黃國禎 方建文 涂蕓芳

摘要：計算機技術(shù)的快速發(fā)展促進了人工智能在教育中的應(yīng)用（AIED）。在人工智能技術(shù)的幫助下，計算機可以仿真教師的智能進行推理、判斷或預(yù)測，為學(xué)生提供個性化的指導(dǎo)、支持或反饋，以及協(xié)助教師或教育決策者作出決定。盡管AIED已被確定為計算機和教育領(lǐng)域的研究重點，但研究者在進行這種高科技和跨學(xué)科的研究時普遍感到具有挑戰(zhàn)性。有鑒于此，使用文獻計量分析方法，透過對發(fā)表在國際高質(zhì)量期刊的文獻進行分析，來了解現(xiàn)階段AIED的研究熱點和發(fā)展趨勢，能夠為研究者提供裨益。從現(xiàn)有研究來看，AIED聚焦機器學(xué)習(xí)及預(yù)測技術(shù)在在線學(xué)習(xí)中的應(yīng)用、整合自然語言技術(shù)的AIED模式、新興人工智能技術(shù)在認(rèn)知及醫(yī)學(xué)教育中的應(yīng)用、智能輔導(dǎo)系統(tǒng)的開發(fā)與應(yīng)用、人工智能在教育數(shù)據(jù)分析中的應(yīng)用等五大集群，跨越了計算機科學(xué)跨學(xué)科應(yīng)用、教育科學(xué)學(xué)科、心理教育、語言學(xué)四大領(lǐng)域，體現(xiàn)出跨學(xué)科、多樣化的研究圖景。未來AIED研究不僅應(yīng)挖掘大數(shù)據(jù)和多模態(tài)分析等新型技術(shù)對教育的作用機制，還應(yīng)對其傳統(tǒng)的研究議題進行多視角、多層面的探索，同時也應(yīng)積極應(yīng)對人工智能發(fā)展帶來的倫理等問題。

關(guān)鍵詞：人工智能教育應(yīng)用;研究熱點;趨勢分析;文獻計量法

中圖分類號：G434? ?文獻標(biāo)識碼：A? ? 文章編號：1009-5195（2022）03-0003-12? doi10.3969/j.issn.1009-5195.2022.03.001

基金項目：全國教育科學(xué)“十三五”規(guī)劃2019年度課題“大數(shù)據(jù)驅(qū)動的初中生學(xué)業(yè)發(fā)展監(jiān)控與精準(zhǔn)干預(yù)研究”（BCA190089）。

作者簡介：黃國禎，博士，教授，博士生導(dǎo)師，臺灣科技大學(xué)數(shù)字學(xué)習(xí)與教育研究所（臺灣臺北 106335）;方建文，博士，副教授，碩士生導(dǎo)師，溫州大學(xué)教育學(xué)院教育技術(shù)系（浙江溫州 325035）;涂蕓芳，博士，助理教授，輔仁大學(xué)圖書信息學(xué)系（臺灣新北 242062）。

一、研究背景與目的

人工智能指的是仿真人類智能的計算機系統(tǒng)或技術(shù)，例如視覺或音頻識別、數(shù)據(jù)分析、基于數(shù)據(jù)的判斷或決策，以及可以讓計算機不斷增進智能的機器學(xué)習(xí)技術(shù)（Chen & Xie et al.，2020）。在過去幾十年里，由于計算機技術(shù)及編程技術(shù)的進步，人工智能的研究取得了重大進展。通過傳統(tǒng)的機器學(xué)習(xí)或現(xiàn)代的深度學(xué)習(xí)等技術(shù)，越來越多的產(chǎn)品能夠像人類一樣思考，并為人類提供“智能服務(wù)”（Swinson et al.，2000;Chibani et al.，2013）。例如，有些機器人產(chǎn)品能夠通過視覺和音頻技術(shù)與人進行互動（Alonso-Martin et al.，2013）;有些醫(yī)療系統(tǒng)能夠透過對大量數(shù)據(jù)的分析協(xié)助醫(yī)護人員判斷可能的疾?。↙iu et al.，2018）。同時，學(xué)者們也開始嘗試將人工智能技術(shù)應(yīng)用在教育領(lǐng)域中，例如針對智能輔導(dǎo)系統(tǒng) （Intelligent Tutoring System， ITS）（Devedzic et al.，2000;Kele? et al.，2009）及自適應(yīng)學(xué)習(xí)系統(tǒng)（Adaptive Learning System，ALS）（Hwang et al.，2020a）的開發(fā)。

