賈維辰 李文光 余明媚

【摘 要】

在科學(xué)知識(shí)圖譜領(lǐng)域，代表性軟件CiteSpace對(duì)于期刊數(shù)據(jù)的分析具有重要價(jià)值，但是CiteSpace軟件對(duì)中文期刊數(shù)據(jù)的分析僅能完成幾類(lèi)基礎(chǔ)聚類(lèi)和數(shù)據(jù)分析，如若希望做深入解讀就需要對(duì)已有中文期刊CiteSpace研究范式進(jìn)行完善和創(chuàng)新。本研究通過(guò)深入分析CiteSpace兩篇代表性文獻(xiàn)，提取了標(biāo)準(zhǔn)研究范式，從CSSCI收錄的文獻(xiàn)中梳理出通用的CiteSpace中文期刊研究范式，并將兩種范式進(jìn)行對(duì)比，探究中文期刊研究范式需要優(yōu)化之處?；诖耍狙芯客ㄟ^(guò)使用自然語(yǔ)言處理技術(shù)（簡(jiǎn)稱(chēng)“NLP”）主題挖掘的典型模型Latent Dirichlet Allocation（簡(jiǎn)稱(chēng)“LDA”）處理論文摘要數(shù)據(jù)，通過(guò)這種技術(shù)完善文獻(xiàn)檢索策略和文獻(xiàn)數(shù)據(jù)處理方法，提出的“優(yōu)化范式”豐富了中文期刊CiteSpace研究來(lái)源數(shù)據(jù)，增強(qiáng)了中文期刊CiteSpace研究?jī)?nèi)容的深度和系統(tǒng)性，并通過(guò)對(duì)國(guó)內(nèi)人工智能在教育領(lǐng)域應(yīng)用的研究進(jìn)一步驗(yàn)證了該“優(yōu)化范式”的可操作性，揭示出國(guó)內(nèi)人工智能在教育領(lǐng)域應(yīng)用研究的前沿主要聚焦于智慧學(xué)習(xí)環(huán)境的構(gòu)建和相關(guān)技術(shù)支持。在與國(guó)內(nèi)CSSCI同類(lèi)型文獻(xiàn)的對(duì)比中，“優(yōu)化范式”在數(shù)據(jù)收集、數(shù)據(jù)分析、數(shù)據(jù)解讀三個(gè)階段的表現(xiàn)均優(yōu)于傳統(tǒng)中文期刊CiteSpace研究范式。

【關(guān)鍵詞】? 期刊知識(shí)圖譜;文獻(xiàn)計(jì)量;LDA模型;CiteSpace;研究范式;人工智能教育;中文社會(huì)科學(xué)引文索引（CSSCI）

【中圖分類(lèi)號(hào)】? G420? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? A? ? ? ?【文章編號(hào)】? 1009-458x（2020）11-0001-10

隨著20世紀(jì)90年代信息可視化技術(shù)的發(fā)展，科學(xué)知識(shí)圖譜在21世紀(jì)初迅速成為科學(xué)計(jì)量學(xué)的一個(gè)新領(lǐng)域，諸多可視化分析軟件被陸續(xù)引進(jìn)國(guó)內(nèi)。CiteSpace軟件引入中國(guó)后，得到學(xué)術(shù)界極大關(guān)注和推廣應(yīng)用，并取得豐碩成果（Lu， T.， Hu， & X. 2019）。但是隨著研究的深入，我們發(fā)現(xiàn)CiteSpace軟件對(duì)中文期刊的數(shù)據(jù)分析仍處在表層（郭麗君， 等， 2018; 劉勇， 等， 2018; 王建華， 等， 2019），僅能完成幾類(lèi)基礎(chǔ)聚類(lèi)和數(shù)據(jù)分析。要解決這一問(wèn)題，迫切需要對(duì)已有中文期刊CiteSpace研究范式進(jìn)行完善和創(chuàng)新。

一、CiteSpace回顧

（一）CiteSpace理論基礎(chǔ)

CiteSpace軟件是美國(guó)德雷塞爾大學(xué)計(jì)算與信息計(jì)量學(xué)院陳超美教授在懷特（White & Griffith， 1981）作者共被引分析理論和庫(kù)恩（Kuhn， 1962）科學(xué)結(jié)構(gòu)演進(jìn)理論的基礎(chǔ)上使用Java語(yǔ)言開(kāi)發(fā)的信息可視化軟件。該軟件主要用于分析和可視化作者共被引網(wǎng)絡(luò)，生成知識(shí)概念圖譜、知識(shí)聚類(lèi)圖譜，幫助研究者探索知識(shí)領(lǐng)域中的研究熱點(diǎn)、前沿和潛在新趨勢(shì)。

CiteSpace主要包括“研究前沿”和“知識(shí)基礎(chǔ)”兩個(gè)概念模型（陳悅， 等， 2015）。

· 研究前沿模型。某個(gè)科學(xué)領(lǐng)域中的施引文獻(xiàn)聚類(lèi)。從施引文獻(xiàn)群組本身內(nèi)容和施引文獻(xiàn)群組引用參考文獻(xiàn)兩個(gè)方面體現(xiàn)研究前沿的特征。

· 知識(shí)基礎(chǔ)模型。某個(gè)學(xué)科領(lǐng)域中相對(duì)于研究前沿的所有前期文獻(xiàn)集合。

CiteSpace基于以上兩個(gè)概念模型，通過(guò)信息可視化技術(shù)基礎(chǔ)實(shí)現(xiàn)對(duì)研究領(lǐng)域的研究熱點(diǎn)、前沿和潛在新趨勢(shì)的探索和預(yù)測(cè)。

（二）CiteSpace在教育學(xué)領(lǐng)域的應(yīng)用

CiteSpace軟件在教育學(xué)領(lǐng)域的應(yīng)用涵蓋教育學(xué)多個(gè)子領(lǐng)域或研究主題，研究者借助CiteSpace對(duì)子領(lǐng)域的研究熱點(diǎn)、前沿和潛在趨勢(shì)進(jìn)行文獻(xiàn)計(jì)量分析和預(yù)測(cè)。涉及的子領(lǐng)域主要包括大數(shù)據(jù)學(xué)習(xí)分析（Wang， J.， et al.， 2016; Tho， S. W.， et al.， 2017; 閔光輝， 2020）、新技術(shù)在教育領(lǐng)域的應(yīng)用（Wang， F.， et al.， 2018; Jing， et al.， 2019; 徐堅(jiān)， 等， 2017; 任利強(qiáng)， 等， 2018）、學(xué)科教學(xué)（Wang， B.， Wang， & Z.， 2018; 李韜， 等， 2019; 孟宇， 等， 2019）、教師專(zhuān)業(yè)發(fā)展（何燦娟， 等， 2017; 張華陽(yáng)， 等， 2018; 郭麗君， 等， 2018）和學(xué)生素養(yǎng)（Zhao， Y.， et al.， 2016; Yu， L.， et al.， 2018; Stopar， K.， et al.， 2019; 任艷莉， 等， 2018）。CiteSpace可以幫助教育學(xué)領(lǐng)域研究者發(fā)現(xiàn)領(lǐng)域研究熱點(diǎn)，對(duì)教育學(xué)發(fā)展趨勢(shì)和研究方向進(jìn)行預(yù)判并做出決策。

