王成梁，戴 堅，留伊丹，王永固

（浙江工業(yè)大學(xué) 教育科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023）

0 引言

過往信息技術(shù)的發(fā)展與應(yīng)用僅改變了傳統(tǒng)教育的表層模式，如通過計算機或移動設(shè)備向?qū)W習(xí)者提供學(xué)習(xí)內(nèi)容，但該方式?jīng)]有從根本上改變教育形式。人工智能（Artificial Intelligence，AI）的飛速發(fā)展及其在教育領(lǐng)域的推廣應(yīng)用讓教師教學(xué)和學(xué)生學(xué)習(xí)都發(fā)生了根本性改變，AI 技術(shù)也因此被認為是最有希望提升學(xué)生學(xué)習(xí)效果的技術(shù)之一［1］。

綜合多位學(xué)者的研究，人工智能輔助教育（Artificial Intelligence in Education，AIEDU）可以界定為人工智能相關(guān)技術(shù)、算法和概念在教育教學(xué)各個環(huán)節(jié)中的應(yīng)用［1-3］。過去10 年中，AIEDU 在各種教育環(huán)境中都得到了廣泛應(yīng)用，還有部分研究并不局限于具體教育環(huán)境與教育內(nèi)容，開始深入到AIEDU 的個性化運用［4］和針對教學(xué)環(huán)境進行的算法創(chuàng)新［5］中。

隨著教學(xué)研究的不斷深入，AIEDU 領(lǐng)域成為跨學(xué)科研究的熱點，但是如果沒有全面了解AIEDU 研究領(lǐng)域的發(fā)展?fàn)顩r，可能會對該領(lǐng)域眾多研究方向感到些許迷惘。尤其對于剛進入該領(lǐng)域的研究者而言，很難從錯綜復(fù)雜的研究現(xiàn)狀中找到該領(lǐng)域的發(fā)展主線與研究前沿。因此，本文從研究熱點（關(guān)鍵詞關(guān)系網(wǎng)絡(luò)）和演進路徑（時間線圖）出發(fā)，結(jié)合具體高被引文獻進行深入分析。文章主要關(guān)注以下問題：①國內(nèi)、國際收錄AIEDU 研究論文的主要期刊有哪些？②國內(nèi)、國際AIEDU 研究中出現(xiàn)頻次最高的關(guān)鍵詞有哪些？彼此間有何聯(lián)系？③國內(nèi)、國際關(guān)于AIEDU 研究的研究熱點、演進路徑有何異同？

1 研究工具與數(shù)據(jù)來源

1.1 研究工具

本文主要利用CiteSpace 和VOSviewer 文獻計量學(xué)工具進行知識圖譜繪制。CiteSpace 被形象地譯為“引文空間”，其原理是采用相似性算法在時間切片內(nèi)獲取時區(qū)視圖和時間線視圖，從而在時間維度上清晰地勾勒出知識演進過程以及某個聚類中文獻的歷史跨度，了解該領(lǐng)域的發(fā)展進程與趨勢［6］。VOSviewer 采用基于概率論的數(shù)據(jù)標準化方法，在關(guān)鍵詞、共機構(gòu)、共作者等領(lǐng)域提供了多種可視化視圖，具有制圖簡易、圖像美觀等特征。

1.2 數(shù)據(jù)來源與描述性統(tǒng)計

國內(nèi)研究選取CNKI 作為數(shù)據(jù)來源，檢索策略為SU='人工智能' * '教育'，時間跨度為2010-2021 年，數(shù)據(jù)庫最后更新時間為2021 年10 月6 日，來源類別選擇CSSCI 與CSCD 索引學(xué)術(shù)期刊，獲得1 707 條文獻記錄。但是通過數(shù)據(jù)庫獲取的數(shù)據(jù)不經(jīng)仔細篩查可能會存在一些重復(fù)或與主題不符的文獻數(shù)據(jù)，因此在分析前需要對數(shù)據(jù)進行預(yù)處理，避免數(shù)據(jù)本身的質(zhì)量問題影響分析結(jié)果，保證可視化分析的有效性。本文主要采用潘瑋等［7］提出的數(shù)據(jù)清洗“DEAN”流程對文獻數(shù)據(jù)進行篩選，最終獲得703 篇有效文獻。通過對文獻年發(fā)文量進行統(tǒng)計，可以發(fā)現(xiàn)從2017年開始，該領(lǐng)域的發(fā)文量開始快速增長。