盡管人工智能教育應(yīng)用（Artificial Intelligence in Education，AIED）具有良好的發(fā)展前景，但如何開展AIED研究仍然是一個巨大的挑戰(zhàn)（Kay，2012）。這主要因為AIED是一個跨越高科技和教育的跨學(xué)科概念。如果研究人員不知道人工智能在教育中的作用以及人工智能技術(shù)的運作，可能就無法有效實施AIED的教學(xué)活動，更難提出有價值的人工智能教育研究問題。因此，針對相關(guān)文獻進行系統(tǒng)分析，以提供可能的研究議題及方向，對于研究人員尤其是準(zhǔn)備跨入這個領(lǐng)域的新進研究人員來說是非常重要的 （Hwang et al.，2020b）。在分析文獻的方法中，文獻計量法在近年來受到學(xué)界的廣泛重視。文獻計量法是指對文獻的計量數(shù)據(jù)進行量化分析（Broadus，1987）。隨著Web of Science和Scopus等科學(xué)數(shù)據(jù)庫的發(fā)展，海量文獻計量數(shù)據(jù)的獲取變得相對容易，而Gephi和VOSviewer等文獻計量軟件則可以方便地對這些文獻資料進行分析與呈現(xiàn)，因此越來越多的學(xué)者開始利用文獻計量法來做文獻回顧，透過分析大量文獻計量數(shù)據(jù)，以呈現(xiàn)研究主題或領(lǐng)域的知識結(jié)構(gòu)狀態(tài)和新興趨勢（Donthu et al.，2021）。有鑒于此，本研究嘗試運用文獻計量法，針對國際知名學(xué)術(shù)期刊的刊文進行主題及關(guān)鍵詞分析，以期全面系統(tǒng)地了解AIED研究的現(xiàn)狀，以及面向未來的研究趨勢。

二、文獻回顧與探討

隨著科技進步和教育發(fā)展，如何利用技術(shù)支持教師教學(xué)和學(xué)生學(xué)習(xí)已成為一個重大的教育研究議題（Hwang et al.，2020b）。人工智能最初以計算機和計算機相關(guān)技術(shù)的形式出現(xiàn)，智能輔導(dǎo)系統(tǒng)、自適應(yīng)/個性化學(xué)習(xí)系統(tǒng)或推薦系統(tǒng)就是AIED的典型應(yīng)用。早期的人工智能系統(tǒng)可以幫助學(xué)生學(xué)習(xí)。 例如， Pai等（2021）開發(fā)了一個用于數(shù)字學(xué)習(xí)的智能輔導(dǎo)系統(tǒng)，該系統(tǒng)不僅能提高學(xué)生的數(shù)學(xué)學(xué)習(xí)效率，而且也能提高他們的學(xué)習(xí)積極性。類似的人工智能系統(tǒng)可以幫助學(xué)習(xí)者高效收集數(shù)據(jù)，并以“智能”的方式分析和展示數(shù)據(jù)，以促進他們深入思考并發(fā)現(xiàn)數(shù)據(jù)背后的意義。例如，Hwang等（2011）開發(fā)了一個具有交互式概念圖機制的移動學(xué)習(xí)系統(tǒng)，該系統(tǒng)通過評估學(xué)生開發(fā)的概念圖，能為其提供實時提示或?qū)W習(xí)指導(dǎo)，并幫助他們重新組織和細(xì)化所學(xué)的知識。

隨著網(wǎng)絡(luò)教育的蓬勃發(fā)展，人工智能技術(shù)在網(wǎng)絡(luò)教育中也得到廣泛應(yīng)用。學(xué)習(xí)場景的變化以及學(xué)生人數(shù)的快速增長，給教師帶來了巨大挑戰(zhàn)。為了幫助教師更好地教學(xué)，研究人員開發(fā)了各種智能工具，用以自動化審查和評價學(xué)生的作業(yè)，并提供反饋，以此來實現(xiàn)更高質(zhì)量的教學(xué)活動。例如，Cheng（2017）開發(fā)了一個具有自動反饋功能的在線寫作系統(tǒng)，實驗結(jié)果顯示，通過該系統(tǒng)的自動評分和自動反饋功能能有效提高學(xué)生的寫作水平。學(xué)習(xí)環(huán)境的變化也給學(xué)生帶來巨大挑戰(zhàn)。為了幫助學(xué)生更好地學(xué)習(xí)，學(xué)者們通過收集和分析各種教學(xué)數(shù)據(jù)，并據(jù)此為學(xué)生提供及時的干預(yù)措施。例如，Cetintas等（2009）提出了一種機器學(xué)習(xí)模型，透過分析學(xué)生行為日志中的數(shù)據(jù)，構(gòu)建出了不同的學(xué)生行為模型。隨著學(xué)習(xí)數(shù)據(jù)的快速積累，如何分析數(shù)據(jù)背后的規(guī)律成為學(xué)者關(guān)注的重點。一些學(xué)者還利用機器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)采集并分析了學(xué)生的學(xué)習(xí)成績和學(xué)習(xí)行為。例如，Guo等（2020）基于深度神經(jīng)網(wǎng)絡(luò)技術(shù)開發(fā)了一個學(xué)習(xí)系統(tǒng)，利用學(xué)生的注視點來評估團隊協(xié)作，實驗結(jié)果顯示，采用該系統(tǒng)的學(xué)生在團隊協(xié)作和知識保留方面有更好的表現(xiàn)。輟學(xué)率也一直是學(xué)者關(guān)注的熱點，Xing等（2019）利用深度學(xué)習(xí)算法構(gòu)建了學(xué)生輟學(xué)預(yù)測模型，并運用該模型對 MOOC 中的高危學(xué)生進行及時干預(yù)。此外，多模態(tài)技術(shù)和大數(shù)據(jù)分析還可以為學(xué)生在更復(fù)雜和開放式學(xué)習(xí)環(huán)境中的學(xué)習(xí)軌跡捕獲與分析提供技術(shù)支撐（Blikstein et al.，2016）。例如，Spikol等（2018）利用各種管道（包括計算機視覺、學(xué)生用戶生成的內(nèi)容和學(xué)習(xí)客體等）來記錄小組學(xué)習(xí)者交互的多模態(tài)數(shù)據(jù)，用以幫助教師設(shè)計友好的學(xué)習(xí)環(huán)境，以及促進學(xué)生的學(xué)習(xí)反思。