二、CiteSpace研究范式

（一）英文期刊CiteSpace研究范式

在英文期刊CiteSpace研究范式方面，CiteSpace開(kāi)發(fā)者、大連理工大學(xué)教授陳超美教授最具權(quán)威性，我們對(duì)陳超美教授在2012年和2017年發(fā)表的兩篇論文（Chen， et al.， 2012; Chen， 2017）進(jìn)行分析后進(jìn)行了總結(jié)，如圖1所示。

英文期刊研究范式包括三個(gè)階段：數(shù)據(jù)收集、數(shù)據(jù)分析、數(shù)據(jù)解讀。

· 數(shù)據(jù)收集階段。選擇Web of Science（WoS）數(shù)據(jù)庫(kù)，通過(guò)采用系統(tǒng)的綜合檢索策略，優(yōu)先保證文獻(xiàn)查全率。完成數(shù)據(jù)采集和數(shù)據(jù)清洗后將數(shù)據(jù)傳入CiteSpace進(jìn)行處理。

· 數(shù)據(jù)分析階段。生成“雙圖疊加圖譜”“概念樹(shù)圖”“時(shí)間線(xiàn)分析”“聚類(lèi)圖譜”等數(shù)據(jù)可視化圖譜。

· 數(shù)據(jù)解讀階段。對(duì)各類(lèi)圖譜進(jìn)行解讀，陳超美教授的研究路徑是從宏觀(guān)到微觀(guān)，從直觀(guān)到復(fù)雜，從整體到局部。具體分析內(nèi)容包括：“學(xué)科分析（宏觀(guān)）”“主題詞分析（微觀(guān)與直觀(guān)）”“共被引分析（復(fù)雜與整體）”“典型聚類(lèi)分析（局部）”“結(jié)構(gòu)變異性分析（特殊）”。同時(shí)在聚類(lèi)層面上分析，一般會(huì)選取較大的或較新的典型聚類(lèi)進(jìn)行分析，在每個(gè)典型聚類(lèi)分析中都會(huì)提供“概念樹(shù)”“時(shí)間線(xiàn)及細(xì)節(jié)圖”“重要被引文獻(xiàn)”“重要施引文獻(xiàn)”?；谝陨系慕庾x，最后生成該領(lǐng)域的研究熱點(diǎn)、研究前沿、研究趨勢(shì)預(yù)測(cè)以及核心研究者研究動(dòng)向等結(jié)論。

（二）中文期刊CiteSpace研究范式

與英文期刊類(lèi)似，中文期刊CiteSpace研究同樣包括三個(gè)階段：數(shù)據(jù)收集、數(shù)據(jù)分析、數(shù)據(jù)解讀，如圖2所示。但是因?yàn)閿?shù)據(jù)庫(kù)字段不完整等原因，能夠?qū)崿F(xiàn)的分析項(xiàng)目遠(yuǎn)少于英文期刊。

· 數(shù)據(jù)收集階段。通常選擇中國(guó)知網(wǎng)（CNKI）數(shù)據(jù)庫(kù)或中文社會(huì)科學(xué)引文索引（CSSCI）數(shù)據(jù)庫(kù)其中一個(gè)數(shù)據(jù)庫(kù)，采用單關(guān)鍵詞或多關(guān)鍵詞的方式進(jìn)行檢索。數(shù)據(jù)采集完成后大多數(shù)研究者不會(huì)對(duì)數(shù)據(jù)進(jìn)行清洗（在近幾年發(fā)表的CSSCI文獻(xiàn)中仍可以找到研究機(jī)構(gòu)重復(fù)的聚類(lèi)分析圖（王小明， 2018））就直接傳入CiteSpace進(jìn)行處理。

· 數(shù)據(jù)分析階段。基于輸入數(shù)據(jù)生成“時(shí)間線(xiàn)分析”“聚類(lèi)圖譜”等數(shù)據(jù)可視化圖譜。

· 數(shù)據(jù)解讀階段。對(duì)生成的圖譜進(jìn)行解讀，內(nèi)使用時(shí)間線(xiàn)分析圖譜對(duì)研究領(lǐng)域進(jìn)行階段劃分，而后基于聚類(lèi)圖譜和聚類(lèi)關(guān)鍵詞凸顯表進(jìn)行進(jìn)一步解讀，最后生成該領(lǐng)域的研究熱點(diǎn)、研究前沿、研究趨勢(shì)預(yù)測(cè)等結(jié)論。

將圖1和圖2對(duì)比后可以發(fā)現(xiàn)，中文期刊CiteSpace研究范式在數(shù)據(jù)收集、數(shù)據(jù)分析和數(shù)據(jù)解讀三個(gè)階段都存在一定缺陷：數(shù)據(jù)收集缺少系統(tǒng)檢索策略、缺少數(shù)據(jù)清洗這一關(guān)鍵步驟;數(shù)據(jù)分析缺少“雙圖疊加圖譜”和“概念樹(shù)圖譜”;數(shù)據(jù)解讀在缺少對(duì)應(yīng)圖譜的前提下，僅能基于聚類(lèi)圖譜進(jìn)行共被引分析和典型聚類(lèi)分析，不再是一個(gè)從宏觀(guān)到微觀(guān)、從直觀(guān)到復(fù)雜、從整體到局部的完整體系，而CNKI數(shù)據(jù)庫(kù)因?yàn)槿鄙僖臄?shù)據(jù)字段，無(wú)法進(jìn)行共被引分析。研究者只能基于自身學(xué)科知識(shí)背景進(jìn)行主觀(guān)解讀，這與CiteSpace“讓一個(gè)沒(méi)有相關(guān)專(zhuān)業(yè)知識(shí)的人也能給出有價(jià)值的綜述”的軟件設(shè)計(jì)初衷相背離。

三、中文期刊CiteSpace研究范式存在的問(wèn)題

（一）數(shù)據(jù)來(lái)源問(wèn)題

對(duì)于知識(shí)圖譜軟件而言，“一切皆為數(shù)據(jù)”，后續(xù)研究均圍繞輸入數(shù)據(jù)展開(kāi)，輸入數(shù)據(jù)的深度、覆蓋面與研究質(zhì)量和可信度有較強(qiáng)相關(guān)性。傳統(tǒng)中文期刊CiteSpace研究存在數(shù)據(jù)庫(kù)單一、關(guān)鍵字段缺失等問(wèn)題。

CiteSpace軟件數(shù)據(jù)是來(lái)自于期刊數(shù)據(jù)庫(kù)的文獻(xiàn)索引文件，因此文獻(xiàn)索引中包含的字段決定了后續(xù)研究的深度和廣度。英文期刊數(shù)據(jù)庫(kù)Web of Science（WoS）為研究者提供涵蓋從“文件名”到“研究方向”多達(dá)66個(gè)字段，使英文期刊CiteSpace研究能夠?qū)崿F(xiàn)“概念圖”“重要被引/施引文獻(xiàn)”“結(jié)構(gòu)變異性”等數(shù)據(jù)可視化，進(jìn)而完成“聚類(lèi)主要研究對(duì)象、主要研究?jī)?nèi)容”“領(lǐng)域高被引文獻(xiàn)、最相關(guān)施引文獻(xiàn)”“高產(chǎn)作者引用足跡”等深層數(shù)據(jù)分析。