國外研究選取Web of Science 作為數(shù)據(jù)來源，檢索策略為TS=（（"artificial intelligence" OR "AI" OR "deep learning" OR "machine learning"）AND "education"），時間跨度為2010 年1 月-2021 年10 月，檢索時間截止為2021 年10月6 日，索引選擇SSCI 與SCIE，文獻類型選擇為Articles，獲得2 317 條文獻記錄。由于“深度學(xué)習(xí)（deep learning）”同時是教育學(xué)和AI 領(lǐng)域的關(guān)鍵詞，因此同樣需要進行數(shù)據(jù)預(yù)處理，處理方式與國內(nèi)研究文獻類似，篩選后最終得到313 篇有效文獻。國內(nèi)外人工智能輔助教育應(yīng)用領(lǐng)域發(fā)文量如圖1 所示，其中左圖為國內(nèi)發(fā)文量，右圖為國外發(fā)文量。

Fig.1 Number of articles published in the field of artificial intelligence assisted education applications at home and abroad圖1 國內(nèi)外人工智能輔助教育應(yīng)用領(lǐng)域發(fā)文量

對文獻所屬期刊進行統(tǒng)計，可以反映出哪些期刊是AIEDU 研究的主要陣地。國內(nèi)教育技術(shù)學(xué)相關(guān)刊物是收錄該領(lǐng)域論文的主要刊物，其中刊文量最多的期刊是《中國電化教育》，達到95 篇，刊文量大于50 篇的期刊還有《電化教育研究》、《遠程教育雜志》和《現(xiàn)代教育技術(shù)》；國外發(fā)表該領(lǐng)域論文的刊物大部分屬于教育技術(shù)和計算機教育領(lǐng)域，與國內(nèi)期刊情況較為類似，刊文數(shù)量大于等于10 篇的期刊有Sustainability、Education and Information Technologies、Educational Technology &Society、IEEE Access和Com-puters &Education，其中Sustainability刊文量最多，為22篇，說明近年來開源期刊的快速發(fā)展推動了該領(lǐng)域的研究，雖然目前學(xué)者們在實現(xiàn)開放獲取的最佳途徑上還存在分歧，但研究成果免費共享的想法卻得到了廣泛認同［8］。

2 作者合作情況分析

對作者合作網(wǎng)絡(luò)進行分析，可以了解該研究領(lǐng)域?qū)W術(shù)群體的分布情況。703 篇文獻共計有3 314 名作者，運用VOSviewer 分析目前該研究領(lǐng)域最大的合作群體，結(jié)果如圖2 所示。由圖2 可知，該領(lǐng)域的核心作者是黃榮懷、曾海軍、楊現(xiàn)明、馬陸亭等，這些學(xué)者在教育技術(shù)領(lǐng)域深耕多年，往往能敏銳捕捉該領(lǐng)域的時事熱點，把握研究發(fā)展前沿，并發(fā)表高質(zhì)量論文。

Fig.2 Author cooperation network knowledge graph of domestic artificial intelligence assisted education application research圖2 國內(nèi)人工智能輔助教育應(yīng)用研究作者合作網(wǎng)絡(luò)知識圖譜

對上述核心作者所屬單位進行分析發(fā)現(xiàn)，大部分作者屬于北京師范大學(xué)、華中師范大學(xué)和北京航空航天大學(xué)，這些學(xué)校均在人工智能教育研究方面有著獨特優(yōu)勢，建立了以“人工智能+教育”為目標的學(xué)術(shù)機構(gòu)或?qū)W術(shù)團隊，例如華中師范大學(xué)專門建設(shè)了人工智能學(xué)部，用于培養(yǎng)人工智能輔助教育應(yīng)用領(lǐng)域的人才。黃榮懷作為研究人工智能輔助教育學(xué)術(shù)團體的核心學(xué)者，對該領(lǐng)域各方面的研究均有關(guān)注，包括但不限于技術(shù)應(yīng)用導(dǎo)致的技術(shù)悖論和理論問題、國家與國際組織政策文件研究等［9］。