此外，嵌入式計算機系統(tǒng)和新技術(shù)的使用也使得移動設(shè)備和機器人成為新的教育應(yīng)用工具（Chen & Chen et al.，2020）。 Kewalramani等（2021）使用人工智能機器人玩具吸引兒童與他人合作，通過讓機器人引導(dǎo)兒童與其家人共同創(chuàng)造一個可持續(xù)發(fā)展的城市，以使他們過上幸福的生活。該研究結(jié)果顯示，兒童與人工智能機器人游戲有助于培養(yǎng)學(xué)生的創(chuàng)造性探究、情感探究和協(xié)作探究素養(yǎng)。

綜上所述，AIED已成為研究者關(guān)注的熱點。為了更好地了解AIED的研究現(xiàn)狀，本研究運用文獻計量分析方法，從文獻發(fā)表情況、最具影響力的主要期刊與關(guān)鍵詞共詞分析等方面全景式、可視化呈現(xiàn)該領(lǐng)域的研究樣貌，以期為后續(xù)研究提供參考。

三、分析方法與研究分布

1.數(shù)據(jù)源與分析方法

本研究于2022年1月3日透過Web of Science （WOS）的Social Science Citation Index（SSCI）數(shù)據(jù)庫，搜尋截至2021年12月31日學(xué)術(shù)期刊發(fā)表的與AIED相關(guān)的文獻。文獻檢索的步驟見圖1，檢索條件為：Key Words=“artificial intelligence”or“machine intelligence”or“intelligent support”or“intelligent virtual reality”or“chat bot*”or“machine learning”or“automated tutor*”or“personal tutor*”or“intelligent agent*”or“expert system*”or“neural network*”or“natural language processing”or“chatbot*”or“intelligent system”or“intelligent tutor*”（Zawacki-Richter et al.，2019），再經(jīng)過“文獻類型”“領(lǐng)域”“語言”等條件的限定，最后共獲得834篇有效文獻。

本研究采用文獻計量法進行分析，具體包括直接引用（又稱“互相引用”）和關(guān)鍵詞共詞分析（Boyack et al.，2010）。關(guān)鍵詞共詞分析屬于一種共現(xiàn)分析，即為關(guān)鍵詞共同出現(xiàn)的關(guān)系，最常用來探討該領(lǐng)域文獻之間的主題關(guān)系（González-Zamar et al.，2020）。具體而言，采用VOSviewer軟件分析期刊與關(guān)鍵詞的情況，并將分析結(jié)果以可視化圖形的方式呈現(xiàn)。VOSviewer軟件亦能根據(jù)不同關(guān)聯(lián)程度用不同的顏色進行分群，從而讓研究者更易于了解不同分群間的發(fā)展關(guān)系（Van Eck et al.，2010）。

2.AIED研究的分布情況

1987—2021年AIED研究的分布情況見圖2。可以看出，前半段時間（1987—2004年），AIED的相關(guān)研究文章數(shù)量比較少，呈現(xiàn)較平穩(wěn)的狀態(tài)，平均每年的發(fā)文量是6.9篇。第一篇AIED論文由Yin等（1987）撰寫，探討了機器人、人工智能和計算機模擬三種技術(shù)在特殊教育中的應(yīng)用前景。后半段時間（2005—2021年），AIED研究的文章數(shù)量呈現(xiàn)較快速增長，平均每年的發(fā)文量達到41.7篇。此外，多數(shù)AIED研究主要涵蓋了四大領(lǐng)域，分別是“計算機科學(xué)跨學(xué)科應(yīng)用”領(lǐng)域（152篇）、 “教育科學(xué)學(xué)科”領(lǐng)域（111篇）、“心理教育”領(lǐng)域（80篇）和“語言學(xué)”領(lǐng)域（51篇）。

四、研究結(jié)果與分析

1.學(xué)術(shù)期刊載文及引用量分析

834篇AIED相關(guān)研究刊登于175種期刊上，圖3顯示了載文量排名前10的期刊，分別為Computers & Education（84篇，被引1990次）、IEEE Transactions on Learning Technologies（54篇，被引559次）、Education and Information Technologies（50篇，被引236次）、Educational Technology & Society（47篇，被引330次）、British Journal of Educational Technology（36篇，被引385次）、Journal of Computer Assisted Learning（22篇，被引270次）、Nurse Education Today（21篇，被引363次）、Journal of Science Education and Technology（19篇，被引185次）、Journal of Educational Computing Research（19篇，被引159次），以及Computer Applications in Engineering Education（14篇，被引158次）。