我們對(duì)2008—2019年CSSCI收錄的125篇CiteSpace知識(shí)圖譜文獻(xiàn)進(jìn)行統(tǒng)計(jì)，發(fā)現(xiàn)中文期刊知識(shí)圖譜研究主要數(shù)據(jù)來(lái)源是CNKI（90篇）和CSSCI（45篇）兩個(gè)數(shù)據(jù)庫(kù)（部分文獻(xiàn)同時(shí)使用CNKI和CSSCI數(shù)據(jù)）。國(guó)內(nèi)研究者通常會(huì)基于一個(gè)數(shù)據(jù)庫(kù)，下載研究領(lǐng)域內(nèi)近若干年的文獻(xiàn)索引進(jìn)行分析。與WoS數(shù)據(jù)庫(kù)相比，中文期刊數(shù)據(jù)庫(kù)存在字段不完整的情況。CSSCI和CNKI的文獻(xiàn)索引字段覆蓋面有較大差異。CSSCI索引文件包含文獻(xiàn)引文數(shù)據(jù)，缺乏文獻(xiàn)摘要字段;CNKI索引文件包含文獻(xiàn)摘要數(shù)據(jù)，缺乏文獻(xiàn)引文數(shù)據(jù)。同時(shí)，兩個(gè)數(shù)據(jù)庫(kù)對(duì)期刊劃分和收錄標(biāo)準(zhǔn)的不同導(dǎo)致相同檢索策略獲得的檢索結(jié)果存在較大差異。不同的檢索結(jié)果、字段缺失導(dǎo)致研究者的數(shù)據(jù)存在較大差異，其研究結(jié)果的質(zhì)量和可信度都存在問(wèn)題。

（二）研究?jī)?nèi)容問(wèn)題

在研究?jī)?nèi)容方面，如上文所述，英文期刊CiteSpace分析能夠?qū)?shù)據(jù)進(jìn)行深入挖掘和分析，而中文期刊CiteSpace的研究?jī)?nèi)容主要集中在對(duì)領(lǐng)域內(nèi)研究熱點(diǎn)、研究前沿、研究趨勢(shì)進(jìn)行探索（陳悅， 2014）。在閱讀近年CiteSpace在教育領(lǐng)域應(yīng)用的相關(guān)文獻(xiàn)后我們發(fā)現(xiàn)，由于缺乏有效的分析和可視化方法，很多研究者僅基于關(guān)鍵詞聚類(lèi)圖和突顯詞分析圖對(duì)該領(lǐng)域近10年的研究熱點(diǎn)、研究前沿和研究趨勢(shì)展開(kāi)分析。另外，在對(duì)CiteSpace數(shù)據(jù)解讀方面，研究者主要依賴(lài)自身在領(lǐng)域內(nèi)的經(jīng)驗(yàn)和知識(shí)儲(chǔ)備，不可避免地導(dǎo)致結(jié)果分析中摻雜研究者的主觀(guān)經(jīng)驗(yàn)。

綜上所述，我們認(rèn)為目前中文期刊CiteSpace研究范式在數(shù)據(jù)來(lái)源和研究?jī)?nèi)容等方面均存在一定問(wèn)題。

四、基于LDA模型的中文期刊

CiteSpace研究范式優(yōu)化

針對(duì)上文提出的中文期刊CiteSpace研究范式存在的問(wèn)題，本研究提出基于Latent Dirichlet Allocation（簡(jiǎn)稱(chēng)“LDA”）模型的中文期刊文獻(xiàn)計(jì)量研究范式（簡(jiǎn)稱(chēng)“優(yōu)化范式”）。與英文期刊CiteSpace研究范式不同，“優(yōu)化范式”對(duì)數(shù)據(jù)收集和數(shù)據(jù)分析階段進(jìn)行延伸，引入文獻(xiàn)摘要作為新的分析數(shù)據(jù)，使用自然語(yǔ)言處理對(duì)文獻(xiàn)摘要進(jìn)行主題抽取?；凇皟?yōu)化范式”的變化，需要設(shè)計(jì)相關(guān)文獻(xiàn)收集策略、選擇合適的主題抽取算法等，最終形成完整的范式體系。

（一）范式的改進(jìn)思路

1. 新的文獻(xiàn)計(jì)量數(shù)據(jù)

文獻(xiàn)在出版前都要通過(guò)嚴(yán)格的同行評(píng)議，這一過(guò)程保證了研究成果的可靠性和先進(jìn)性。論文摘要是具有獨(dú)立性和完整性的短文，是對(duì)論文內(nèi)容的簡(jiǎn)短陳述，作者在摘要中扼要說(shuō)明研究目的、研究方法和最終結(jié)論。論文摘要比論文關(guān)鍵詞所攜帶的信息更加全面、具體。如果能對(duì)目標(biāo)領(lǐng)域內(nèi)所有文獻(xiàn)的摘要進(jìn)行全樣本分析，配合CiteSpace聚類(lèi)功能，就可以更加系統(tǒng)、清晰、立體地分析該領(lǐng)域的研究脈絡(luò)，彌補(bǔ)中文期刊CiteSpace研究范式中體系不完整的缺陷。因此，有必要將論文摘要作為文獻(xiàn)計(jì)量的新數(shù)據(jù)。

2. 論文摘要的數(shù)據(jù)處理

論文摘要屬于長(zhǎng)文本數(shù)據(jù)，具有非結(jié)構(gòu)化、多主體、數(shù)據(jù)稀疏等特征（Wu， et al.， 2020）。Citespace軟件5.0版本具備“概念樹(shù)（Concept Tree）”功能，能夠根據(jù)文獻(xiàn)題錄數(shù)據(jù)提取各主題概念間的相互聯(lián)系和強(qiáng)度。但是，該功能不適配中文數(shù)據(jù)。我們希望通過(guò)構(gòu)建主題抽取模型來(lái)處理文獻(xiàn)摘要數(shù)據(jù)。主題抽取的研究方法主要有LDA模型、圖模型、概率模型、聚類(lèi)分析等，實(shí)踐證實(shí)這些模型在長(zhǎng)文本主題抽取方面取得了良好的效果（譚文堂， 等， 2013; 林萍， 等， 2014; 唐曉波， 等， 2014; 何建云， 等， 2015; 王鵬， 等， 2015; 關(guān)鵬， 等， 2016; 曲靖野， 等， 2018; 楊奕， 等， 2019）。本研究選取LDA模型作為論文摘要主題抽取模型。LDA模型是自然語(yǔ)言處理（NLP）中主題挖掘的典型模型，其基本思想是將每個(gè)文本表示為主題的多項(xiàng)分布，每個(gè)主題表示為詞匯的多項(xiàng)分布，進(jìn)而得到文本的潛在主題結(jié)構(gòu)。LDA模型可以從文本語(yǔ)料庫(kù)中抽取潛在的主題，提供量化研究主題的方法，已經(jīng)被廣泛應(yīng)用到科學(xué)文獻(xiàn)主題發(fā)現(xiàn)中，如研究熱點(diǎn)挖掘（王小明， 2018）、研究主題演化（楊星， 等， 2012; 范云滿(mǎn)， 等， 2014; 關(guān)鵬， 等， 2016）、研究趨勢(shì)預(yù)測(cè)（李湘東， 等， 2014; 曾利， 等， 2014）等。