使用VOSviewer 進一步對國際人工智能輔助教育應(yīng)用領(lǐng)域的作者進行合作分析，發(fā)現(xiàn)了313 篇文獻，共計990 名作者。國際作者合作網(wǎng)絡(luò)并沒有像國內(nèi)一樣形成由若干個權(quán)威學(xué)者主導(dǎo)的研究中心，大部分學(xué)者的發(fā)文量較少，其中最大的學(xué)術(shù)合作群體知識圖譜如圖3所示。

Fig.3 Author collaboration network knowledge graph of international artificial intelligence assisted education application research圖3 國際人工智能輔助教育應(yīng)用研究作者合作網(wǎng)絡(luò)知識圖譜

對比圖2 與圖3 發(fā)現(xiàn)，后者知識圖譜的密度遠高于前者，說明國際人工智能輔助教育應(yīng)用研究更加開放，且學(xué)者之間的合作更加深入。此外，從研究內(nèi)容來看，國內(nèi)主要以理論研究為主，如杜靜等［9］注重人工智能教育的內(nèi)涵定義和原則建構(gòu)；國際研究較為注重實證分析類和應(yīng)用開發(fā)類的研究，如Standen 等［10］以克服問題兒童學(xué)習(xí)障礙這個實際問題為導(dǎo)向，研究開發(fā)基于人工智能的自適應(yīng)學(xué)習(xí)系統(tǒng)。

3 研究現(xiàn)狀與熱點分析

3.1 國內(nèi)研究關(guān)鍵詞分析

關(guān)鍵詞反映研究領(lǐng)域的聚焦點，高頻關(guān)鍵詞往往代表了該領(lǐng)域研究熱點。運用VOSviewer 軟件對國內(nèi)文獻的關(guān)鍵詞進行分析，選擇其中頻次大于等于5 的關(guān)鍵詞進行可視化，結(jié)果如圖4 所示。圓節(jié)點越大，表示關(guān)鍵詞出現(xiàn)的次數(shù)越多；節(jié)點連線代表關(guān)聯(lián)強度，連線越粗表明二者出現(xiàn)在同一篇文獻中的次數(shù)越多；節(jié)點顏色不同代表聚類不同，即研究主題不同。

Fig.4 Keyword knowledge graph of domestic artificial intelligence assisted education application research圖4 國內(nèi)人工智能輔助教育應(yīng)用研究關(guān)鍵詞知識圖譜

分析圖4 可知，全圖圍繞“人工智能”這個核心關(guān)鍵詞展開，而“智能時代”“智能教育”“智慧教育”等組成了次級核心關(guān)鍵詞中具有鮮明特征的一類。有學(xué)者指出，將AI引入教育是一次根本性變革，過去教育技術(shù)的發(fā)展都未能使教育擺脫“工業(yè)化”的刻板印象，故產(chǎn)生“把機器制造得越來越像人，把人培養(yǎng)得越來越像機器”的現(xiàn)象，而AI 是推動“工業(yè)化”教育向“智慧型”教育轉(zhuǎn)變的關(guān)鍵［11］。