研究還對共被引次數(shù)與引文來源進行了分析，結(jié)果顯示有82種期刊的最小被引次數(shù)超過50次。從表1得知，被引次數(shù)排前三名的期刊依序為Computers & Education（共被引745次）、Computers in Human Behavior（共被引304次）與Lecture Notes in Computer Science（共被引245次）。

2.常用關(guān)鍵詞分析

關(guān)鍵詞具有兩項基本功能：一是可以反映文獻的研究主題，二是可以透過關(guān)鍵詞動態(tài)變化了解該領(lǐng)域關(guān)注議題的變化趨勢（Bodily et al.，2019）。為了解近年來AIED研究反映的主題，研究采用VOSviewer對關(guān)鍵詞進行聚類分析。從分析結(jié)果得知，2021年之前AIED研究共生成了1995個關(guān)鍵詞，其中有107個關(guān)鍵詞共同出現(xiàn)4次以上。圖4為AIED研究的關(guān)鍵詞之分群網(wǎng)絡(luò)圖。

（1）AIED研究領(lǐng)域的五大集群呈現(xiàn)

由圖4可知，1987—2021年的AIED研究所探討的領(lǐng)域主要分為5個集群，分別是機器學(xué)習(xí)及預(yù)測技術(shù)在在線學(xué)習(xí)中的應(yīng)用、整合自然語言技術(shù)的AIED模式、新興人工智能技術(shù)在認(rèn)知及醫(yī)學(xué)教育中的應(yīng)用、智能輔導(dǎo)系統(tǒng)的開發(fā)與應(yīng)用，以及人工智能在教育數(shù)據(jù)分析中的應(yīng)用。有少許關(guān)鍵詞同時出現(xiàn)在兩個集群中，但是并不影響每個集群代表的意義，例如在Hwang等（2021）的研究中，智能輔導(dǎo)系統(tǒng)集群和數(shù)學(xué)教育群集中共同出現(xiàn)了關(guān)鍵詞“機器學(xué)習(xí)”和“智慧輔導(dǎo)”，這表明兩個集群除了代表個別的意義外，也可能存在少許共同特質(zhì)。

集群1為“機器學(xué)習(xí)及預(yù)測技術(shù)在在線學(xué)習(xí)中的應(yīng)用”，主要關(guān)鍵詞涵蓋機器學(xué)習(xí)、在線學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)、評價、協(xié)作學(xué)習(xí)、預(yù)測、支持向量機和遠程教育等。此集群集中探討應(yīng)用機器學(xué)習(xí)和預(yù)測技術(shù)開發(fā)系統(tǒng)或模型（Chen et al.，2011a）。例如，Pavlekovi?等（2011）開發(fā)了基于神經(jīng)網(wǎng)絡(luò)的兒童數(shù)學(xué)天賦預(yù)測系統(tǒng)，比較了多層感知器、徑向基和概率網(wǎng)絡(luò)等三種神經(jīng)網(wǎng)絡(luò)模型在預(yù)測兒童數(shù)學(xué)天賦方面的表現(xiàn)。此外，此集群也有部分研究討論如何預(yù)測或評價在線學(xué)習(xí)表現(xiàn)的議題（Lykourentzou et al.，2009a;Beseiso et al.，2021）。例如，Chen（2008）開發(fā)了一個基于遺傳算法的個性化E-Learning系統(tǒng)， 用以評估學(xué)習(xí)者的學(xué)習(xí)過程，并為其提供合適的學(xué)習(xí)路徑。Aydo?du （2020） 開發(fā)了一個基于人工神經(jīng)網(wǎng)絡(luò)的在線學(xué)習(xí)系統(tǒng)，可以依據(jù)學(xué)生的在線學(xué)習(xí)行為數(shù)據(jù)來預(yù)測其學(xué)業(yè)表現(xiàn)。還有部分研究關(guān)注學(xué)生行為的預(yù)測或評價（Chen et al.，2009）。例如，F(xiàn)arhan等（2018）提出了一個基于物聯(lián)網(wǎng)的交互框架，并開發(fā)了一個分析學(xué)習(xí)者體驗的在線系統(tǒng)，用以分析學(xué)習(xí)者的注意力變化。其中，學(xué)生行為預(yù)測最常應(yīng)用于對輟學(xué)機率的分析（Lykourentzou et al.，2009b; Urteaga et al.，2020）。例如，Kabathova等（2021）利用不同的機器學(xué)習(xí)技術(shù)分析了學(xué)生的相關(guān)數(shù)據(jù)，并有效預(yù)測了學(xué)生在在線課程中的輟學(xué)機率。

