馬 華，李京澤，唐文勝，黃卓軒

（1.湖南師范大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長沙 410081；2.騰訊云計算（長沙）有限責(zé)任公司，湖南 長沙 410221）

0 引言

近年來，互聯(lián)網(wǎng)、移動通信、云計算、大數(shù)據(jù)和人工智能等技術(shù)的融合與迅猛發(fā)展，推動了全球教育方式的變革。2019 年2 月，中共中央、國務(wù)院印發(fā)《中國教育現(xiàn)代化2035》，明確了我國要加快信息化教育變革，實現(xiàn)規(guī)?；逃c“個性化培養(yǎng)”的有機結(jié)合。2020 年，在全球爆發(fā)的新冠疫情，客觀上促進了在線學(xué)習(xí)的大規(guī)模普及［1］，并推動了公共學(xué)習(xí)平臺（例如edX、Coursera、Udacity、中國大學(xué)MOOC、學(xué)習(xí)通、智學(xué)網(wǎng)、EduCoder 等）和各個教學(xué)單位自有網(wǎng)絡(luò)教學(xué)系統(tǒng)的快速發(fā)展。目前，這些平臺和系統(tǒng)已積累了包括慕課（MOOC）、開放式課程（Open Course Ware，OCW）、課件、試題、習(xí)題（或?qū)嶒灐嵱?xùn)）等在內(nèi)的龐大學(xué)習(xí)資源。為不斷提高自己的知識水平，學(xué)習(xí)者迫切希望從海量的各類學(xué)習(xí)資源中快速挑選出適合自己的個性化資源以有效完善自己的知識結(jié)構(gòu)［2-3］。如何實現(xiàn)精準(zhǔn)的個性化學(xué)習(xí)輔導(dǎo)，已成為當(dāng)前在線學(xué)習(xí)研究面臨的一個關(guān)鍵問題［4］。

在線學(xué)習(xí)大規(guī)模普及背景下，面對現(xiàn)已生成的海量且多模態(tài)的歷史學(xué)習(xí)數(shù)據(jù)、豐富且異構(gòu)化的學(xué)習(xí)資源，在學(xué)習(xí)者認(rèn)知能力不確定性、學(xué)習(xí)興趣變化性、學(xué)習(xí)偏好多樣性等因素影響下，個性化在線學(xué)習(xí)資源推薦研究面臨諸多挑戰(zhàn)，已受到許多學(xué)者關(guān)注，他們的研究獲得了政府和民間的多項資助。例如，中國國家自然科學(xué)基金委于2018年新設(shè)立了項目申請代碼F0701（“教育信息科學(xué)與技術(shù)”），近4 年來已資助10 余項與學(xué)習(xí)資源個性化推薦相關(guān)的項目。美國蘭德公司在比爾及梅琳達·蓋茨基金會資助下進行了Observations and Guidance on Implementing Personalized Learning 項目研究［5］，美國奧斯汀佩伊州立大學(xué)的Degree Compass、普渡大學(xué)的Course Signals 和亞利桑那州立大學(xué)的eAdvisor 等項目，也都致力于提供大數(shù)據(jù)背景下的個性化學(xué)習(xí)推薦服務(wù)［6］。以上項目的實施，有效促進了個性化在線學(xué)習(xí)資源推薦研究的發(fā)展。

目前，個性化在線學(xué)習(xí)資源推薦研究已取得一定進展和成果［7］，但至今尚未見到對現(xiàn)有研究成果進行可視化分析的文獻。本文采用文獻計量法，使用CiteSpace［8］軟件分析了中國知網(wǎng)（CNKI）和Web of Science（WoS）近十年的相關(guān)研究現(xiàn)狀，總結(jié)了個性化在線學(xué)習(xí)資源推薦研究的熱點和趨勢，并指出了未來研究的主要方向，以期為相關(guān)研究者提供參考與啟發(fā)。

1 研究方案

考慮到CNKI 和WoS 核心庫是當(dāng)前最主流和最權(quán)威的中、英文學(xué)術(shù)信息數(shù)據(jù)庫，本文將以它們作為數(shù)據(jù)采集平臺。統(tǒng)計主題由“個性化在線學(xué)習(xí)方式”和“學(xué)習(xí)資源類型”兩部分組成，以CNKI 為例，其統(tǒng)計主題為“（個性化學(xué)習(xí)+在線學(xué)習(xí)+網(wǎng)絡(luò)教學(xué)+移動學(xué)習(xí)+學(xué)習(xí)資源+習(xí)題+試題+慕課+MOOC+開放式課程+OCW+學(xué)習(xí)路徑+教育資源+學(xué)習(xí)小組+課件+學(xué)習(xí)視頻）*推薦”。根據(jù)數(shù)據(jù)統(tǒng)計分析可知，2010 年之前發(fā)表的與本主題相關(guān)的學(xué)術(shù)成果數(shù)量較少，故本文將發(fā)文年份設(shè)為2011-2021 年，即分析近十年的相關(guān)研究成果。此外，數(shù)據(jù)采集時可能導(dǎo)入一些與統(tǒng)計主題關(guān)聯(lián)性較小學(xué)科的無效數(shù)據(jù)，例如CNKI 中的“高等教育”“成人教育與特殊教育”“外國語言文學(xué)”等學(xué)科有大量單純涉及教學(xué)和文學(xué)理論的相關(guān)研究成果，WoS 中的“Engineering Electrical Electronic”“Telecommunications”等學(xué)科有大量單純涉及信號處理和通信技術(shù)的研究。因此，本研究對學(xué)科和文獻類型均進行篩選，然后在CNKI 和WoS 中分別得到1 652 條和1 363 條記錄，簡記為CNKI 源Ⅰ和WoS 源。為進一步聚焦高質(zhì)量中文學(xué)術(shù)成果，本文專門從CNKI 源I 中篩除非北大核心、CSSCI 和CSCD 收錄的期刊，得到1 148 條記錄，記為CNKI 源Ⅱ。分析數(shù)據(jù)源中文獻所屬類別和學(xué)科情況如表1所示。