“深度學(xué)習(xí)”“大數(shù)據(jù)”“個性化學(xué)習(xí)”“自適應(yīng)學(xué)習(xí)”“學(xué)習(xí)分析”等次級關(guān)鍵詞體現(xiàn)了AI 在教育領(lǐng)域的應(yīng)用態(tài)勢，即技術(shù)應(yīng)用為人才培養(yǎng)提供了獨特的方式方法［12］。深度學(xué)習(xí)作為一種基于大數(shù)據(jù)的先進算法，目前已經(jīng)是機器學(xué)習(xí)領(lǐng)域一個新的研究方向，受到了諸多學(xué)者關(guān)注［13］。如今AI算法在在線教育大數(shù)據(jù)領(lǐng)域的運用已經(jīng)非常普遍［14-16］，基于人工智能的智能化測評、過程性評價也逐漸成為研究熱點［17-18］，可見對于人工智能的應(yīng)用研究，越來越多學(xué)者聚焦到提供個性化教學(xué)服務(wù)與因材施教的教學(xué)分析。華為政企業(yè)務(wù)教育業(yè)務(wù)部總經(jīng)理曾偉經(jīng)在與《中國教育網(wǎng)絡(luò)》的一次訪談中提到“教與學(xué)不止全面，更懂千人千面”，言外之意便是要尊重個體差異，在人工智能技術(shù)的支持下推進個性化教學(xué)［19］?，F(xiàn)任科大訊飛執(zhí)行總裁、公司董事吳曉如也在一次訪談中提出人工智能賦能教育的意義在于實施評估，并基于此給予精準、個性化的指導(dǎo)［20］。從上述分析討論可以看出，目前關(guān)于AIEDU 的研究已經(jīng)呈現(xiàn)出一片繁榮景象。任何一種教育技術(shù)的研究都是為了更好地推動教育發(fā)展，在此目的背后，學(xué)術(shù)性的理論研究與企業(yè)中的應(yīng)用研究都是不可或缺的。

進一步探究關(guān)鍵詞共現(xiàn)圖可以發(fā)現(xiàn)，AI 在教育領(lǐng)域的應(yīng)用存在于諸多子領(lǐng)域，如高等教育、職業(yè)教育、教師教育和思想政治教育等。胡欽太等［21］提出人工智能的教育應(yīng)用為解決高等教育評價模式陳舊、數(shù)據(jù)缺乏、指標呆板單一等問題提供了方法與途徑；徐曄［22］借助“生態(tài)系統(tǒng)即結(jié)構(gòu)”（Ecosystem as Structure）理論模型，在AI 的視域下探索高等職業(yè)教育智能生態(tài)系統(tǒng)；李世瑾等［23］通過結(jié)構(gòu)方程模型探索教師對人工智能教育的接受度，發(fā)現(xiàn)績效期望是提高AI 相關(guān)技術(shù)使用意愿最主要的因素。與前三者不同的是，AI 運用于思政教育研究并沒有得到學(xué)術(shù)界的普遍支持，部分學(xué)者反而認為這是“人工智能泡沫”，受到了一定程度的反對［24］。

從“教育倫理”“未來教育”“教育變革”等關(guān)鍵詞可以發(fā)現(xiàn)，隨著AI 與教育的不斷融合，教學(xué)模式變革成為學(xué)者關(guān)注的一個新焦點［25］。此外，教育倫理問題也逐漸受到重視，一方面是學(xué)者們對未來教育的展望，另一方面是其擔(dān)心技術(shù)的不當(dāng)應(yīng)用會導(dǎo)致“技術(shù)理性主義”，尤其是深度學(xué)習(xí)算法所需的大量數(shù)據(jù)極易侵犯他人隱私?；诖耍瑢W(xué)者們呼吁在擁抱AI 技術(shù)的同時也要關(guān)注AI 變革教育的限度，回歸教育的育人本質(zhì)，但也不能因噎廢食、一味抵觸，應(yīng)該通過對AI 教育倫理與社會規(guī)范的思考，探尋教育中技術(shù)向善的可能性、合理性和有效性［22，26］。

3.2 國際研究關(guān)鍵詞分析

使用VOSviewer 軟件對發(fā)表在外文期刊中的文獻進行關(guān)鍵詞分析，選擇頻次大于等于5 的關(guān)鍵詞進行可視化，結(jié)果如圖5 所示。由圖5 可知，“人工智能（artificial intelligence）”“機器學(xué)習(xí)（machine learning）”“教育（education）”“深度學(xué)習(xí)（deep learning）”“大數(shù)據(jù)（big data）”“系統(tǒng)（system）”等高頻關(guān)鍵詞構(gòu)成了該領(lǐng)域的代表性術(shù)語。