集群2為“整合自然語言技術(shù)的AIED模式”，主要關(guān)鍵詞涵蓋自然語言處理、高等教育、數(shù)據(jù)挖掘、自動評分、專家系統(tǒng)、教育技術(shù)、問題解決和計算機輔助教學(xué)等。隨著自然語言技術(shù)的發(fā)展，學(xué)者們越來越意識到應(yīng)用自然語言技術(shù)解決教育問題的重要性（Odden et al.，2021）。討論最多的是應(yīng)用自然語言技術(shù)開發(fā)學(xué)習(xí)系統(tǒng)（Jaques et al.，2013;Wu et al.，2013）。例如，Ward等（2013）開發(fā)了一個整合自然語言技術(shù)的My Science Tutor（MyST）智能輔導(dǎo)系統(tǒng)，通過營造交互式多媒體環(huán)境讓小學(xué)生與虛擬科學(xué)導(dǎo)師對話來改善他們的科學(xué)學(xué)習(xí)效果。也有一些學(xué)者利用整合自然語言技術(shù)的學(xué)習(xí)系統(tǒng)來支持語言學(xué)習(xí)（Chen et al.，2011b）。例如，Troussas等（2019）提出了一個用于第二語言學(xué)習(xí)的智能自適應(yīng)電子學(xué)習(xí)系統(tǒng)。還有學(xué)者利用整合自然語言技術(shù)來支持寫作（Lo et al.，2014;Lin et al.，2017）與編程（Yera et al.，2017）。例如，Hsieh等（2013）采用模糊邏輯理論建立了一個個性化的補救學(xué)習(xí)系統(tǒng)，通過構(gòu)建合適的學(xué)習(xí)路徑和推薦合適的補習(xí)材料，協(xié)助學(xué)習(xí)者評估自己的學(xué)習(xí)效果，并提供相關(guān)學(xué)習(xí)建議。

集群3為“新興人工智能技術(shù)在認(rèn)知及醫(yī)學(xué)教育中的應(yīng)用”，主要關(guān)鍵詞涵蓋人工智能、神經(jīng)網(wǎng)絡(luò)、教育、技術(shù)、大數(shù)據(jù)、醫(yī)學(xué)教育、認(rèn)知科學(xué)、課程和機器人等。隨著神經(jīng)網(wǎng)絡(luò)和大數(shù)據(jù)等新興人工智能技術(shù)的發(fā)展，其在教育中的應(yīng)用價值愈加引起學(xué)者們的重視。許多學(xué)者利用新興人工智能技術(shù)來分析學(xué)習(xí)者的學(xué)習(xí)狀態(tài)。例如，Chatterjee等（2019） 提出了一種基于深度學(xué)習(xí)的方法來檢測文本對話中的情緒——快樂、悲傷和憤怒。Moridis等（2009）利用神經(jīng)網(wǎng)絡(luò)來優(yōu)化學(xué)生在在線自我測試期間的情緒狀態(tài)。另有學(xué)者將新興人工智能技術(shù)應(yīng)用于醫(yī)學(xué)教育。例如，Berner等（2010）探討了使用診斷決策支持系統(tǒng)時所面臨的醫(yī)學(xué)教育問題。Shorey等（2010）使用人工智能的虛擬咨詢應(yīng)用程序來培養(yǎng)學(xué)生的臨床溝通技能，研究結(jié)果顯示，使用虛擬患者在教授護理溝通技巧方面具有潛在的價值。還有學(xué)者利用神經(jīng)網(wǎng)絡(luò)技術(shù)和大數(shù)據(jù)挖掘技術(shù)來幫助學(xué)生改進學(xué)習(xí)。例如，Simeunovic等（2014）利用大數(shù)據(jù)采擷技術(shù)創(chuàng)建了一個預(yù)測模型，用它預(yù)測學(xué)生在學(xué)期間的表現(xiàn)，并分析影響學(xué)生取得成功的因素。此外，人工智能機器人也受到研究者的關(guān)注。例如，有學(xué)者利用人工智能機器人來培養(yǎng)學(xué)生的探究素養(yǎng)（Kewalramani et al.，2021），還有學(xué)者運用人工智能機器人來提升學(xué)生的學(xué)習(xí)表現(xiàn) （Lin et al.，2021）。

集群4為“智能輔導(dǎo)系統(tǒng)的開發(fā)與應(yīng)用”，主要關(guān)鍵詞涵蓋智能輔導(dǎo)系統(tǒng)、互動學(xué)習(xí)環(huán)境、評價方法、模擬和人機交互接口等。應(yīng)用智能輔導(dǎo)系統(tǒng)支持學(xué)生有效學(xué)習(xí)是一個重要的研究議題，許多學(xué)者開發(fā)了智能輔導(dǎo)系統(tǒng)來幫助學(xué)生學(xué)習(xí)（Wu et al.，2013），并促進其能力發(fā)展（Hooshyar et al.，2015; Wang et al.，2015）。例如，Roll等（2011）開發(fā)了一個幾何智能輔導(dǎo)系統(tǒng)，利用自動化和自我調(diào)節(jié)元認(rèn)知反饋來改善學(xué)生的求助技能。近年來，更多新興的人工智能技術(shù)被應(yīng)用于智能輔導(dǎo)系統(tǒng)，通過分析學(xué)生的狀態(tài)和行為來為其提供更好的學(xué)習(xí)支持。例如，Dutt等（2022） 應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)技術(shù)來識別學(xué)生的狀態(tài)和學(xué)習(xí)障礙，用以自動推送合適的學(xué)習(xí)材料。Hooshyar等（2018）開發(fā)了基于在線游戲的貝葉斯智能輔導(dǎo)系統(tǒng)，用以幫助學(xué)生提高程序設(shè)計能力和基于網(wǎng)絡(luò)的問題解決能力。