（二）“優(yōu)化范式”的提出

1.“優(yōu)化范式”的架構(gòu)

如圖3所示，“優(yōu)化范式”對(duì)中文期刊CiteSpace研究范式的數(shù)據(jù)收集、數(shù)據(jù)分析和數(shù)據(jù)解讀三個(gè)階段進(jìn)行補(bǔ)充。在數(shù)據(jù)收集階段針對(duì)研究領(lǐng)域制定相應(yīng)的文獻(xiàn)檢索策略獲取查全率更高的原始數(shù)據(jù);在完成對(duì)原始數(shù)據(jù)的清洗后，在數(shù)據(jù)分析階段通過(guò)使用自然語(yǔ)言處理技術(shù)對(duì)獲取的論文摘要進(jìn)行主題抽取處理，獲取相應(yīng)的主題詞列表和主題詞聚類(lèi)分析圖譜;基于以上數(shù)據(jù)分析圖表研究者可以進(jìn)行“主題詞分析（微觀(guān)和直觀(guān)）”“共被引分析（復(fù)雜和整體）”“典型聚類(lèi)分析（局部）”等數(shù)據(jù)解讀。

2.“優(yōu)化范式”的數(shù)據(jù)獲取

（1）文獻(xiàn)檢索策略。研究的原始數(shù)據(jù)由基于CSSCI的多主題搜索查詢(xún)和CNKI多主題搜索查詢(xún)得到的結(jié)果組合而成。數(shù)據(jù)檢索策略是基于陳超美教授的“綜合檢索策略”（Chen， 2017）構(gòu)造針對(duì)目標(biāo)領(lǐng)域的檢索策略。檢索策略原則如下：

· 確保文獻(xiàn)來(lái)源的規(guī)范性、權(quán)威性和豐富性。選擇中文社會(huì)科學(xué)引文索引（CSSCI）作為目標(biāo)數(shù)據(jù)來(lái)源;選擇中國(guó)知網(wǎng)（CNKI）作為輔助數(shù)據(jù)來(lái)源。在數(shù)據(jù)檢索和數(shù)據(jù)收集時(shí)，兩個(gè)數(shù)據(jù)來(lái)源使用的檢索語(yǔ)法必須一致。

· 確保主題搜索查詢(xún)涵蓋目標(biāo)領(lǐng)域各方面。設(shè)置多個(gè)檢索階段，通過(guò)“施引文獻(xiàn)擴(kuò)展”和“主題詞綜合檢索”的策略提高檢索結(jié)果的查全率。

（2）數(shù)據(jù)清洗策略。對(duì)CSSCI檢索結(jié)果進(jìn)行數(shù)據(jù)清洗，包括缺失值處理、檢測(cè)和去除重復(fù)文獻(xiàn)記錄等。由于目標(biāo)文獻(xiàn)來(lái)源CSSCI數(shù)據(jù)庫(kù)不包含文獻(xiàn)綜述字段，需要用編寫(xiě)腳本的方式對(duì)兩個(gè)數(shù)據(jù)源的檢索結(jié)果進(jìn)行處理。通過(guò)“標(biāo)題”“第一作者”“年份”三個(gè)字段的比對(duì)進(jìn)行匹配，得到的CSSCI記錄作為研究的基準(zhǔn)數(shù)據(jù)，CNKI檢索結(jié)果作為目標(biāo)領(lǐng)域語(yǔ)料庫(kù)數(shù)據(jù)。

3. 圖譜生成和解讀

文獻(xiàn)摘要數(shù)據(jù)具有非結(jié)構(gòu)化、多主體、數(shù)據(jù)稀疏的特點(diǎn)，我們使用LDA模型進(jìn)行處理，通過(guò)編寫(xiě)數(shù)據(jù)分析腳本輔助CiteSpace軟件實(shí)現(xiàn)主題詞表和主題詞可視化圖譜。在分詞部分基于目標(biāo)領(lǐng)域CNKI數(shù)據(jù)庫(kù)檢索結(jié)果生成細(xì)分領(lǐng)域詞庫(kù)，比通用分詞模型更加精確。

五、兩種范式的對(duì)比分析

應(yīng)用“優(yōu)化范式”對(duì)2001—2019年國(guó)內(nèi)“人工智能”在教育領(lǐng)域的應(yīng)用研究進(jìn)行可視化分析。選取北京郵電大學(xué)劉勇教授發(fā)表于2018年的關(guān)于人工智能在教育領(lǐng)域應(yīng)用的同類(lèi)型文獻(xiàn)《人工智能在我國(guó)教育領(lǐng)域應(yīng)用的可視化分析》（劉勇， 等， 2018）作為對(duì)比對(duì)象（簡(jiǎn)稱(chēng)“對(duì)比范式”）。從數(shù)據(jù)收集、數(shù)據(jù)分析和數(shù)據(jù)解讀三個(gè)階段進(jìn)行橫向比較。由于篇幅限制，在關(guān)鍵聚類(lèi)分析部分僅對(duì)一個(gè)關(guān)鍵聚類(lèi)進(jìn)行詳細(xì)闡述。

（一）數(shù)據(jù)收集階段的對(duì)比

1.“優(yōu)化范式”的數(shù)據(jù)收集

我們選擇CSSCI數(shù)據(jù)庫(kù)作為目標(biāo)數(shù)據(jù)來(lái)源，選擇CNKI數(shù)據(jù)庫(kù)作為輔助數(shù)據(jù)來(lái)源，檢索年份設(shè)定為“2001～2019”。圍繞人工智能主要領(lǐng)域、人工智能與教育的結(jié)合產(chǎn)物、在教育中運(yùn)用的相關(guān)技術(shù)設(shè)計(jì)了三輪數(shù)據(jù)檢索策略。最終得到的數(shù)據(jù)集是包含1，840條CSSCI記錄和15，885條CNKI記錄的數(shù)據(jù)集。完成對(duì)檢索結(jié)果的數(shù)據(jù)清洗后，按照“優(yōu)化范式”要求對(duì)兩個(gè)數(shù)據(jù)源的檢索結(jié)果進(jìn)行匹配。通過(guò)“標(biāo)題”“第一作者”“年份”三個(gè)字段的比對(duì)共匹配出1，483條CSSCI記錄作為本研究的基準(zhǔn)數(shù)據(jù)，CNKI檢索結(jié)果作為本研究的細(xì)分語(yǔ)料庫(kù)數(shù)據(jù)。

2.“對(duì)比范式”的數(shù)據(jù)收集

“對(duì)比范式”選取的是CNKI數(shù)據(jù)庫(kù)，檢索包含關(guān)鍵詞“人工智能”/“AI”和“教育”的相關(guān)文獻(xiàn)，得到1086條檢索記錄（629條為期刊、457條為學(xué)位論文）。

對(duì)比兩個(gè)范式的數(shù)據(jù)收集階段，如表1所示，可以發(fā)現(xiàn)“優(yōu)化范式”的篩選標(biāo)準(zhǔn)是優(yōu)先數(shù)據(jù)查全率，“對(duì)比范式”的篩選標(biāo)準(zhǔn)是優(yōu)先數(shù)據(jù)查準(zhǔn)率。陳超美教授認(rèn)為，“相對(duì)于不斷精煉和清洗檢索結(jié)果直到將所有無(wú)關(guān)的研究主題都排除在外（優(yōu)先查準(zhǔn)率），更有效的辦法是留著它們（優(yōu)先查全率），在對(duì)生成的科學(xué)知識(shí)圖譜解讀的時(shí)候可以跳過(guò)這些研究聚類(lèi)或分支”。（Chen， 2017）

