形代表一个高频关键词节点，正方形面积大小表示标准化后的中心度，即关键词在网络中所处的地位。面积越大越重要，越可能是主题研究热点。各节点间连线粗线代表相互关系的强弱［1］。其二，从网络密度取值范围［0，1］看，密度值越接近1，代表网络联系越紧密。国外高频关键词社会网络图谱密度为0.5783，标准差为2.7265。国内图谱密度为0.7657，标准差为3.1767，说明国内外关键词的整体性和系统性较强、研究网络密度水平都较好且频次差异显著；其三，网络中心势作为网络整体的聚集度评价，是与密度互为补充的测量指标，其数值越接近100%，说明网络图向各点集中趋势越明显。国外共词网络点度中心势为11.83%，表明各关键词间的联系和共线程度略显稀疏，国内点度中心势为16.57%，呈现出相对集中和趋势分散的概貌。

（四）国内外高频关键词聚类分析

聚类分析是研究“物以类聚”的一种科学有效的方法［2］，可反映关键词之间依赖程度。为确定当前文献中“人工智能+教育”的研究热点，利用Spss25.0将关键词相异矩阵进行系统聚类，并对聚类显示的类团进行领域划分，可得出以下结论：

2000年以来，国外“人工智能+教育”研究主题分为七大领域，分别为教育4.0的内涵定位研究、智能虚拟现实教学应用研究、智能教学机器人的角色研究、机器学习的综合研究、智能导师系统的功效研究、人工智能对K-12教育的影响研究、人工智能对高等教育的变革研究。

国内聚类的分析结果分为6个类团较为合适，依据每个类团中关键词组合含义，将六个热点领域概括为：人工智能促进教育信息化发展研究、智能技术缓解在线教育开展困境研究、“人工智能+”融合构筑新工科改革框架研究、创新教育对人工智能发展需要研究、自适应学习系统延展个性化学习路径研究、智能时代需求引领未来人才培养方向研究。

一、国外“人工智能+教育”研究热点

（一）教育4.0的内涵定位研究

教育4.0（Education 4.0）是同工业4.0多次共现的高频关键词，同时也与“人工智能+教育”存在必然的逻辑关系。从内涵定位上看：其一，国外研究皆围绕创新、智能终端和工业4.0等关键词对教育4.0进行内涵解读。智能化是工业4.0的外在表现，教育4.0是工业4.0时代培养未来劳动力的一般方法或趋势［1］；其二，面对智能时代对社会岗位和人才知识结构变革的双重压力，教育4.0对学生能力框架和学校未来发展等方面进行了重新定位。从实现条件来看，由物联网、云技术、增强现实和虚拟现实等技术支持的工业4.0在教育中发挥着重要作用，为教育4.0发展提供强有力的技术支撑，如对技能型劳动力的高级终身培训支撑，让校园物理系统和数字系统融合成为可能。正如Masschelein等人结合具体数据、技术和框架，预测未来学校将呈现“时间——空间——物质”上的特殊安排［2］。

（二）智能虚拟现实的教学应用研究

智能虚拟现实（Intelligent Virtual Reality，即IVR）技术在可视化和沉浸交互方面的优势越来越受学界青睐：一方面，IVR可为学生搭建基于游戏的虚拟现实环境，利用多种技术和软件（如凝视、手势控制、触觉、语音界面和人工智能），使真实环境和虚拟的人工环境相重叠，从而产生感官上的混合现实体验，以达到激发学生兴趣、强化互动参与的目的。如Bouali等人介绍了一款基于VR的学习游戏Imikode，其支持计算机教育中面向对象编程（OOP）概念的教与学，除了可以引入人工智能扩展游戏功能，还可解析学生游戏中的编程错句，并提供修复错误说明［3］。另一方面，IVR适用于程序性任务教学，以助学生产生沉浸感，在体验式学习中获得认知技能。尤其在语言类教学中，虚拟现实技术用于营造第二外语氛围，人工智能代理用于模拟进行语言训练与真实对话的伙伴角色；或结合情感识别、人脸监测或语义分析等人工智能技术，开发沉浸式虚拟现实教学模拟器。然而，Radianti等人揭示IVR应用尚存不足，如在开发应用时没有考虑用学习理论来指导学习结果，组织的应用评价集中在虚拟现实应用可行性上，而没有关注学习结果［4］。

（三）智能教学机器人的角色研究

智能教学机器人（Intelligent Tutoring Robot，即ITR）基于机器学习技术的快速发展，扮演着现代教育中的同伴、教师和辅助工具等角色。与传统教学机器人相比，ITR具有模式识别和自然交互能力上的优势，当学习者与实体机器人系统接触时表现出更有利于学习的社交行为［5］。譬如，基于谷歌技术的Dialogflow框架，可设计开发用于管理和学习支持的聊天机器人FIT-EBot，能与学生进行持续互动［6］。ITR将有望成为创新学习环境中的学习伙伴首选项。当ITR作为教师时，早期Hsiu团队专门研发了一款应用于监督辅导与及时干预的中学教育机器人Trikebot［7］。随后针对一对一教学，学界形成了类似儿童第二语言技能教学机器人Tega的ITR研究设计思路［8］。此外，ITR还作为嵌入STEM主题教育中极有效的教学媒体和学习工具，被看作是激励现代化教学方式的最佳途径［9］。Mehdipour等人采用由人工智能授权的机器人辅助新西兰小学教育工作者开展STEM教育，结果发现：教师对ITR在协助搜索和准备资料方面的性能作出了积极反响。相比助教，教师更愿意采用ITR作为教学辅助工具［10］。

（四）机器学习的综合研究

机器学习（Machine Learning，即ML）作为人工智能发展的核心动力，主要分为监督学习、非监督学习和强化学习［11］。在教育领域，国外学者综合探讨了机器学习的理论发展和应用研究。在理论发展上，机器学习与统计学、信息论、博弈论等数学分支学科有共同的关系脉络。机器学习理论可作为各种焦点推测和理性分析的中心点，通过提供逻辑框架来组织新的机器学习算法，间接推进编程的前沿发展［12］。在应用研究上，机器学习技术使用一系列统计分析方法（算法）收集、构造和分析计算性的大数据集，从而具有识别模式、构建分类、预测模型［13］等功能。如Duzhin提出了三种机器学习算法，分别用反向传播（BP）、支持向量回归（SVR）和长短期记忆（LSTM）来预测学生学习成绩［14］。Zea等人使用二元分类学习算法识别具有弃学风险的学生［15］。由英国开放大学研制的“OU Analyze高危学生预测系统”则允许学生自主选择是否参与数据监测。如此，从人文关怀上尊重学生选择权，减少了学生个人与数据操控者之间的权力不平衡，是机器学习算法在人权和伦理道德考量上的具体表现。