国内教育领域推荐技术研究知识图谱分析

蒋允哲 姜亚亭

摘  要  以知识图谱分析为主要分析方法，并运用Cite-Space 5.7.R5W、NoteExpress 3.4.0.8878、UCINET 6.186等软件，对中国知网收录的614篇与推荐技术和教育相关的期刊论文进行分析，分析发现：推荐技术在教育领域应用研究的文献数量呈现不断上升的趋势;应用主要聚焦于对学习者所需学习资源的个性化推荐;与人工智能、大数据技术结合的自适应学习资源推荐成为当下研究的新热点。

关键词  推荐技术;教育技术;知识图谱;学习资源

中图分类号：G434    文献标识码：B

文章编号：1671-489X（2022）06-0085-05

0  引言

随着互联网的出现与普及，其带来的大量信息虽然满足了用户在信息时代对信息的需求，但面对海量的信息，用户对获取自身所需要信息的难度却大大增加，信息的使用效率反而降低，这就是所谓的信息过载现象，而推荐技术的诞生使这种现象得到很大程度的缓解[1]。推荐技术是一种用于帮助用户从海量对象中迅速筛选出符合自身偏好特征的对象的方法，主要方法包括基于内容的推荐、协同过滤推荐、混合推荐等。

大数据环境下，在面对大量的、形式各异的教学资源时，学习者为满足个性化发展需要，也面临无从下手、学习迷航的尴尬局面。因此，部分教育领域的学者考虑引入推荐技术，通过利用推荐技术，实現对学习者所需学习资源的精准推荐。同时，推荐技术的运用也是智能时代助力因材施教的一大技术基础。Wan等[2]针对e-learning学习环境提出一种面向学习者的推荐方法，该方法结合了混合概念映射和免疫算法，通过与其他启发式算法和传统教学方法进行对比实验后发现，在适应性和有效性方面更有优势。牟智佳等[3]通过从电子书包学习系统数据库中挖掘学习者的个性化特征信息数据，以此来创建学习者模型，并基于此模型设计出一种个性化学习资源推荐框架，探讨该框架如何实现学习资源的推荐。张近良等[4]通过结合大数据和人工智能两种技术以及思维框架，构建一种学习资源智能推荐模型，该模型具有更快的运行速度和更高的推荐精准度。张静[5]以提升学习者泛在学习体验为目的，提出一种运用在泛在学习环境下的学习资源自适应推荐模型，模型能感知学习者周围环境、设备的变化，并基于个性化推荐规则数据库定位最适合的学习资源，完成推荐。

目前，很少有人对教育领域的推荐技术进行综述分析。本文汇总2000—2020年教育技术领域对推荐技术研究的相关文献，通过采集数据形成知识图谱，系统、规范地分析推荐技术在教育技术领域的应用现状，以揭示推荐技术的研究热点和趋势。

1  数据来源及研究方法

1.1  数据来源

本文选取中国知网数据库（CNKI）为样本数据库来源，检索时间为2021年5月22日，通过高级检索，主题检索栏以“推荐*学习资源”“推荐*课程”“推荐*学习者”“推荐*学习路径”为检索式，时间设定为2000—2020年，共检索出文献614篇。通过去重和筛选不相关文献，处理后共得到有效文献528篇。

1.2  研究方法

本文基于可视化理论基础，主要采取知识图谱分析、共词分析和社会网络分析的方法，使用一系列相关软件生成相应的知识图谱，并通过分析各个图谱，探究推荐技术在教育技术领域的运用现状及发展趋势。研究主要采用的分析工具包括CiteSpace 5.7.R5W、Ucinet 6.186、NoteExpress 3.4.0.8878。

2  知识图谱分析

2.1  文献量统计分析

文献量的变化能在一定程度上反映某一领域的现状和热度，文献统计曲线的走向能够很直观地体现领域研究的热度情况变化。图1是2004—2020年的发文量增长趋势图，可知国内最早研究将推荐技术运用到教育技术领域始于2004年。从图的整体上可以看出：国内对该领域的研究呈现不断上升的趋势，虽然在2011年有所下降，但从2012年起发生转折，进入一个快速发展时期，2019年文献量更是达到101篇。原因是21世纪初，信息技术的普及为教育技术的发展带来契机，教育信息化的出现将课程与信息技术结合，而2010—2018年，教育信息化步入2.0时代[6]，原先由信息技术发展催生出的新的教学形式也得到改善与突破，学习环境也发生改变。国内的学者渐渐发现学习者在新的学习环境下出现信息过载的难题，找到推荐技术与教育技术结合的研究方向，进入研究的新轨道[7]。