Fig.5 Keyword knowledge graph of international artificial intelligence assisted education application research圖5 國際人工智能輔助教育應(yīng)用研究關(guān)鍵詞知識圖譜

“人工智能（artificial intelligence）”和“機器學(xué)習(xí)（machine learning）”是全圖關(guān)鍵詞的核心。機器學(xué)習(xí)是人工智能的一個子領(lǐng)域，研究計算機如何模擬人類的學(xué)習(xí)行為，以獲取新的技能或知識，重新組織已有的知識架構(gòu)不斷改善自身性能，在國際教育研究中被眾多學(xué)者頻繁使用［27］。其應(yīng)用領(lǐng)域主要包括分析和預(yù)測、評估和評價、自適應(yīng)系統(tǒng)和個性化以及智能輔導(dǎo)系統(tǒng)等［28］，比較典型的應(yīng)用如使用機器學(xué)習(xí)技術(shù)預(yù)測在高等教育體系中哪些學(xué)生更容易取得成功［29］，同樣的方法也可以進行MOOCs 輟學(xué)預(yù)測。在預(yù)測、分析和評估過程中，還會涉及到教育數(shù)據(jù)挖掘（educational data mining）、學(xué)習(xí)分析（learning analysis）、深度學(xué)習(xí)（deep learning）等技術(shù)。以MOOCs 輟學(xué)預(yù)測為例，往往需要先使用深度學(xué)習(xí)算法構(gòu)建輟學(xué)預(yù)測模型（model），并收集數(shù)據(jù)對模型進行訓(xùn)練，形成穩(wěn)定的模型之后方可預(yù)測個別學(xué)生的輟學(xué)概率［30］。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)需要人工提取并整理特征信息、調(diào)整參數(shù)相比，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)基于自動提取特征信息的預(yù)測往往具有更高的準確率，并具備自我完善的能力［31］。

不論是分析（analytics）、預(yù)測（prediction）還是分類（classification），想要達到最終目標都離不開數(shù)據(jù)支持，尤其是近年來深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，在提高準確率的同時，對模型所需數(shù)據(jù)體量也提出了更高要求。因此，教育大數(shù)據(jù)（big data）也逐漸成為學(xué)者們關(guān)注的一個新焦點和前沿教育研究的新趨勢。在此新領(lǐng)域中，Romero 和Ventura 是較為權(quán)威的學(xué)者，關(guān)注教育數(shù)據(jù)挖掘中的預(yù)測、分類和過程挖掘，對其中的關(guān)聯(lián)規(guī)則挖掘技術(shù)應(yīng)用較多［32］，研究背景大多為高等教育和在線學(xué)習(xí)。此外，10 余年來在線學(xué)習(xí)（online learning）和網(wǎng)絡(luò)化學(xué)習(xí)（e-learning）的推廣和普及為在線數(shù)據(jù)收集奠定了良好基礎(chǔ)，尤其是疫情推動下在線教育的飛速發(fā)展，更是大大提高了教育技術(shù)中數(shù)據(jù)收集的便利性和可靠性，使教育大數(shù)據(jù)分析成為可能［33］。此外，依靠大數(shù)據(jù)的人工智能技術(shù)還與個性化學(xué)習(xí)和精準教育（precision education）息息相關(guān)，許多實證研究已經(jīng)表明，基于深度學(xué)習(xí)技術(shù)的學(xué)習(xí)表現(xiàn)分析和輟學(xué)預(yù)測可以個性化地為學(xué)習(xí)者或教師提供準確信息，從而達到精準教育、因材施教的目的［34］。

從圖5 中可以觀察到，高等教育（higher education）是AIEDU 研究的主陣地。有學(xué)者指出，AI在教育管理領(lǐng)域的應(yīng)用將為高等教育機構(gòu)內(nèi)部架構(gòu)帶來有效的變革，其使用前景主要包括調(diào)查教師如何豐富教育形式、學(xué)生如何學(xué)習(xí)以及高等教育機構(gòu)如何作出準確且恰當(dāng)?shù)臎Q定，在高等教育大眾化導(dǎo)致高校治理工作量迅速增加的時代背景下，這些應(yīng)用顯得尤為重要［35］。