（二）數(shù)據(jù)分析階段的對(duì)比

1.“優(yōu)化范式”的數(shù)據(jù)分析

在數(shù)據(jù)分析階段，我們主要進(jìn)行描述性統(tǒng)計(jì)分析、共被引網(wǎng)絡(luò)和時(shí)間軸網(wǎng)絡(luò)分析、典型聚類(lèi)分析和研究前沿分析。這里僅對(duì)各項(xiàng)分析的內(nèi)容和結(jié)論進(jìn)行概述。

（1）描述性統(tǒng)計(jì)分析

對(duì)2001—2019年歷年CSSCI期刊有關(guān)人工智能在教育領(lǐng)域應(yīng)用文獻(xiàn)的發(fā)文量、研究機(jī)構(gòu)發(fā)文量等指標(biāo)進(jìn)行統(tǒng)計(jì)并繪制熱力圖進(jìn)行可視化分析。

（2）共被引網(wǎng)絡(luò)和時(shí)間軸網(wǎng)絡(luò)分析

基于2001—2019年CSSCI有關(guān)國(guó)內(nèi)人工智能在教育領(lǐng)域應(yīng)用的文獻(xiàn)，合成文獻(xiàn)共引分析網(wǎng)絡(luò)視圖，如圖4所示。該網(wǎng)絡(luò)共包含32，344條引文信息，被劃分為15個(gè)聚類(lèi)（cluster）。2001—2019年國(guó)內(nèi)人工智能在教育領(lǐng)域應(yīng)用的文獻(xiàn)主要圍繞這15個(gè)主題展開(kāi)。

進(jìn)一步使用CiteSpace中的時(shí)間軸功能對(duì)15個(gè)聚類(lèi)沿水平時(shí)間線(xiàn)進(jìn)行可視化，展現(xiàn)各個(gè)聚類(lèi)發(fā)展演變的時(shí)間跨度和研究進(jìn)程，如圖5所示。各個(gè)聚類(lèi)（子領(lǐng)域）的可持續(xù)性在時(shí)間軸中清晰地展示出來(lái)。

（3）典型聚類(lèi)分析

對(duì)15個(gè)聚類(lèi)進(jìn)行合并、刪減，選取具有代表性的5個(gè)聚類(lèi)，如表2所示。在數(shù)據(jù)解讀階段的對(duì)比中，我們將基于聚類(lèi)1“人工智能”進(jìn)行解讀。

（4）研究前沿分析

通過(guò)CiteSpace生成2001—2019年CSSCI國(guó)內(nèi)人工智能在教育領(lǐng)域應(yīng)用文獻(xiàn)突顯詞列表，如圖6所示。2011年以來(lái)“個(gè)性化學(xué)習(xí)”“智慧校園”“物聯(lián)網(wǎng)”“智慧學(xué)習(xí)環(huán)境”“教育信息化”等詞匯被引用量突增。說(shuō)明以上詞匯是近年來(lái)國(guó)內(nèi)人工智能在教育領(lǐng)域應(yīng)用的研究前沿。2007年物聯(lián)網(wǎng)的興起以及相應(yīng)大數(shù)據(jù)挖掘技術(shù)的成熟，使與物聯(lián)網(wǎng)和學(xué)習(xí)分析相關(guān)的自適應(yīng)推薦系統(tǒng)、智慧學(xué)習(xí)環(huán)境開(kāi)始逐步完善并得到推廣，學(xué)生個(gè)性化學(xué)習(xí)成為可能，而智慧學(xué)習(xí)環(huán)境的完善進(jìn)一步推動(dòng)了智慧學(xué)習(xí)的發(fā)展。我們認(rèn)為，CSSCI文獻(xiàn)體現(xiàn)出的國(guó)內(nèi)人工智能在教育領(lǐng)域應(yīng)用研究的前沿，主要聚焦于智慧學(xué)習(xí)環(huán)境的構(gòu)建和相關(guān)技術(shù)支持。

2.“對(duì)比范式”的數(shù)據(jù)分析

“對(duì)比范式”在完成數(shù)據(jù)收集和清洗之后就對(duì)最終1，086條文獻(xiàn)記錄進(jìn)行研究熱點(diǎn)分析和前沿分析。

對(duì)比兩個(gè)范式的數(shù)據(jù)分析階段，如表3所示。在數(shù)據(jù)分析階段“優(yōu)化范式”和“對(duì)比范式”均采用CiteSpace進(jìn)行數(shù)據(jù)處理，處理手法類(lèi)似。

（三）數(shù)據(jù)解讀階段的對(duì)比

1.“優(yōu)化范式”的數(shù)據(jù)解讀

“優(yōu)化范式”的數(shù)據(jù)解讀是對(duì)典型聚類(lèi)分析結(jié)果的解讀。每一個(gè)典型聚類(lèi)都提供主題詞解讀、時(shí)間軸解讀和重要被引文獻(xiàn)的圖譜和研究?jī)?nèi)容。這里以聚類(lèi)1“人工智能”為例。

人工智能聚類(lèi)是目標(biāo)領(lǐng)域中最大聚類(lèi)。我們篩選出包含該聚類(lèi)關(guān)鍵詞的文獻(xiàn)共1，205篇，占本研究總數(shù)據(jù)的81%。使用LDA模型對(duì)篩選結(jié)果的摘要部分進(jìn)行主題抽取，共得到6個(gè)主題，如表4所示，對(duì)主題詞做進(jìn)一步可視化處理，如圖7所示。

在聚類(lèi)分析圖譜中，不同主題之間的距離代表主題之間的關(guān)聯(lián)性，研究者可以據(jù)此將圖譜劃分為不同區(qū)域（Sievert， C.， et al.， 2014）。結(jié)合圖7和表4可以將6個(gè)主題劃分為4部分，分別是位于第一象限的主題6“國(guó)外人工智能的應(yīng)用”，位于第二象限的主題5“人工智能技術(shù)在學(xué)校教學(xué)環(huán)境中的應(yīng)用”，位于第三、四象限的主題2“智慧教育”和主題1“教育大數(shù)據(jù)”，位于第四象限的主題3“人工智能技術(shù)對(duì)傳播等領(lǐng)域的影響”和主題4“人工智能的哲學(xué)思辨”。其中，主題1和主題2、主題3和主題4存在較大重疊，其原因是教育領(lǐng)域中教育大數(shù)據(jù)為智慧學(xué)習(xí)環(huán)境提供數(shù)據(jù)支撐，二者相互依托;人工智能在各個(gè)領(lǐng)域的應(yīng)用導(dǎo)致對(duì)其存在的優(yōu)勢(shì)和隱患的反思?；诳梢暬Y(jié)果，我們認(rèn)為2001—2019年CSSCI人工智能在教育領(lǐng)域應(yīng)用文獻(xiàn)在聚類(lèi)1中主要關(guān)注以上6個(gè)主題。