Table 1 Categories and disciplines of literatures表1 文獻類別與學(xué)科

由表1 可知，CNKI 源Ⅰ、Ⅱ來源于計算機學(xué)科的文獻比例明顯高于WoS 源，其原因是CNKI 收錄了大量碩士或博士學(xué)位論文，表1 中檢索出來的900 篇學(xué)位論文中有753篇屬于計算機學(xué)科，而WoS 中未包含學(xué)位論文的數(shù)據(jù)。個性化學(xué)習(xí)資源推薦屬于跨學(xué)科研究范疇，教育學(xué)與教育心理學(xué)等為其提供理論指導(dǎo)，而計算機科學(xué)提供技術(shù)支撐。因不少文獻發(fā)表于跨學(xué)科期刊，故表1 的學(xué)科分析中文獻數(shù)據(jù)總和大于實際檢索獲得的總數(shù)。文中數(shù)據(jù)及篩選標(biāo)準(zhǔn)均已公布［9］。

2 研究基本狀況

為了解近十年個性化在線學(xué)習(xí)資源推薦研究基本狀況，使用CiteSpace 對現(xiàn)有研究發(fā)文量變化態(tài)勢和高發(fā)文量權(quán)威期刊、發(fā)文機構(gòu)和作者共現(xiàn)圖譜等進行可視化分析。

2.1 發(fā)文量變化態(tài)勢與權(quán)威期刊分析

文獻發(fā)文量是衡量科學(xué)研究發(fā)展的重要指標(biāo)，它反映科學(xué)知識量的變化及該領(lǐng)域的研究熱度。3 個數(shù)據(jù)源在個性化學(xué)習(xí)推薦領(lǐng)域的發(fā)文量如圖1所示。

Fig.1 Changing trend of publication number圖1 發(fā)文量變化態(tài)勢

由圖1 可知，CNKI 源Ⅰ和CNKI 源Ⅱ的總發(fā)文量分別由2011 年的29 篇和26 篇增長到2021 年的246 篇和159篇，增長均超過5 倍。尤其是，2016-2017 年和2018-2019年期間的發(fā)文量增長迅速。本文認(rèn)為這與人工智能與智慧教育在這些年的發(fā)展有密切關(guān)系，例如：2016 年，Alpha-Go 在人機大戰(zhàn)中獲勝，在全球掀起了人工智能研究的熱潮；2017 年，國務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，有力推動了智能教育的發(fā)展；2018 年，教育部發(fā)布《教育信息化2.0 行動計劃》，吸引了越來越多的學(xué)者圍繞“如何滿足在線學(xué)習(xí)者的個性化學(xué)習(xí)需求”開展相關(guān)研究；2019 年，中共中央、國務(wù)院印發(fā)《中國教育現(xiàn)代化2035》，進一步加快了互聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)等現(xiàn)代技術(shù)與教育教學(xué)的深度融合。正是國家政策的大力支持和新興技術(shù)的成功應(yīng)用，使得近年來個性化在線學(xué)習(xí)資源推薦研究取得了較多成果，并將在未來持續(xù)受到更多關(guān)注。近十年，WoS 源的發(fā)文量同樣穩(wěn)定上升，特別是2015 年，增幅達到1 倍。CNKI和WoS 相關(guān)發(fā)文量總體上升，說明相關(guān)研究進入了一個相對穩(wěn)定的發(fā)展時期。為進一步分析發(fā)文質(zhì)量情況，從CNKI 和WoS 中選取本領(lǐng)域內(nèi)發(fā)文量排名前五的權(quán)威中文期刊和英文期刊，如表2所示。