4 聚類分析與路徑分析

4.1 國內(nèi)研究聚類分析與路徑分析

為了解國內(nèi)人工智能輔助教育應(yīng)用領(lǐng)域的研究路徑，本文采用CiteSpace 的Timeline 時間線功能進行可視化知識圖譜繪制，提取該領(lǐng)域的9 個主要聚類，結(jié)果如圖6所示。

Fig.6 Domestic network clustering knowledge graph圖6 國內(nèi)網(wǎng)絡(luò)聚類知識圖譜

從圖6 中可以看出，該領(lǐng)域的研究在2017 年前后展現(xiàn)出截然不同的態(tài)勢。尤其是智慧教育概念的提出引起了大量學(xué)者對“AI+教育”新議題的關(guān)注，該年更是被稱為“人工智能產(chǎn)業(yè)化元年”［36］。2019 年后AIEDU 的研究趨于理智化、規(guī)范化。從關(guān)鍵詞的演進中，可以大致將時區(qū)分成若干階段：2010-2016 年研究關(guān)注面較為狹窄，AI 和教育的結(jié)合不夠緊密，主要關(guān)注一些比較淺層的教育應(yīng)用，如教學(xué)軟件、文本統(tǒng)計等；2017-2019 年為該領(lǐng)域的研究爆發(fā)期，智能教育、高等教育、大數(shù)據(jù)等關(guān)鍵詞聚類都在該階段異軍突起，成為主流研究領(lǐng)域，深度學(xué)習(xí)等技術(shù)開始成為該領(lǐng)域的主要研究工具與方法，而且研究者開始關(guān)注新教育生態(tài)下的人才培養(yǎng)體系［37］，研究整體呈現(xiàn)出向諸多領(lǐng)域并進深入的趨勢。

為了更加清晰地了解AIEDU 領(lǐng)域突然爆發(fā)的研究熱點，可以進一步使用CiteSpace 的Bursts（爆發(fā)詞）功能進行分析，結(jié)果如圖7 所示。發(fā)現(xiàn)大部分爆發(fā)詞集中在2017-2018 年，同時AIEDU 進入發(fā)文高峰期；2020-2021 年該領(lǐng)域的研究體現(xiàn)出教育和AI 深度融合的態(tài)勢，隨著技術(shù)在真實教育場景中的推廣應(yīng)用，研究開始關(guān)注變革與倫理問題［38］，并且出現(xiàn)了對教育本質(zhì)的思考以及教育智能化進程的反思，逐步認識到AI 本質(zhì)上只是一種工具、一類技術(shù)［39］，在運用時需要警惕技術(shù)功利主義，恪守教育發(fā)展的本真邏輯［40］。此外，從前文描述性統(tǒng)計體現(xiàn)的發(fā)文趨勢也可以看到，在第3 階段該領(lǐng)域研究的增長態(tài)勢開始逐漸放緩，并逐步趨于理性化。

Fig.7 Domestic research on the burst period and intensity of burst words圖7 國內(nèi)研究爆發(fā)詞爆發(fā)年限與爆發(fā)強度

4.2 國際研究聚類分析與路徑分析

對國際人工智能輔助教育應(yīng)用領(lǐng)域的研究路徑進行分析，提取該領(lǐng)域的8個主要聚類，結(jié)果如圖8所示。

Fig.8 International network clustering knowledge graph圖8 國際網(wǎng)絡(luò)聚類知識圖譜

由圖8 可知，國際人工智能教育領(lǐng)域研究的階段性相較于國內(nèi)并不顯著，但在研究方法上有比較明顯的側(cè)重點。結(jié)合聚類#0、聚類#1 和具體文獻可以看出，結(jié)構(gòu)方程模型和技術(shù)接受模型（Technology Acceptance Model，TAM）被廣泛應(yīng)用于接受度與使用意愿調(diào)查中［41-42］，尤其是在疫情的背景下，相關(guān)技術(shù)在得到推廣的同時，AI 技術(shù)應(yīng)用也掀起了社會科學(xué)研究熱潮［43］。