本研究結(jié)合圖8在時(shí)間軸中出現(xiàn)的高被引作者，篩選出該聚類(lèi)下影響最大的25位被引用作者和相應(yīng)文獻(xiàn)，如圖9所示。對(duì)以上28篇文獻(xiàn)進(jìn)行分析后發(fā)現(xiàn)，聚類(lèi)1的研究主要可以分為三大類(lèi)：大數(shù)據(jù)在學(xué)校治理（教育管理）中的應(yīng)用、基于教育大數(shù)據(jù)的學(xué)習(xí)分析應(yīng)用、基于人工智能的教育應(yīng)用。

在分類(lèi)1中，研究者主要針對(duì)大數(shù)據(jù)為學(xué)校治理提供宏觀(guān)層面支持進(jìn)行闡述。宏觀(guān)層面涵蓋教育相關(guān)法律制度、管理方式、教學(xué)模式、教學(xué)觀(guān)念、個(gè)性化教育、專(zhuān)業(yè)人才培養(yǎng)和專(zhuān)業(yè)課程建設(shè)，通過(guò)教育大數(shù)據(jù)的支持幫助決策者發(fā)現(xiàn)教育規(guī)律、實(shí)現(xiàn)精準(zhǔn)管理（張燕南， 2013; 柯清超， 2013; 朱建平， 2014; 周湘林， 2014; 張俊超， 2014; 吳志龍， 2015; 孫洪濤， 2016; 姚松， 2016; 鐘婉娟， 2016）。

在分類(lèi)2中，研究者基于教育大數(shù)據(jù)進(jìn)行學(xué)習(xí)分析。研究者搭建或借助現(xiàn)有教學(xué)平臺(tái)采集教育大數(shù)據(jù)（結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)），通過(guò)學(xué)習(xí)分析技術(shù)構(gòu)建各類(lèi)學(xué)習(xí)者模型，并基于模型繪制學(xué)習(xí)者肖像、實(shí)現(xiàn)學(xué)習(xí)者個(gè)性化學(xué)習(xí)、預(yù)測(cè)學(xué)習(xí)者行為、完成教育評(píng)價(jià)（李青， 2012; 武法提， 2014; 孟玲玲， 2014; 鄭燕林， 2015; 牟智佳， 2016; 武法提， 2016; 張治， 2017; 牟智佳， 2018; 蔣鑫， 2019）。

在分類(lèi)3中，研究者主要闡述人工智能技術(shù)在教育中的應(yīng)用。與分類(lèi)2聚焦于學(xué)習(xí)分析不同，分類(lèi)3從單純的數(shù)據(jù)驅(qū)動(dòng)擴(kuò)展到線(xiàn)下硬件和情境支持。更加關(guān)注自適應(yīng)學(xué)習(xí)系統(tǒng)、智能學(xué)習(xí)空間設(shè)計(jì)以及人工智能對(duì)個(gè)性化學(xué)習(xí)的整體支持（賈積有， 2010; 徐鵬， 2011; 牟智佳， 2017; 張坤穎， 2017; 劉德建， 2018; 許亞鋒， 2018; 張治， 2018）。

2.“對(duì)比范式”的數(shù)據(jù)解讀

“對(duì)比范式”在完成數(shù)據(jù)收集和清洗之后，使用CiteSpace處理1，086條文獻(xiàn)記錄。依據(jù)關(guān)鍵詞聚類(lèi)得到12個(gè)聚類(lèi)，并進(jìn)一步歸納為3個(gè)大類(lèi)。在數(shù)據(jù)分析階段通過(guò)分析聚類(lèi)特征詞（文獻(xiàn)的高頻關(guān)鍵詞）實(shí)現(xiàn)對(duì)該聚類(lèi)的解讀。

對(duì)比兩個(gè)范式的數(shù)據(jù)解讀階段，如表5所示，可以發(fā)現(xiàn)由于使用LDA模型對(duì)摘要數(shù)據(jù)集進(jìn)行了主題詞抽取分析和可視化呈現(xiàn)，“優(yōu)化范式”在數(shù)據(jù)解讀階段能夠?qū)δ繕?biāo)聚類(lèi)做出更加系統(tǒng)、客觀(guān)、具體的解讀，而“對(duì)比范式”的數(shù)據(jù)解讀由于過(guò)多依賴(lài)研究者自身知識(shí)背景導(dǎo)致解讀存在主觀(guān)性和片面性。

六、討論和結(jié)論

（一）研究結(jié)論

本研究提出的“優(yōu)化范式”并不是對(duì)已有中文期刊CiteSpace研究范式的顛覆，而是對(duì)目前研究范式進(jìn)行調(diào)整和補(bǔ)充。通過(guò)完善中文文獻(xiàn)檢索策略和文獻(xiàn)數(shù)據(jù)處理技術(shù)，采用更加系統(tǒng)全面的檢索策略和數(shù)據(jù)清洗方式整合CNKI和CSSCI索引數(shù)據(jù)。該方法使中文期刊CiteSpace研究來(lái)源數(shù)據(jù)更加豐富，將非結(jié)構(gòu)化數(shù)據(jù)“摘要”納入數(shù)據(jù)集中。我們使用NLP主題挖掘的典型模型LDA模型處理論文摘要數(shù)據(jù)，增強(qiáng)了中文期刊CiteSpace研究?jī)?nèi)容的深度和系統(tǒng)性。對(duì)摘要數(shù)據(jù)的分析使CiteSpace數(shù)據(jù)分析不再局限于對(duì)結(jié)構(gòu)化數(shù)據(jù)的統(tǒng)計(jì)分析，能夠獲取更加深入和立體的可視化數(shù)據(jù)，為解讀提供依據(jù)。

本研究以對(duì)國(guó)內(nèi)人工智能在教育領(lǐng)域應(yīng)用的研究文獻(xiàn)的分析為例驗(yàn)證了“優(yōu)化范式”的可操作性。通過(guò)應(yīng)用“優(yōu)化范式”，增加目標(biāo)領(lǐng)域引文摘要數(shù)據(jù)的采集和分析，規(guī)范數(shù)據(jù)解讀流程，得到更加清晰的可視化數(shù)據(jù)。在數(shù)據(jù)解讀環(huán)節(jié)，基于LDA模型可視化結(jié)果發(fā)現(xiàn)聚類(lèi)1中包括人工智能技術(shù)在學(xué)校教學(xué)環(huán)境中的應(yīng)用、智慧教育、教育大數(shù)據(jù)等六個(gè)主題。在對(duì)關(guān)鍵被引文獻(xiàn)的梳理中得到大數(shù)據(jù)在學(xué)校治理（教育管理）中的應(yīng)用、基于教育大數(shù)據(jù)的學(xué)習(xí)分析應(yīng)用、基于人工智能的教育應(yīng)用三個(gè)研究子類(lèi)，這三個(gè)子類(lèi)的具體內(nèi)容與LDA模型可視化結(jié)果大部分重疊。使用“優(yōu)化范式”得到的解讀結(jié)果更加客觀(guān)、可信，能夠?yàn)榻窈笤擃I(lǐng)域研究提供更加具體的趨勢(shì)預(yù)測(cè)。

（二）研究展望

本研究使用LDA模型對(duì)文獻(xiàn)摘要進(jìn)行降維可視化處理，借助對(duì)摘要部分信息的深度挖掘來(lái)克服研究者主觀(guān)經(jīng)驗(yàn)造成的影響。但是在實(shí)際使用中我們發(fā)現(xiàn)，聚類(lèi)出來(lái)的主題詞分析依舊需要通過(guò)人工進(jìn)行整合和闡述。我們希望在下一階段的研究中能夠通過(guò)深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)主題詞的文本生成，研究者僅負(fù)責(zé)對(duì)最后生成的主題句進(jìn)行篩選。

[參考文獻(xiàn)]

曾利，李自力，譚躍進(jìn). 2014. 基于動(dòng)態(tài)LDA的科研文獻(xiàn)主題演化分析[J]. 軟件，35（05）：102-107.