表2 中所有期刊均屬于教育科學(xué)或計算機科學(xué)領(lǐng)域。CNKI 源Ⅰ、Ⅱ中發(fā)文量前五的中文期刊相同，排名前四的期刊均是教育學(xué)領(lǐng)域的CSSCI（Chinese Social Sciences Citation Index）來源期刊。其中，《中國電化教育》發(fā)文最多，共28 篇，該雜志主要關(guān)注面向全國中小學(xué)的教育信息化研究成果?！队嬎銠C學(xué)報》是中國計算機領(lǐng)域的權(quán)威期刊，也是EI（Engineering Index）來源期刊。從WoS 中挑選出來的期刊均為SCI（Science Citation Index）或SSCI（Social Sciences Citation Index）來源期刊，除第三和第五的期刊分別源自美國和荷蘭外，另外3 本期刊均來自英國。其中，Computers &Education是計算機與教育科學(xué)交叉研究的SCI 和SSCI 來源期刊，主要關(guān)注數(shù)字技術(shù)在教學(xué)上的使用，其發(fā)表的文章側(cè)重于對學(xué)習(xí)和教學(xué)的影響以及使用環(huán)境，一般不包含涉及軟硬件實現(xiàn)的體系結(jié)構(gòu)細(xì)節(jié)；Computers in Human Behavior聚焦研究計算機在心理學(xué)、精神病學(xué)和相關(guān)學(xué)科中的使用，以及計算機的使用對于個人、群體和社會的心理影響；IEEE Transactions on Learning Technologies是側(cè)重學(xué)習(xí)技術(shù)及其應(yīng)用研究的SCI 和SSCI 來源期刊；Expert Systems with Applications重點關(guān)注智能專家系統(tǒng)設(shè)計、開發(fā)、測試、實施和管理；Knowledge-based Systems專注于知識和其他人工智能技術(shù)系統(tǒng)研究。

2.2 作者—機構(gòu)共現(xiàn)圖譜與高產(chǎn)機構(gòu)分析

文獻作者及發(fā)文機構(gòu)代表著該領(lǐng)域的研究力量，對研究領(lǐng)域的研究者和研究機構(gòu)進行分析可識別該領(lǐng)域一定時期內(nèi)有較高影響力的研究群體。CNKI 和WoS 的核心作者—機構(gòu)共現(xiàn)圖譜分別如圖2 和圖3 所示。由CiteSpace 生成的圖譜中，連線代表節(jié)點間存在共現(xiàn)關(guān)系，節(jié)點越大，其出現(xiàn)頻次越高。圖2 和圖3 中隱藏了在該領(lǐng)域內(nèi)發(fā)文少于3 篇的作者姓名，名字越大，代表其發(fā)文越多，依此識別出核心作者。

Table 2 Top five authoritative journals表2 發(fā)文量前五的權(quán)威期刊

Fig.2 Co-occurrence mapping of CNKI author-institution圖2 基于CNKI的作者—機構(gòu)共現(xiàn)圖譜

Fig.3 Co-occurrence mapping of WoS author-institution圖3 基于WoS的作者—機構(gòu)共現(xiàn)圖譜

圖2 中，核心作者的合作并不多，而且多為一個機構(gòu)的內(nèi)部合作。例如，趙蔚和姜強同屬東北師范大學(xué)；而李浩君、張征和張鵬威則同屬浙江工業(yè)大學(xué)。但趙蔚等人與李浩君等人同為跨計算機與教育領(lǐng)域的研究者。通過點擊CiteSpace 中的作者節(jié)點可查看其發(fā)文量和發(fā)文時間。其中，東北師范大學(xué)的趙蔚合作較多，共發(fā)表12 篇文獻，集中在2011、2014、2015 這3 年，主要研究基于大數(shù)據(jù)和數(shù)據(jù)挖掘的推薦算法。

圖3 中，核心作者多是跨機構(gòu)合作。例如，Cardiff Univ的K Suomalainen 與Univ Helsinki 的E Barnes 有合作關(guān)系，Huazhong Univ Sci &Technol 的Zhou Pan 與Univ Florida 的Wu Dapeng 有合作關(guān)系。其中，Zhou Pan 共有6 篇文章，發(fā)表于2018 年和2019 年，主要研究大數(shù)據(jù)背景下用戶的實時興趣跟蹤。此外，Aleksandra Klasnja-Milicevic 發(fā)表論文較多，共9 篇文獻，主要研究基于標(biāo)簽、學(xué)習(xí)風(fēng)格和知識水平的學(xué)習(xí)資源推薦。

為考察機構(gòu)發(fā)文量，生成了CNKI和WoS的高產(chǎn)機構(gòu)發(fā)文量表，發(fā)文量前十的高產(chǎn)機構(gòu)如表3 所示。值得注意的是，CiteSpace將同一機構(gòu)的不同部門視為不同的發(fā)文機構(gòu)。

Table 3 Top ten high-yield institutions of documents issued表3 發(fā)文量前十的高產(chǎn)機構(gòu)