2.2  内容知识图谱分析

关键词是文献的标签，也是研究者进行检索文献的重要依据之一，不仅能体现文章的核心内容，还能够反映研究的主题，因此，通过对文献关键词的分析可以直观了解研究领域内容的变化。使用NoteEpress 3.4.0.8878软件对528篇有效文献进行数据分析，并选取出频次排名前40的关键词，在对其进行统计分析后发现（见表1）：“个性化推荐”“协同过滤”“学习资源推荐”“在线学习”“e-Learning”等关键词在国内推荐技术应用于教育技术领域研究文献中出现频次较高。统计高频次关键词的目的是因为高频次的关键词能够反映一定领域的研究热点[8]。

2.2.1  关键词共现分析  共词分析方法是通过统计某些词语或短语在同一篇文献中同时出现的频次，并对其进行聚类分析，从而反映出它们之间的亲疏关系，并揭示这些词语所代表主题的结构变化[9]。本文通过NoteEpress 3.4.0.8878软件的数据分析模块，得到高频关键词的共现矩阵，之后将得到的矩阵文件导入UCINET 6.186软件进行相关预处理，并运行NetDraw可视化分析模块进行中心度分析，生成高频词共现网络图，如图2所示。

在共线网络图中，节点的大小代表关键词的中心度，节点越大，中心度就越大，且控制力越强;节点间的连线反映关键词之间的共现情况，连线越粗则表示共现次数越多，连线越短则共现的关系就越密切[9];箭头方向代表节点之间的上下级关系，箭头所指节点是箭尾节点的上级关系。如图2所示：图谱由40个节点及其连线构成，其中“协同过滤”处于图谱中心的位置，且中心度最大，这表明协同过滤推荐的研究是研究者关注程度最高的内容，是研究领域的一个核心;“个性化推荐”“学习资源”“个性化学习”等节点较大，在网络中位于中心位置，说明这些关键词的控制力很强，表明领域内主要侧重于研究针对学习者个性化学习的学习资源个性化推荐;“在线学习”“e-Learning”“大数据”“数据挖掘”等关键词则处于图谱的中间位置，且数量较多，表明研究涉及在线学习、网络学习等技术方面较为广泛;“学习路径推荐”“泛在学习”“远程教育”“自适应学习”等关键词位于图谱的边缘，且节点较小，表明其在领域内受到的关注较少，但未来是否会成为该领域研究的新趋势尚未可知。另外，在图谱中还能发现的一个特点是，每个关键词之间均是双向箭头，说明各个关键词之间均是相互影响的。

协同过滤推荐技术是通过找到目标学习者兴趣相似的学习者，再将这些学习者所感兴趣的学习资源推荐给目标学习者，其优点相较于其他推荐技术，对推荐学习资源的内容、形式没有特定的限制[10]，因此，这种推荐技术更加适用于当下数字化学习资源形式多样化的环境。网络技术的发展是在线学习得到普及的原因之一，越来越多的人通过网络学习或在线学习的方式来获取知识信息，而面对海量的数字化学习资源，通过协同过滤推荐技术来实现对学习者感兴趣的学习资源的精准推荐，必然少不了对学习者的建模。移动设备的普及让学习者摆脱了传统学习对时间和空间的限制，可以随时展开学习，而让学习者利用碎片化时间去获得所需的学习资源，推荐技术就显得尤为重要。因此，推荐技术在教育技术领域的应用研究主要聚焦于通过协同过滤的方式实现学习资源的个性化推荐，以满足学習者在大数据环境下个性化学习的需要。

2.2.2  关键词时序分析  将文献数据导入软件CiteSpace 5.7.R5W中，并对各类参数进行调节设置：时间切片设置为2004—2020，时间分区设为1年，“Node Types”选项设为“keyword”，可视化方式为以时间区域呈现可视化结果。基于以上设置参数运行可视化软件后得到图3所示国内教育领域对推荐技术运用研究前沿的关键词时序图谱。由图3可见：除“推荐系统”外，“学习资源”是整个时序图谱中最大的关键词，其次相关的是“学习路径”“在线学习”“移动学习”等。

通过图谱的展示，可以将国内教育技术领域对推荐技术的应用研究大致分为三个阶段。

第一阶段为起步阶段，时间为2004—2006年，这个时期主要侧重于探索如何将推荐技术与教育技术相结合，且更多的是偏向推荐技术本身的研究，主要涉及方面包括推荐系统、推荐模型、个性化推荐、在线教学等。