此外，同國內(nèi)進行比較可以發(fā)現(xiàn)，國內(nèi)更加關(guān)注“智能教育”“智能時代”“未來教育”等抽象概念，而國外偏重于定量的實證研究，聚類#2、聚類#3 主要體現(xiàn)了實證研究的類型和所需方法，回歸（regression）、分類（classification）等數(shù)據(jù)分析方法成為關(guān)鍵詞的典型代表，有學(xué)者選取2010-2020 年社會科學(xué)引文索引數(shù)據(jù)庫的教育與人工智能研究類別中的100 篇論文進行分析，發(fā)現(xiàn)其中實證研究論文多達63 篇，分析論文僅占37 篇，與國內(nèi)理論分析和質(zhì)性分析占主流的研究模式形成鮮明對比［44］。

國際研究還關(guān)注AI 技術(shù)在體育教育中的運用，從聚類#7 中可以看出，自2016 年開始，體育教育與AI 相結(jié)合的研究熱度不斷上升［45-46］。將體育視為一種特殊的教育，對運動員生理指標與運動負荷之間關(guān)系進行數(shù)據(jù)挖掘，可制定強度合理、效果顯著的運動訓(xùn)練計劃［47］。也有研究將人工智能技術(shù)運用于如乒乓球等專業(yè)運動教學(xué)訓(xùn)練中，形成數(shù)字化、智能化的教學(xué)過程，進而提高姿勢的準確性與回球的穩(wěn)定性［48］，尤其是動作識別、骨骼檢測等技術(shù)的精準度迅速提高，大大拓寬了人工智能在體育教育領(lǐng)域的應(yīng)用前景。相較而言，國內(nèi)對于體育教育與AI 相結(jié)合的研究還未形成顯著熱點。

為了更清晰地了解國際人工智能教育研究路徑的發(fā)展，對國際文獻數(shù)據(jù)進行Bursts（爆發(fā)詞）分析，結(jié)果如圖9所示。由于2010 年沒有該領(lǐng)域相關(guān)論文，因此爆發(fā)詞分析年份是2011-2021年。

Fig.9 International research on the burst period and intensity of burst words圖9 國際研究爆發(fā)詞爆發(fā)年限與爆發(fā)強度

對比分析圖7 和圖9 發(fā)現(xiàn)，與國內(nèi)爆發(fā)詞相比，國際研究的爆發(fā)詞在時間上分布較為均勻，沒有出現(xiàn)某個年份突然有大量爆發(fā)詞的情況。爆發(fā)詞中強度最大的是“高等教育（higher education）”，這是由于高等教育是接觸教育技術(shù)較多的一個教育階段，不管是對學(xué)生還是老師而言，都更有機會利用AI 技術(shù)的優(yōu)勢，提升教學(xué)以及學(xué)習(xí)效果［28］。從2020年開始興起的意愿（intention）研究成為近期研究熱點，在所篩選的文獻中，2021 年有11 篇以用戶意愿為核心的實證研究（基于上文的檢索式可以更便捷地找到以上文獻）。有學(xué)者基于計劃行為理論（Theory of Planned Behavior，TPB）探究了學(xué)生學(xué)習(xí)AI 的意愿，發(fā)現(xiàn)公眾對AI 的態(tài)度、自我效能感等變量都影響了學(xué)習(xí)AI 的意愿，為在學(xué)校推廣AI教育的研究人員和教師提供了依據(jù)［49］。

國內(nèi)與國際AIEDU 的研究演變路徑和側(cè)重點上雖然存在一定差異，但是整體都呈現(xiàn)出不斷深入和細化的特點，且越來越關(guān)注研究的完整性，例如不以教育倫理為主題的研究，往往也會對倫理問題作一定論述［27］。歸納而言，國內(nèi)與國際的研究都呈現(xiàn)出百花齊放、百家爭鳴、欣欣向榮的景象。