表3 中“CNKI 源Ⅱ期刊機構(gòu)”是統(tǒng)計發(fā)文于北大核心、CSSCI、CSCD 期刊的機構(gòu)。由表3 可知，華中師范大學(xué)在發(fā)文量方面遙遙領(lǐng)先，發(fā)表了80 篇相關(guān)文獻，大約是第二名北京郵電大學(xué)的2 倍。此外，電子科技大學(xué)發(fā)文量不少于33 篇。比較最早發(fā)文時間可發(fā)現(xiàn)，雖然東北師范大學(xué)和華東師范大學(xué)發(fā)文較早，但近十年總發(fā)文量不多。表3所列CNKI 機構(gòu)多為師范類高校，緣于他們深耕教育領(lǐng)域，易于凝聚教育和計算機專業(yè)人才開展交叉研究并取得成果。此外，中國科學(xué)技術(shù)大學(xué)雖未進入表3，但該校與表3中的“安徽科大訊飛”存在合作關(guān)系，而且其以陳恩紅、劉淇等人為代表的團隊在個性化學(xué)習(xí)資源推薦研究領(lǐng)域取得諸多成果［4，10-12］。表3 列舉的WoS 機構(gòu)中，除排名第七、第九的機構(gòu)源自中國和南非外，另外八所機構(gòu)均來自美國或英國一流大學(xué)。同時，CNKI 中的國內(nèi)發(fā)文機構(gòu)合作較少，而WoS 中所列的發(fā)文機構(gòu)間合作較多。作者及發(fā)文機構(gòu)間的合作關(guān)系是互相影響的，因此相關(guān)領(lǐng)域的研究者和發(fā)文機構(gòu)的合作都需要進一步加強。

基于CiteSpace 分析各機構(gòu)的發(fā)文者和文獻如下：

（1）CNKI 機構(gòu)中，東北師范大學(xué)的發(fā)文者主要是姜強、白雪和趙蔚3 人；華中師范大學(xué)的發(fā)文者主要是葉俊民、丁繼紅等人。姜強等［13］提出通過大數(shù)據(jù)分析，從學(xué)習(xí)環(huán)境、學(xué)習(xí)者、學(xué)習(xí)目標(biāo)、學(xué)習(xí)方法4 個維度建立學(xué)習(xí)分析模型，以實現(xiàn)為個性化學(xué)習(xí)者提供合理有效的學(xué)習(xí)路徑；趙蔚等［14］研究基于本體技術(shù)實現(xiàn)個性化學(xué)習(xí)資源推薦；葉俊民等［15］基于異構(gòu)信息網(wǎng)絡(luò)，以元路徑的相似性度量為基礎(chǔ)，結(jié)合知識轉(zhuǎn)化概率和學(xué)習(xí)反饋信息，計算學(xué)習(xí)者與學(xué)習(xí)資源之間的語義相似度，并依據(jù)該相似度推薦學(xué)習(xí)資源。

（2）WoS 機構(gòu)中，匹茲堡大學(xué)的相關(guān)研究者有Niu Zhendong 等［16］、倫敦大學(xué)有Karataev 等［17］。Zhendong等［16］將學(xué)習(xí)者的上下文和順序訪問模式合并到推薦系統(tǒng)中，提出一種結(jié)合上下文感知、順序模式挖掘（Sequence Pattern Mining，SPM）和協(xié)同過濾（Collaborative Filtering，CF）算法的混合推薦方法。其中，上下文感知用于合并學(xué)習(xí)者的知識水平和學(xué)習(xí)目標(biāo)等上下文信息；SPM 算法用于挖掘Web 日志并發(fā)現(xiàn)學(xué)習(xí)者的順序訪問模式；CF 根據(jù)情境化數(shù)據(jù)和學(xué)習(xí)者的知識計算預(yù)測并為目標(biāo)學(xué)習(xí)者提供建議的順序訪問模式。Karataev 等［17］針對大多數(shù)電子學(xué)習(xí)系統(tǒng)未利用其用戶能力創(chuàng)建高質(zhì)量教育內(nèi)容的現(xiàn)狀，提出一種可支持用戶以小節(jié)課程形式編寫教育內(nèi)容的社交學(xué)習(xí)框架，通過遵循自適應(yīng)學(xué)習(xí)途徑以及與其它社交網(wǎng)絡(luò)中的同伴互動完成課程學(xué)習(xí)。

3 研究熱點分析

為了解近十年個性化在線學(xué)習(xí)資源推薦研究熱點，使用CiteSpace 對現(xiàn)有研究的關(guān)鍵詞共現(xiàn)圖譜及高頻關(guān)鍵詞、共被引文獻聚類圖譜等進行分析，并分析CNKI 現(xiàn)有研究所針對的學(xué)習(xí)資源類型。

3.1 關(guān)鍵詞共現(xiàn)圖譜分析

關(guān)鍵詞反映文獻的要點和主題內(nèi)容，而頻次標(biāo)志關(guān)鍵詞的重要程度，多篇文獻中共同出現(xiàn)的高頻次關(guān)鍵詞可反映該研究領(lǐng)域某一時期的研究熱點與核心內(nèi)容。由CiteSpace 得到關(guān)鍵詞共現(xiàn)圖譜如圖4 所示，高頻關(guān)鍵詞的詞頻統(tǒng)計如表4所示。

Fig.4 Co-occurrence map of keywords圖4 關(guān)鍵詞共現(xiàn)圖譜

Table 4 Word frequency statistics of high frequency keywords表4 高頻關(guān)鍵詞的詞頻統(tǒng)計