陳悅，等. 2014. 引文空間分析原理與應(yīng)用[M]. 北京：科學(xué)出版社.

范云滿(mǎn)，馬建霞. 2014. 基于LDA與新興主題特征分析的新興主題探測(cè)研究[J]. 情報(bào)學(xué)報(bào)，33（07）：698-711.

關(guān)鵬，王曰芬，傅柱. 2016. 不同語(yǔ)料下基于LDA主題模型的科學(xué)文獻(xiàn)主題抽取效果分析[J]. 圖書(shū)情報(bào)工作，60（02）：112-121.

郭麗君，陳春平. 2019. 我國(guó)教師專(zhuān)業(yè)發(fā)展研究的知識(shí)圖譜——2002—2017年CSSCI期刊的文獻(xiàn)計(jì)量分析[J]. 現(xiàn)代教育管理，（02）：86-92.

何燦娟，徐文彬. 2017. 當(dāng)代新教師專(zhuān)業(yè)發(fā)展研究現(xiàn)狀：基于知識(shí)圖譜CiteSpace的分析[J]. 上海教育科研（07）：15-19.

何建云，陳興蜀，杜敏，等. 2015. 基于改進(jìn)的在線(xiàn)LDA模型的主題演化分析[J]. 中南大學(xué)學(xué)報(bào)（自然科學(xué)版），46（02）：547-553.

胡三華，汪曉東. 2004. 博客在教育教學(xué)中的應(yīng)用初探[J]. 遠(yuǎn)程教育雜志（01）：10-12.

黃魯成，張璐，吳菲菲，等. 2016. 基于突現(xiàn)文獻(xiàn)和SAO相似度的新興主題識(shí)別研究[J]. 科學(xué)學(xué)研究，34（06）：814-821.

賈積有. 2010. 國(guó)外人工智能教育應(yīng)用最新熱點(diǎn)問(wèn)題探討[J]. 中國(guó)電化教育（07）：113-118.

蔣鑫，洪明. 2019. 國(guó)際教育大數(shù)據(jù)研究的熱點(diǎn)[J]. 中國(guó)遠(yuǎn)程教育（02）：26-38.

柯清超. 2013. 大數(shù)據(jù)與智慧教育[J]. 中國(guó)教育信息化（24）：8-11.

李青，王濤. 2012. 學(xué)習(xí)分析技術(shù)研究與應(yīng)用現(xiàn)狀述評(píng)[J]. 中國(guó)電化教育（08）：129-133.

李韜，趙雯. 2019. 國(guó)內(nèi)學(xué)術(shù)英語(yǔ)研究述評(píng)[J]. 外語(yǔ)電化教學(xué)（03）：22-27.

李湘東，張嬌，袁滿(mǎn). 2014. 基于LDA模型的科技期刊主題演化研究[J]. 情報(bào)雜志，33（07）：115-121.

林萍，黃衛(wèi)東. 2014. 基于LDA模型的網(wǎng)絡(luò)突發(fā)事件話(huà)題演化路徑研究[J]. 情報(bào)科學(xué)，32（10）：20-23.

劉德建，杜靜，姜男，黃榮懷. 2018. 人工智能融入學(xué)校教育的發(fā)展趨勢(shì)[J]. 開(kāi)放教育研究，24（04）：33-42.

劉勇，生曉婷，李青. 2018. 人工智能在我國(guó)教育領(lǐng)域應(yīng)用的可視化分析[J]. 現(xiàn)代教育技術(shù)，28（10）：27-34.

孟玲玲，顧小清，李澤. 2014. 學(xué)習(xí)分析工具比較研究[J]. 開(kāi)放教育研究，20（04）：66-75.

孟宇，陳堅(jiān)林. 2019. 信息化時(shí)代外語(yǔ)學(xué)習(xí)方式動(dòng)態(tài)演進(jìn)研究——基于CiteSpace的可視化分析[J]. 外語(yǔ)教學(xué)理論與實(shí)踐（04）：34-40.

閔光輝. 2020. 大數(shù)據(jù)背景下我國(guó)成人教育研究的熱點(diǎn)及路徑——基于CNKI數(shù)據(jù)庫(kù)的Citespace可視化和批判閱讀法分析[J]. 中國(guó)成人教育（04）：19-23.

牟智佳. 2016. 學(xué)習(xí)者數(shù)據(jù)肖像支撐下的個(gè)性化學(xué)習(xí)路徑破解——學(xué)習(xí)計(jì)算的價(jià)值賦予[J]. 遠(yuǎn)程教育雜志，34（06）：11-19.

牟智佳. 2017. “人工智能+”時(shí)代的個(gè)性化學(xué)習(xí)理論重思與開(kāi)解[J]. 遠(yuǎn)程教育雜志，35（03）：22-30.

牟智佳，李雨婷，嚴(yán)大虎. 2018. 混合學(xué)習(xí)環(huán)境下基于學(xué)習(xí)行為數(shù)據(jù)的學(xué)習(xí)預(yù)警系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 遠(yuǎn)程教育雜志，36（03）：55-63.

任利強(qiáng)，郭強(qiáng)，王海鵬，張立民. 2018. 基于 CiteSpace 的人工智能文獻(xiàn)大數(shù)據(jù)可視化分析[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，27（6）：18-26.

任艷莉，王彤. 2018. 國(guó)內(nèi)信息素養(yǎng)教育研究知識(shí)圖譜分析：基于CSSCI論文（2008-2018）[J]. 黑龍江高教研究（09）：36-39.

孫洪濤，鄭勤華. 2016. 教育大數(shù)據(jù)的核心技術(shù)、應(yīng)用現(xiàn)狀與發(fā)展趨勢(shì)[J]. 遠(yuǎn)程教育雜志，34（05）：41-49.

王建華，周瑩，張靜茗. 2019. 中國(guó)影視翻譯研究三十年（1989—2018）——基于CiteSpace的可視化分析[J]. 上海翻譯（02）：33-38.

吳志龍. 2015. 大數(shù)據(jù)時(shí)代下高校輔導(dǎo)員預(yù)警能力研究[J]. 國(guó)家教育行政學(xué)院學(xué)報(bào)（04）：62-66.

武法提，牟智佳. 2014. 電子書(shū)包中基于大數(shù)據(jù)的學(xué)生個(gè)性化分析模型構(gòu)建與實(shí)現(xiàn)路徑[J]. 中國(guó)電化教育（03）：63-69.

武法提，牟智佳. 2016. 基于學(xué)習(xí)者個(gè)性行為分析的學(xué)習(xí)結(jié)果預(yù)測(cè)框架設(shè)計(jì)研究[J]. 中國(guó)電化教育（01）：41-48.

徐堅(jiān)，王維平. 2017. 我國(guó)人工智能教育發(fā)展及現(xiàn)狀研究——基于 1976—2017 年中文文獻(xiàn)的 CiteSpace 可視化分析[J]. 信息化研究，43（6）：1-6.