5 結(jié)論與展望

本文通過VOSviewer 和CiteSpace 軟件分析2010-2021年AIEDU 的研究脈絡(luò)、熱點及趨勢，系統(tǒng)回顧了該領(lǐng)域國內(nèi)、國際的發(fā)展態(tài)勢，從國內(nèi)、國際研究的分析和對比中可以發(fā)現(xiàn)：①國內(nèi)、國際刊發(fā)該領(lǐng)域論文的主要刊物集中在教育技術(shù)學(xué)和計算機教育領(lǐng)域，國內(nèi)具有高度集中性，國外開源期刊（如Sustainability、IEEE Access等）是刊發(fā)該領(lǐng)域論文的主力期刊；②國內(nèi)、國際均在該領(lǐng)域形成了一個由若干領(lǐng)域內(nèi)權(quán)威學(xué)者組成的研究學(xué)術(shù)網(wǎng)絡(luò)，但是國內(nèi)團體有較強的中心性，分布在不同院校中的核心學(xué)者（如黃榮懷等）成為該領(lǐng)域?qū)W術(shù)共同體的中心；③從關(guān)鍵詞中可以發(fā)現(xiàn)，國內(nèi)、國際研究的關(guān)注點各有特色：從研究教育類型來看，國內(nèi)在不同教育類型（高等教育、職業(yè)教育、教師教育、思想政治教育）上均有研究，而國際更傾向于高等教育（higher education）；從研究內(nèi)容來看，國內(nèi)學(xué)術(shù)理論研究和企業(yè)應(yīng)用研究都有涉及，國外以實證型研究如基于算法和模型的預(yù)測（prediction）、分析（analysis）、分類（classification）研究為主；④從研究發(fā)展態(tài)勢看，國內(nèi)外研究都以AI和教育為核心，呈放射狀演進，應(yīng)用場景的創(chuàng)新與精準化在不斷深入，關(guān)鍵詞和時間線圖都體現(xiàn)出人工智能技術(shù)與教育的融合不斷加深。與此同時，越來越多國內(nèi)、國際學(xué)者開始呼吁AI 應(yīng)用于教育需要回歸教育本源，并展開了倫理探討和接受度研究；⑤從路徑分析和爆發(fā)詞出現(xiàn)的年份來看，國內(nèi)2016 年才進入研究和發(fā)文的高峰期，而國際研究整體上沒有出現(xiàn)短時間研究熱度暴漲的情況，近年來發(fā)文量的增加也主要得益于開源期刊運動的發(fā)展。

有理由相信，AI 和教育相結(jié)合的研究會持續(xù)且動態(tài)地進行下去。因此，從科學(xué)文獻計量的視角出發(fā)，梳理得到的研究脈絡(luò)極具價值，能為該領(lǐng)域研究者提供研究方向與思路。具體而言：①可以幫助一些對人工智能輔助教育應(yīng)用領(lǐng)域感興趣的學(xué)者建立該領(lǐng)域已有研究的清晰框架，深入了解該領(lǐng)域發(fā)展過程；②對高頻關(guān)鍵詞的聚類和演進分析可以幫助學(xué)者了解人工智能輔助教育應(yīng)用領(lǐng)域的聚焦點與熱點，為學(xué)者在研究議題的選擇上提供參考；③分析了人工智能輔助教育領(lǐng)域內(nèi)的核心論文與核心作者，可以幫助學(xué)者快速找到研究時想要參考的文獻；④對該領(lǐng)域期刊的相關(guān)分析，可在一定程度上為相關(guān)學(xué)者在投遞該主題論文時提供期刊選擇指南。

本文也存在一些局限性，國際研究選用的論文是從Web of Science 數(shù)據(jù)庫的兩大索引中篩選得到的，沒有將其他科學(xué)數(shù)據(jù)庫（如Scopus）納入考慮范圍，會導(dǎo)致分析數(shù)據(jù)不夠全面，因此接下來的研究會擴大文獻篩選范圍，更廣泛地了解研究動態(tài)與前沿?zé)狳c，為人工智能輔助教育應(yīng)用領(lǐng)域提供更加全面、可靠的綜述分析。