由圖4 和表4 可知，近年來個性化在線學(xué)習(xí)資源推薦研究所使用的主流技術(shù)包括“協(xié)同過濾”“深度學(xué)習(xí)”等，所涉及的常見學(xué)習(xí)資源包括“MOOC”“學(xué)習(xí)路徑”等，所針對的應(yīng)用場景主要有“在線學(xué)習(xí)”“higher education”等。

利用CiteSpace 中點擊節(jié)點可單獨顯示與其相連的其他節(jié)點這一功能，結(jié)合圖4 和表4 中的新興技術(shù)（特指2015年及之后出現(xiàn)的高頻關(guān)鍵詞中所涉及的技術(shù)）可知，將協(xié)同過濾算法、數(shù)據(jù)挖掘等傳統(tǒng)算法與深度學(xué)習(xí)、知識圖譜、認(rèn)知診斷等新興算法相結(jié)合，是近十年來的主要研究熱點。進一步分析如下：

（1）協(xié)同過濾。利用協(xié)同過濾算法［18］分析學(xué)習(xí)者的歷史數(shù)據(jù)，以挖掘相似學(xué)習(xí)者或相似學(xué)習(xí)資源以進行推薦，能獲得較理想的推薦效果［10］。其優(yōu)勢在于不需要像基于內(nèi)容的推薦算法那樣對資源進行復(fù)雜的特征提取與建模。針對在應(yīng)用協(xié)同過濾算法時面臨的新學(xué)習(xí)者或新學(xué)習(xí)資源的冷啟動問題和數(shù)據(jù)稀疏問題，研究者將協(xié)同過濾與其他技術(shù)或輔助信息相結(jié)合。例如，吳云峰等［19］結(jié)合遷移學(xué)習(xí)與協(xié)同過濾對面向C 程序網(wǎng)絡(luò)教學(xué)的試題資源進行個性化推薦；朱天宇等［11］提出一種基于認(rèn)知診斷的協(xié)同過濾試題推薦方法等。這些研究有力地推進了協(xié)同過濾算法在個性化學(xué)習(xí)資源推薦中的實際應(yīng)用。

（2）知識圖譜。利用知識圖譜構(gòu)建涉及大量實體及其關(guān)系的信息網(wǎng)絡(luò)，并以此為數(shù)據(jù)挖掘提供輔助信息，可提升推薦系統(tǒng)準(zhǔn)確率。從組成要素看，圖譜主要由節(jié)點和邊組成，每個節(jié)點對應(yīng)現(xiàn)實世界中的實體，每條邊表示實體與實體之間的關(guān)系［20］。知識圖譜不僅在個性化學(xué)習(xí)路徑推薦研究中可發(fā)揮重要作用［21］，而且在論文推薦研究中也可有效解決數(shù)據(jù)稀疏問題［22］。但是，將知識圖譜輔助解決冷啟動問題時，僅適用于已穩(wěn)定運行一段時間并積累了一定歷史數(shù)據(jù)的在線學(xué)習(xí)平臺中出現(xiàn)新的學(xué)習(xí)者或者學(xué)習(xí)資源的情況［10］。

（3）認(rèn)知診斷。對學(xué)習(xí)者進行認(rèn)知診斷（Cognitive Diagnosis）分析，可了解學(xué)習(xí)者的認(rèn)知結(jié)構(gòu)、知識點掌握狀態(tài)，從而為個性化學(xué)習(xí)資源推薦提供重要決策基礎(chǔ)。常見的認(rèn)知診斷模型有項目反應(yīng)理論（Item Response Theory，IRT）［23］、DINA 模型（Deterministic Inputs，Noisy “And” gate model）［24］，以及模糊認(rèn)知診斷模型（Fuzzy Cognitive Diagnosis Framework，F(xiàn)uzzyCDF）［25］等。使用認(rèn)知診斷模型可清晰了解學(xué)習(xí)者的學(xué)習(xí)狀況，從而有助于更精準(zhǔn)地進行學(xué)習(xí)資源的個性化推薦。例如，童名文等［26］結(jié)合認(rèn)知診斷、領(lǐng)域模型和自適應(yīng)模型向?qū)W習(xí)者不斷推送適合的學(xué)習(xí)資源，以消除學(xué)習(xí)目標(biāo)與當(dāng)前學(xué)習(xí)成效之間的差值。針對現(xiàn)有認(rèn)知診斷模型在客觀題和主觀題評分機制上的不足，為更全面掌握學(xué)習(xí)者的認(rèn)知情況，一些改進的認(rèn)知診斷模型［12，27］被提出。

3.2 學(xué)習(xí)資源類型分析

CNKI 提供了“結(jié)果中檢索”功能，而WoS 未提供該功能，因此，本文僅篩選出CNKI 源Ⅰ、Ⅱ中文獻明確針對的學(xué)習(xí)資源類型，主要包括MOOC、學(xué)習(xí)路徑、習(xí)題或試題、課程或?qū)W習(xí)視頻等，如表5所示。