集群5為“人工智能在教育數(shù)據(jù)分析中的應(yīng)用”，主要關(guān)鍵詞涵蓋學(xué)習(xí)分析、教育數(shù)據(jù)挖掘、慕課、深度學(xué)習(xí)、精準(zhǔn)預(yù)測和分類等。該集群的研究主要采用機器學(xué)習(xí)（Iatrellis et al.，2021）和神經(jīng)網(wǎng)絡(luò)（Guo et al.，2020）等技術(shù)。早期的研究傾向于利用傳統(tǒng)的人工智能技術(shù)對有限的學(xué)生學(xué)習(xí)數(shù)據(jù)進行分析。例如，Narl?等（2011）在分析了243 名師范生的學(xué)習(xí)風(fēng)格和多元智能數(shù)據(jù)之后，利用決策算法確定了學(xué)習(xí)風(fēng)格和多元智能類型之間的關(guān)系。隨著深度學(xué)習(xí)技術(shù)快速發(fā)展，越來越多的學(xué)者整合多模態(tài)數(shù)據(jù)融合（Camacho et al.，2020） 和大數(shù)據(jù)挖掘（Huang et al.，2020）等技術(shù)對教育數(shù)據(jù)進行分析，以期能發(fā)掘教育現(xiàn)象背后的規(guī)律。此外，許多學(xué)者利用教育大數(shù)據(jù)來分析學(xué)生的學(xué)習(xí)行為（Holmes et al.，2017;Koko? et al.，2021）并預(yù)測學(xué)習(xí)成績（Zheng et al.，2022）。 例如，Lee等（2021）創(chuàng)建了兩個深度神經(jīng)網(wǎng)絡(luò)模型來解決MOOC無法自動評估學(xué)生表現(xiàn)的問題，一個可依據(jù)學(xué)生在MOOC中的學(xué)習(xí)行為準(zhǔn)確評估學(xué)生的表現(xiàn)，另一個可根據(jù)學(xué)生回答練習(xí)題的方式有效預(yù)測學(xué)生的表現(xiàn)。這些實踐均表明，人工智能在教育數(shù)據(jù)分析中的應(yīng)用有助于教師識別表現(xiàn)不佳的學(xué)生，并為其及時提供更多的幫助。

（2）AIED研究跨越四大領(lǐng)域的關(guān)鍵詞分析

除了教育研究領(lǐng)域外，研究還針對AIED在計算機科學(xué)跨學(xué)科應(yīng)用、教育科學(xué)學(xué)科、心理教育和語言學(xué)等四大領(lǐng)域中涉及的關(guān)鍵詞進行分析，以探討這些領(lǐng)域的研究主題。

圖5顯示了計算機科學(xué)跨學(xué)科應(yīng)用領(lǐng)域AIED研究的關(guān)鍵詞分布。其探討最多的是機器學(xué)習(xí)和智能輔導(dǎo)系統(tǒng)，其次為自然語言處理。利用機器學(xué)習(xí)構(gòu)建學(xué)習(xí)分析與預(yù)測模型是當(dāng)前研究的熱點。例如，Atapattu等（2020）提出了一個可以從學(xué)習(xí)者的討論帖子中提取語言和話語特征的機器學(xué)習(xí)模型，并對學(xué)習(xí)者進行了分類。Moresi等（2021）構(gòu)建了兩種機器學(xué)習(xí)模型來評估學(xué)習(xí)者在學(xué)習(xí)編程時是否需要幫助。另外，學(xué)習(xí)過程中的協(xié)作也受到一些學(xué)者的關(guān)注。例如，Zhang等（2021） 設(shè)計了一個可以進行口語交流的智能代理，不但可以與孩子一起玩協(xié)作益智游戲，還可以自動測量兒童在游戲過程中的任務(wù)表現(xiàn)和語言交流行為。

圖6顯示教育科學(xué)學(xué)科領(lǐng)域AIED研究的關(guān)鍵詞分布。其探討最多的是機器學(xué)習(xí)，其次為人工智能和評價等。利用機器學(xué)習(xí)對學(xué)習(xí)進行量化評估，以及評估的有效性問題受到學(xué)者們的關(guān)注。例如，Zhai和Shi等（2021a）對 110 項“機器—人類評分協(xié)議”進行了元分析，以確定影響有效評分的因素，其研究結(jié)果顯示，算法和學(xué)科領(lǐng)域?qū)υu分成功都有顯著的調(diào)節(jié)作用。Zhai和Krajcik等（2021b）還反思了機器學(xué)習(xí)如何協(xié)助科學(xué)教育中的創(chuàng)新評估實踐，以及基于機器學(xué)習(xí)的下一代科學(xué)評估的有效性問題。此外，Hernández等（2020） 提出了一個基于過程挖掘技術(shù)的評估模型，通過提取學(xué)習(xí)者在Wiki上協(xié)作學(xué)習(xí)的動態(tài)數(shù)據(jù)，對團隊協(xié)作的有效性進行了評估。