第二阶段为发展阶段，并向在线学习等方面靠拢，时间为2007—2014年，这个时期在线学习平台、e-Learning学习平台逐渐兴起，学习者为追求个性化发展，在海量信息中去寻求适合自身需要的在线学习资源，从学习平台的众多学习活动中找到适合的学习活动展开序列，因此便产生学习资源的推荐和学习路径的推荐，主要涉及个性化学习、学习资源推荐、学习路径推荐等。

第三阶段为创新阶段，在经历了一段时间的发展后，个性化推荐技术不断深入，移动设备的普及以及大数据环境和云环境的到来让学者逐渐意识到推荐技术的重要性，新环境下网络信息种类繁多、特征混乱、信息结构可视化难度大等问题又为推荐技术带来推荐效率不高、兴趣表达不充分等问

题[11]。为解决上述问题，适应新环境的变化，必然要对推荐技术的应用进行创新，因此，融入人工智能技术、大数据技术相关因素的推荐技术诞生了，同时推荐技术也是自适应学习平台引导学生寻找最适合自己的下一步学习内容和活动的技术基础。此阶段主要涉及的方面包括大数据、云计算、深度学习、移动学习、自适应学习等。

3  结语

本研究通过运用CiteSpace 5.7.R5W、UCINET 6.186、NoteExpress 3.4.0.8878等软件，对从中国知网（CNKI）数据库获得的2000—2020年间的528篇与推荐技术在教育领域应用研究相关的文献进行筛选、转换、可视化等处理，并对生成的知识图谱进行分析和可视化研究，得到以下结论。

1）国内教育领域对推荐技术的应用研究呈现出日益发展的上升趋势。从对文献发文量统计的知识图谱可以看出，我国教育技术领域对推荐技术的应用研究最早始于2004年，于2012年伴随着教育信息化的发展开始进入快速发展阶段，并在2019年达到一个高峰，说明近些年来教育技术领域对推荐技术的应用研究还是较为关注的。

2）国内教育领域对推荐技术的应用研究主要聚焦于通过协同过滤推荐的方式实现对学习资源的个性化推荐。由关键词共现图谱可以看出，协同过滤的中心度最大，并位于网络的中心位置;其次是个性化、学习资源等，说明该领域主要的研究方向是学习资源的个性化推荐。

推荐技术在教育领域的应用经历了起步、发展和创新等阶段，实现与在线学习的结合，并逐渐向移动学习、大数据、人工智能等技术靠拢，成为学习者实现自适应学习必不可少的技术因素。■

参考文献

[1] 奉国和，梁晓婷.国内推荐引擎学术研究知识图谱分析[J].情报科学，2012，30（1）：144-148，160.

[2] Wan Shanshan， Niu Zhendong. A learner orientedlearning recommendation approach based on mixed concept mapping and immune algorithm[J].Know- ledge-Based Systems，2016，103（1）：28-40.

[3] 牟智佳，武法提.电子书包中基于学习者模型的个    性化学习资源推荐研究[J].电化教育研究，2015，36（1）：69-76.

[4] 张进良，叶求财.大数据视阈下学习资源智能推荐模型构建[J].湖南科技大学学报（社会科学版），2019，22（4）：178-184.

[5] 张静.一个泛在学习资源自适应推荐模型的设计[J].中国教育技术装备，2014（18）：39-40.

[6] 昌娜，钟志贤.改革开放以来我国教育技术研究热点图谱分析[J].江西广播电视大学学报，2020，22（1）：70-77.

[7] 孙鸿飞，武慧娟，李晟光.基于知识图谱的个性化推荐研究热点与前沿分析[J].情报科学，2014，32（12）：12-15，20.

[8] 曹慧娟，王晓春，刘彦蓉.国内教育数据挖掘文献的知识图谱分析[J].中国教育信息化，2019（17）：5-8.

[9] 周琴英，杨文正.推荐系统用户模型的研究热点及启示：基于近十年核心文献的知识图谱分析[J].情报科学，2020，38（09）：166-173.

[10] 赵佳男，王楠.数字学习资源推荐技术研究现状及 趋势分析[J].北京邮电大学学报（社会科学版）， 2014，16（6）：90-96.

[11] 刘忠宝，宋文爱，孔祥艳，等.云环境下学习者建 模与学习资源推荐方法研究[J].电化教育研究， 2017，38（7）：58-63.

作者：蒋允哲、姜亚亭，首都师范大学教育学院在读研究生，研究方向为人工智能教育（100037）。