Table 5 Types of learning resources表5 學(xué)習(xí)資源類型

以上“學(xué)習(xí)資源類型”相關(guān)的代表性研究包括：朱天宇等［11］基于學(xué)生對知識點的掌握程度進行試題推薦；蔣昌猛等［28］構(gòu)建表征知識點層次關(guān)系的權(quán)重圖，以實現(xiàn)習(xí)題推薦；劉敏等［29］從學(xué)習(xí)資源的內(nèi)容、類型和學(xué)習(xí)資源推薦的時間、頻次等方面建構(gòu)一個可應(yīng)用于MOOC 推薦的系統(tǒng)；通過分析在線學(xué)習(xí)行為；申云鳳等［30］基于人工神經(jīng)網(wǎng)絡(luò)和蟻群優(yōu)化算法，建構(gòu)一種個性化學(xué)習(xí)路徑推薦模型；周麗娟等［31］針對評分?jǐn)?shù)據(jù)極度稀疏的情況，提出一種基于協(xié)同過濾的課程推薦方法；王素琴等［32］基于課程之間的時序性和緊密關(guān)系將課程分類后進行推薦。

3.3 共被引文獻聚類圖譜分析

共被引文獻是指兩篇（或多篇）論文同時被后來一篇或多篇論文所引證，被引量的多少可判斷該文獻引起同行反響的程度和質(zhì)量水平的高低。為了解個性化學(xué)習(xí)資源推薦領(lǐng)域具有影響力的文獻，如圖5 所示，生成WoS 共被引文獻的聚類圖譜。由于CNKI 文獻沒有引文數(shù)據(jù)，故無法進行共被引文獻聚類圖譜分析。

Fig.5 Clustering map of WoS co-cited articles圖5 WoS共被引文獻聚類圖譜

圖5 是CiteSpace 根據(jù)共被引文獻的關(guān)鍵詞聚類生成，帶“#”字符的內(nèi)容是聚類名稱，無“#”字符的內(nèi)容則是共被引次數(shù)較高文獻的作者及發(fā)表年份。可以發(fā)現(xiàn)，共被引文獻多涉及“MOOC”學(xué)習(xí)資源，以“學(xué)生”為中心，重視學(xué)生的“學(xué)習(xí)風(fēng)格”，以及對其歷史數(shù)據(jù)的挖掘。此外，還識別出了被引頻次前十的文獻［33-42］，它們主要圍繞“學(xué)習(xí)者模型”和“學(xué)習(xí)資源特征”兩個主題。其中，文獻［33］較早提出了基于學(xué)習(xí)風(fēng)格的推薦系統(tǒng)；通過挖掘?qū)W習(xí)者在網(wǎng)絡(luò)環(huán)境中共同的歷史學(xué)習(xí)序列，文獻［34］研究如何針對學(xué)習(xí)者當(dāng)前學(xué)習(xí)過程進行學(xué)習(xí)資源推薦；文獻［35］設(shè)計一種基于個性化推薦的移動語言學(xué)習(xí)方法，并基于該方法開發(fā)移動學(xué)習(xí)系統(tǒng)，通過提供閱讀材料推薦機制，引導(dǎo)學(xué)生閱讀符合自己喜好和知識水平的文章；文獻［36］綜述了推薦系統(tǒng)以及協(xié)同過濾方法，解釋它們的演變，并為這些系統(tǒng)提供一個原始分類；文獻［37］通過開發(fā)基于決策樹和數(shù)據(jù)挖掘技術(shù)的個性化創(chuàng)造力學(xué)習(xí)系統(tǒng)，為優(yōu)化創(chuàng)造力表現(xiàn)提供了個性化學(xué)習(xí)路徑；文獻［38］對推薦系統(tǒng)的應(yīng)用開發(fā)進行了分類，并總結(jié)了每個類別中使用的相關(guān)推薦技術(shù)；基于詞匯的技術(shù)和機器學(xué)習(xí)技術(shù)，文獻［39］設(shè)計了一種在Facebook 中進行情感分析的新方法，以支持個性化學(xué)習(xí)；文獻［40］綜述了學(xué)習(xí)風(fēng)格和適應(yīng)性學(xué)習(xí)系統(tǒng)的整合現(xiàn)狀，及其問題；文獻［41］分析了基于學(xué)習(xí)者上下文信息的推薦系統(tǒng)，并提出一個上下文框架，用于識別推薦系統(tǒng)相關(guān)上下文維度；基于應(yīng)用上下文感知技術(shù)和推薦算法，文獻［42］開發(fā)一個學(xué)習(xí)系統(tǒng)，幫助終身學(xué)習(xí)學(xué)習(xí)者以上下文感知的方式實現(xiàn)個性化學(xué)習(xí)目標(biāo)，提高學(xué)習(xí)者學(xué)習(xí)效率。

“個性化學(xué)習(xí)資源推薦”問題的本質(zhì)是“如何為學(xué)習(xí)者從海量數(shù)據(jù)中找到適合自己的學(xué)習(xí)資源”，而準(zhǔn)確評估學(xué)習(xí)者和不同類型學(xué)習(xí)資源之間的特征匹配度，對于解決該問題具有關(guān)鍵意義。因此，結(jié)合新興技術(shù)和算法，研究具體應(yīng)用場景下學(xué)習(xí)者和學(xué)習(xí)資源的特征建模，仍是未來的重要工作之一。