圖7顯示了心理教育領(lǐng)域AIED研究的關(guān)鍵詞分布。其探討最多的是機器學(xué)習(xí)，其次為自然語言處理和人工智能。近年來，通過分析學(xué)習(xí)者語言或?qū)懽髡Z言特征來預(yù)測學(xué)習(xí)者的語言能力受到學(xué)者的關(guān)注。例如，Sinclair等（2021）使用機器學(xué)習(xí)技術(shù)從 99 名 4～6 年級兒童的言語和寫作中提取出語言特征，有效預(yù)測了兒童的閱讀理解能力。MacArthur等（2019）開發(fā)了一個語言結(jié)構(gòu)模型來預(yù)測大學(xué)生的寫作質(zhì)量，通過分析252 名大學(xué)生的議論文語料庫，發(fā)現(xiàn)銜接和詞匯復(fù)雜度可以正向預(yù)測寫作質(zhì)量，而句法復(fù)雜度與寫作質(zhì)量呈負(fù)相關(guān)。

圖8顯示了語言學(xué)領(lǐng)域AIED研究的關(guān)鍵詞分布。其探討最多的是自然語言處理，其次為智能呼叫和寫作評價。近年來受到學(xué)者們關(guān)注的話題主要有學(xué)術(shù)寫作、句法復(fù)雜度和語言學(xué)習(xí)。例如，Zhu等（2020）開發(fā)了一個具有自動評分功能的形成性反饋系統(tǒng)，用以支持學(xué)生的科學(xué)論證寫作，研究結(jié)果表明，情境化反饋能有效輔助科學(xué)論證寫作。Nasseri等（2021）使用三種自然語言處理工具（LCA、TAALED 和 Coh-Metrix）分析了 210 篇論文摘要的語料庫， 并對以英語作為第一或第二語言的研究生的學(xué)術(shù)寫作詞匯密度和多樣性差異進行了比較分析。Nasseri（2021）將整合效應(yīng)建模和有監(jiān)督機器學(xué)習(xí)建模兩種預(yù)測統(tǒng)計建模方法相結(jié)合，用于描述現(xiàn)代英語學(xué)術(shù)文本的句法從屬、一致性和短語結(jié)構(gòu)的特征。Kyle等（2018）利用句子復(fù)雜性和短語復(fù)雜性的指標(biāo)對托福作文的語料庫進行了分析，并預(yù)測了學(xué)生的托福作文分?jǐn)?shù)，其結(jié)果表明，短語復(fù)雜性指標(biāo)比句子復(fù)雜性指標(biāo)更能預(yù)測寫作質(zhì)量。

（3）AIED研究的未來聚焦

從時間維度來看，早期的AIED研究側(cè)重于智能輔導(dǎo)系統(tǒng)（ Amaral et al.，2011a）。隨著人工智能技術(shù)的發(fā)展，自然語言處理（Amaral et al.，2011b;Alexopoulou et al.，2017）和人工智能（Jain et al.，2014;Horáková et al.，2017）受到更多的關(guān)注。當(dāng)前學(xué)界更加關(guān)注機器學(xué)習(xí)（Webb et al.，2021）。近年來AIED研究議題聚焦精準(zhǔn)教育、溝通、機器人和游戲化等。例如，Yang等（2020）提出單信道學(xué)習(xí)圖像識別和三信道學(xué)習(xí)圖像識別兩種創(chuàng)新方法，將學(xué)生的課程參與轉(zhuǎn)化為圖像進行預(yù)警預(yù)測分析，并與支持向量機、隨機森林和深度神經(jīng)網(wǎng)絡(luò)等方法進行了對比，結(jié)果表明兩種方法都可以更加有效地捕獲高危學(xué)生。Xu等（2021）通過比較兒童與智能對話代理或成人一起陪伴閱讀故事書時對故事的理解和口語參與度的差別，結(jié)果顯示，與智能對話代理一起閱讀的兒童對問題的回答具有更好的可理解性，而與成人一起閱讀的兒童對問題的回答具有更高的效率，且詞匯多樣性和主題相關(guān)性也較前者更好。

此外，AIED研究還聚焦利用卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)對教育實施精準(zhǔn)預(yù)測和干預(yù)。例如，Aydo?du（2021）基于學(xué)生的成績和來自學(xué)習(xí)管理系統(tǒng)的學(xué)生數(shù)據(jù)，使用卷積神經(jīng)網(wǎng)絡(luò)對學(xué)生進行特征分類的準(zhǔn)確率超過 80%。Xing等（2019）利用深度學(xué)習(xí)算法構(gòu)建了可以準(zhǔn)確預(yù)測學(xué)生輟學(xué)概率的模型，并運用該模型對 MOOC 中的高危學(xué)生進行了預(yù)測和干預(yù)。機器人和游戲的議題也受到學(xué)者的關(guān)注。例如，Chen等（2021）將游戲與Zenbo機器人相結(jié)合，以幫助四年級小學(xué)生學(xué)習(xí)漢語成語，其研究結(jié)果表明，該方法對男孩更有益，且能更好地提高其學(xué)習(xí)成就，因為他們的認(rèn)知負(fù)荷明顯較低。