徐鵬，王以寧. 2011. 國(guó)內(nèi)自適應(yīng)學(xué)習(xí)系統(tǒng)的研究現(xiàn)狀與反思[J]. 現(xiàn)代遠(yuǎn)距離教育（01）：25-27.

徐鵬，王以寧，劉艷華，張海. 2013. 大數(shù)據(jù)視角分析學(xué)習(xí)變革[J]. 遠(yuǎn)程教育雜志，31（06）：11-17.

許亞鋒，高紅英. 2018. 面向人工智能時(shí)代的學(xué)習(xí)空間變革研究[J]. 遠(yuǎn)程教育雜志，36（01）：48-60.

姚松. 2016. 大數(shù)據(jù)與教育治理現(xiàn)代化：機(jī)遇、挑戰(zhàn)與優(yōu)化路徑[J]. 湖南師范大學(xué)教育科學(xué)學(xué)報(bào)，15（02）：76-80.

張洪孟，胡凡剛. 2015. 教育虛擬社區(qū)：教育大數(shù)據(jù)的必然回歸[J]. 開(kāi)放教育研究，21（01）：44-52.

張華陽(yáng)，梁文玲. 2018. 全球教師專(zhuān)業(yè)發(fā)展研究的新進(jìn)展——基于WOS數(shù)據(jù)庫(kù)的檢索[J]. 教育導(dǎo)刊（07）：82-87.

張俊超. 2014. 大數(shù)據(jù)時(shí)代的院校研究與大學(xué)管理[J]. 高等工程教育研究（01）：128-135.

張坤穎，張家年. 2017. 人工智能教育應(yīng)用與研究中的新區(qū)、誤區(qū)、盲區(qū)與禁區(qū)[J]. 遠(yuǎn)程教育雜志，35（05）：54-63.

張燕南，趙中建. 2013. 大數(shù)據(jù)時(shí)代思維方式對(duì)教育的啟示[J]. 教育發(fā)展研究，33（21）：1-5.

張志強(qiáng). 2015. 建設(shè)現(xiàn)代大學(xué)制度完善高等教育治理體系[J]. 教育探索（06）：55-58.

張治，戚業(yè)國(guó). 2017. 基于大數(shù)據(jù)的多源多維綜合素質(zhì)評(píng)價(jià)模型的構(gòu)建[J]. 中國(guó)電化教育（09）：69-77.

張治，劉小龍，余明華，祝智庭. 2018. 研究型課程自適應(yīng)學(xué)習(xí)系統(tǒng)：理念[J]. 中國(guó)電化教育（04）：119-130.

鄭燕林，柳海民. 2015. 大數(shù)據(jù)在美國(guó)教育評(píng)價(jià)中的應(yīng)用路徑分析[J]. 中國(guó)電化教育（07）：25-31.

鐘婉娟，侯浩翔. 2016. 大數(shù)據(jù)視角下教育決策機(jī)制優(yōu)化及實(shí)現(xiàn)路徑[J]. 教育發(fā)展研究，36（03）：8-14.

周湘林. 2014. 大數(shù)據(jù)時(shí)代的教育管理變革[J]. 中國(guó)教育學(xué)刊（10）：25-30.

朱建平，李秋雅. 2014. 大數(shù)據(jù)對(duì)大學(xué)教學(xué)的影響[J]. 中國(guó)大學(xué)教學(xué)（09）：41-44.

Borko， H.（2004）. Professional Development and Teacher Learning： Mapping the Terrain. Educational Researcher，33（8）：3-15.

Chen， C.（2017）. Science Mapping：A Systematic Review of the Literature.數(shù)據(jù)與情報(bào)科學(xué)學(xué)報(bào)：英文版，2（2）：1-40.

Chen， C.， Hu， Z.， Liu， S.， et al. （2012）. Emerging trends in regenerative medicine： a scientometric analysis in CiteSpace.Expert Opinion on Biological Therapy，12（5）：593-608.

Kuhn， T. S. 1962. The structure of scienti?c revolutions.Chicago and London.

Lu， T.， & Hu， X. （2019）. Overview of Knowledge Mapping Construction Technology. In 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference （ITAIC） （pp. 1572-1578）. IEEE.

Jing， L.， Ruyu， X.， & Anling， S. （2019）. Analysis on Research Frontiers and Hotspots of “Artificial Intelligence Plus Education” in China-Visualization Research Based on Citespace V. In IOP Conference Series： Materials Science and Engineering （Vol. 569， No. 5， p. 052073）. IOP Publishing.

Sievert， C.， & Shirley， K. （2014， June）. LDAvis： A method for visualizing and interpreting topics. In Proceedings of the workshop on interactive language learning， visualization， and interfaces （pp. 63-70）.

Stopar， K.， & Bartol， T. （2019）. Digital competences， computer skills and information literacy in secondary education： mapping and visualization of trends and concepts. Scientometrics， 118（2）， 479-498.

Tho， S. W.， Yeung， Y. Y.， Wei， R.， Chan， K. W.， & So， W. W. M. （2017）. A systematic review of remote laboratory work in science education with the support of visualizing its structure through the histcite and citespace software. International Journal of Science and Mathematics Education， 15（7）， 1217-1236.

Wang， J.， Chen， S. C.， Wang， L. L.， & YANG， X. M. （2016）. The analysis of research hot spot and trend on big data in education based on CiteSpace. Modern Educational Technology， 26（2）， 5-13.

Wang， B.， & Wang， Z. （2018）. Analysis of mapping knowledge domains of tennis teaching research in China. Educational Sciences： Theory & Practice， 18（6）.

Wang， F.， & Tao， X. （2018）. Visual Analysis of the Application of Artificial Intelligence in Education. In 2018 International Joint Conference on Information， Media and Engineering （ICIME） （pp. 187-191）. IEEE.

Webster-Wright A. （2009）. Reframing Professional Development through Understanding Authentic Professional Learning. Review of Educational Research， 79（2）： 702-739.

White， H. D.， Griffith， B. C. （1981）. Author cocitation： A literature measure of intellectual structure. Journal of the American Society for information Science，32（3）：163-171.

Wu， Z.， Yang， F. （2020）. A Thematic Analysis Method of Academic Documents Based on TF-IDF and LDA. Computer Technology and Development， 30（1）.

Yu， L.， Wu， D.， Zhu， S.， & Li， H. （2018）. Visualizing and Understanding Information literacy Research Based on the CiteSpaceV. In Challenges and Solutions in Smart Learning （pp. 113-118）. Springer， Singapore.

Zhao， Y.， Shan， C.， Dong， H.， & Hu， G. （2016）. Evolution path and research hotspot in international information literacy education field based on citespace II. In Proceedings of the 2nd International Conference on Communication and Information Processing （pp. 79-82）.

收稿日期：2020-02-29

定稿日期：2020-05-06

作者簡(jiǎn)介：賈維辰，博士研究生，澳門(mén)城市大學(xué)教育學(xué)院（999078）。

李文光，本文通訊作者，博士，碩士生導(dǎo)師，副教授，深圳大學(xué)教育信息技術(shù)系（518060）。

余明媚，碩士，南方科技大學(xué)高等教育研究中心（518055）。

責(zé)任編輯 張志禎 劉 莉