4 研究趨勢分析

2020 年的新冠疫情促進了在線學(xué)習(xí)的大規(guī)模普及，在此背景下，面向在線學(xué)習(xí)的個性化學(xué)習(xí)資源推薦吸引了越來越多研究者的關(guān)注。進一步推動個性化學(xué)習(xí)資源推薦研究，對于實現(xiàn)教育信息化、培養(yǎng)高素質(zhì)人才的目標(biāo)有著重要的現(xiàn)實意義。通過梳理十年來的相關(guān)文獻可發(fā)現(xiàn)，當(dāng)前個性化在線學(xué)習(xí)資源推薦的研究在結(jié)合遷移學(xué)習(xí)、碎片化資源整合及動態(tài)推薦等3個方面呈現(xiàn)出明顯發(fā)展趨勢。

（1）結(jié)合遷移學(xué)習(xí)的研究趨勢。遷移學(xué)習(xí)是用已獲得的知識對不同但相關(guān)領(lǐng)域的問題進行求解的一種機器學(xué)習(xí)方法。域適應(yīng)是將遷移學(xué)習(xí)運用到個性化學(xué)習(xí)資源推薦過程中最常見的問題之一，主要指域不同但任務(wù)相同，且源域數(shù)據(jù)有標(biāo)簽，目標(biāo)域數(shù)據(jù)沒有標(biāo)簽或者只有很少數(shù)據(jù)有標(biāo)簽。微調(diào)則是遷移學(xué)習(xí)中的一種常見方法，其根據(jù)實際情況更新模型中的不同部分。例如，柴玉梅等［43］提出一種基于雙注意力機制和遷移學(xué)習(xí)的跨領(lǐng)域推薦模型，該模型通過卷積神經(jīng)網(wǎng)絡(luò)對文本建模，然后引入遷移學(xué)習(xí)，同時提取領(lǐng)域特有的特征和領(lǐng)域間的共享特征進行不同領(lǐng)域之間的聯(lián)合建模，以實現(xiàn)在緩解數(shù)據(jù)稀疏問題和用戶冷啟動問題方面的優(yōu)勢。

實際上，很多跨專業(yè)甚至跨學(xué)科的學(xué)習(xí)擁有類似規(guī)律，因此可以利用遷移學(xué)習(xí)解決個性化學(xué)習(xí)資源推薦時所遇到的冷啟動問題，提升推薦結(jié)果的準(zhǔn)確性和多樣性。學(xué)習(xí)者在學(xué)習(xí)多門課程時，這些課程間可能存在一定關(guān)聯(lián)。如何充分挖掘相關(guān)專業(yè)、課程之間的潛在關(guān)系，進行遷移學(xué)習(xí)分析，對于改進推薦效果具有重要作用。

（2）考慮碎片化資源整合的研究趨勢。當(dāng)前，在線學(xué)習(xí)平臺中的學(xué)習(xí)資源具有微型化特點，以致資源呈現(xiàn)不斷碎片化的趨勢。由于學(xué)生的分析總結(jié)能力有限，即使學(xué)生有持續(xù)學(xué)習(xí)的習(xí)慣，但他們在碎片化知識學(xué)習(xí)時也難以構(gòu)建屬于自己的知識體系和邏輯框架，更無法挖掘自身和碎片化資源之間的潛在關(guān)系。此外，如何組織跨學(xué)科知識或者交叉學(xué)科知識，也是碎片化資源整合研究的重點之一。

利用知識圖譜幫助建構(gòu)碎片化知識間的關(guān)系、區(qū)分不同知識點的重要程度、對碎片化知識進行查漏補缺，是當(dāng)前研究的一個理想思路。研究者可借助知識圖譜串聯(lián)跨專業(yè)、跨學(xué)科的知識點，有效組織知識點的邏輯框架與體系，為個性化學(xué)習(xí)資源推薦提供理想的數(shù)據(jù)結(jié)構(gòu)［44］。例如，慕課平臺Khan Academy 利用知識圖譜整合碎片化知識、重構(gòu)知識間的關(guān)聯(lián)［45］；Shi 等［46］提出學(xué)習(xí)對象之間的6種主要語義關(guān)系，用以構(gòu)建多維知識圖譜，從而推薦學(xué)習(xí)路徑；王亮等［47］利用MOOC 課程中的微視頻、測驗作業(yè)、討論記錄等多種微資源，構(gòu)建包含知識實體及其關(guān)聯(lián)關(guān)系的多模態(tài)知識圖譜。

為使學(xué)生更有效地學(xué)習(xí)碎片化知識，研究者在建立知識圖譜時應(yīng)在明確知識圖譜的知識原點后，再進行圖譜知識延伸。如何充分挖掘知識點間的關(guān)聯(lián)關(guān)系是研究重點，確定了知識點間的內(nèi)在聯(lián)系，才能知道知識點的相對難易程度，避免學(xué)生在學(xué)習(xí)基礎(chǔ)知識前“異常地”先接觸到較深入的知識。

（3）基于動態(tài)推薦技術(shù)的研究趨勢?，F(xiàn)有研究中大多數(shù)推薦系統(tǒng)都是靜態(tài)，使用某一時間片上、時效性明顯的數(shù)據(jù)。但是，學(xué)習(xí)者對知識的記憶和理解程度往往會隨著時間的推移而衰減。因此，利用遺忘曲線，對人的記憶力衰減模型進行分析，在此基礎(chǔ)之上，結(jié)合學(xué)習(xí)者的時序測試數(shù)據(jù)，動態(tài)分析學(xué)習(xí)者的知識點掌握程度，繼而進行試題等學(xué)習(xí)資源推薦，是一種可行思路。如何基于實時的反饋數(shù)據(jù)并結(jié)合原有信息動態(tài)優(yōu)化個性化學(xué)習(xí)資源的推薦算法，是未來研究趨勢之一。例如，通過深度學(xué)習(xí)算法建構(gòu)基于內(nèi)容的學(xué)習(xí)者模型，可根據(jù)時序數(shù)據(jù)及時有效地更新模型［48］，也可以融合近幾年來被提出的增量圖嵌入方法［49］，以適應(yīng)實時性要求，降低數(shù)據(jù)訓(xùn)練的時間成本。

5 未來研究方向

目前，個性化學(xué)習(xí)資源推薦研究尚存在不少亟待解決的問題，需作進一步研究，主要包括：

（1）通過對學(xué)習(xí)者的認(rèn)知能力進行更全面和客觀的診斷，進一步完善現(xiàn)有的學(xué)習(xí)資源推薦機制并提高推薦準(zhǔn)確率。除需要分析教育心理學(xué)已發(fā)現(xiàn)的“猜測”和“粗心”等因素［19］對認(rèn)知診斷結(jié)果產(chǎn)生的影響外，學(xué)習(xí)者在知識點的理解深度和運用水平的靈活性上往往表現(xiàn)出不穩(wěn)定性，需要引入更有效的模糊數(shù)學(xué)理論來刻畫學(xué)生對知識點掌握程度的變化規(guī)律和特征。在當(dāng)前學(xué)科交叉和知識融合的人才培養(yǎng)趨勢下，不同知識點，甚至不同學(xué)科的知識點間可能互相影響，這更給綜合診斷學(xué)習(xí)者的認(rèn)知能力帶來了新的挑戰(zhàn)。并且，隨著時間的推移，學(xué)習(xí)者對于舊知識點的掌握和熟悉程度會有所下降［48］。此外，知識點的準(zhǔn)確劃分是了解學(xué)習(xí)者知識掌握情況的基礎(chǔ)，準(zhǔn)確拓展和完善知識點結(jié)構(gòu)，對個性化學(xué)習(xí)資源推薦研究具有重要意義。

（2）主流在線學(xué)習(xí)平臺已積累了龐大、異構(gòu)和多樣化的學(xué)習(xí)資源，除試題、課程、文獻等常見學(xué)習(xí)資源外，還包括學(xué)習(xí)小組、學(xué)習(xí)路徑等資源，它們從不同側(cè)面對學(xué)習(xí)者的學(xué)習(xí)效果產(chǎn)生顯式或隱式影響。如何在約簡高維特征和提高海量數(shù)據(jù)計算效率的基礎(chǔ)上，進行多種學(xué)習(xí)資源的綜合推薦是研究者需要關(guān)注的方向。同時，針對頻繁出現(xiàn)的冷啟動和數(shù)據(jù)稀疏問題，如何應(yīng)用知識圖譜和圖嵌入算法等進行海量數(shù)據(jù)下的高效推薦優(yōu)化，從而為學(xué)習(xí)者提供令人滿意的推薦結(jié)果，也是當(dāng)前面臨的重要挑戰(zhàn)。

（3）強化研究過程中的跨學(xué)科、跨機構(gòu)合作。研究者和研究機構(gòu)間進行合作有助于健全研究體系，形成一致性、系統(tǒng)性的研究結(jié)論和成果。因此，個性化學(xué)習(xí)資源推薦研究的跨學(xué)科團隊合作、突破單一領(lǐng)域思想的約束，以及進一步推進不同學(xué)科研究者和研究機構(gòu)間的合作，對于深入和擴展現(xiàn)有研究、完善研究體系具有重要意義。

6 結(jié)語

近年來，在線學(xué)習(xí)已大規(guī)模普及并快速發(fā)展。針對海量且異構(gòu)化的學(xué)習(xí)資源，結(jié)合學(xué)習(xí)者的認(rèn)知能力、學(xué)習(xí)興趣和學(xué)習(xí)偏好等特點進行的個性化在線學(xué)習(xí)資源推薦研究，已取得一定進展和成果。但是，至今尚未有個性化在線學(xué)習(xí)資源推薦研究現(xiàn)狀的綜述或可視化分析文獻。本文利用CiteSpace 對相關(guān)研究進行計量學(xué)分析，概述了當(dāng)前研究狀況，歸納了學(xué)習(xí)資源推薦研究的當(dāng)前熱點和未來趨勢，指出了已有研究的不足和未來方向，可為個性化在線學(xué)習(xí)資源推薦研究提供有價值的參考與啟發(fā)。