五、研究結(jié)論與建議

本研究參考Zawacki-Richter等（2019）提出的研究思路，運用文獻計量法對1987—2021年發(fā)表在SSCI期刊的AIED相關(guān)研究進行了系統(tǒng)分析。整體而言，2004年是AIED研究的重要轉(zhuǎn)折之年，1987—2004年間刊發(fā)的相關(guān)文獻數(shù)量較少，2004—2021年間刊文數(shù)量增長快速，且保持增長趨勢。研究基于對關(guān)鍵詞及其共現(xiàn)關(guān)系進行量化分析，主要獲得以下結(jié)論：

第一，從關(guān)鍵詞的聚類結(jié)果得知，當(dāng)前AIED研究主題聚焦在5個方面：機器學(xué)習(xí)及預(yù)測技術(shù)在在線學(xué)習(xí)中的應(yīng)用 、整合自然語言技術(shù)的AIED模式、新興人工智能技術(shù)在認(rèn)知及醫(yī)學(xué)教育中的應(yīng)用、智能輔導(dǎo)系統(tǒng)的開發(fā)與應(yīng)用以及人工智能在教育數(shù)據(jù)分析中的應(yīng)用。其中，“機器學(xué)習(xí)及預(yù)測技術(shù)在在線學(xué)習(xí)中的應(yīng)用”集群的研究主要集中在設(shè)計與開發(fā)基于人工智能的預(yù)測系統(tǒng)上。早期以技術(shù)實現(xiàn)和系統(tǒng)開發(fā)為主，近年來關(guān)注利用最新的機器學(xué)習(xí)技術(shù)來分析學(xué)生在線學(xué)習(xí)的多模態(tài)數(shù)據(jù)，并預(yù)測學(xué)生的學(xué)習(xí)行為和學(xué)業(yè)表現(xiàn)?！罢献匀徽Z言技術(shù)的AIED模式”集群的研究主要集中在應(yīng)用自然語言技術(shù)開發(fā)學(xué)習(xí)系統(tǒng)上。早期常用于支持科學(xué)學(xué)習(xí)，近年來較多支持語言學(xué)習(xí)、寫作研究和編程學(xué)習(xí)?！靶屡d人工智能技術(shù)在認(rèn)知及醫(yī)學(xué)教育中的應(yīng)用”集群的研究主要聚焦應(yīng)用新興人工智能技術(shù)促進學(xué)生的認(rèn)知發(fā)展。諸多學(xué)者利用神經(jīng)網(wǎng)絡(luò)技術(shù)和大數(shù)據(jù)技術(shù)分析醫(yī)學(xué)院學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，以促進其更有效的學(xué)習(xí)。此外機器人在醫(yī)學(xué)教育中的應(yīng)用也受到關(guān)注?！爸悄茌o導(dǎo)系統(tǒng)的開發(fā)與應(yīng)用”集群的研究主要集中在開發(fā)智能輔導(dǎo)系統(tǒng)支持學(xué)生學(xué)習(xí)上。隨著新技術(shù)的發(fā)展，近年來智能輔導(dǎo)系統(tǒng)開始應(yīng)用于支持學(xué)生的綜合能力提升和高階思維發(fā)展。“人工智能在教育數(shù)據(jù)分析中的應(yīng)用”集群的研究主要集中在應(yīng)用機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和大數(shù)據(jù)技術(shù)進行數(shù)據(jù)分析和決策上。早期的研究側(cè)重于對有限的數(shù)據(jù)進行分析。隨著技術(shù)的發(fā)展，多模態(tài)數(shù)據(jù)融合和大數(shù)據(jù)挖掘技術(shù)受到關(guān)注，學(xué)者們希望通過大數(shù)據(jù)來發(fā)掘教育現(xiàn)象背后的規(guī)律。

第二，AIED跨領(lǐng)域應(yīng)用主要聚焦在四個方面：一是計算機科學(xué)跨學(xué)科應(yīng)用領(lǐng)域，其主要探討的主題包括機器學(xué)習(xí)、智能輔導(dǎo)系統(tǒng)、自然語言處理，近年來對數(shù)學(xué)模型、建模、數(shù)據(jù)科學(xué)教育應(yīng)用以及協(xié)作等問題的探討逐年增多。二是教育科學(xué)學(xué)科領(lǐng)域，其最常討論的主題包括機器學(xué)習(xí)、人工智能和評價等，近年來量化、科學(xué)評估與效度等問題受到研究者的關(guān)注。三是心理教育領(lǐng)域，其較多討論的主題有機器學(xué)習(xí)、自然語言處理和人工智能，近年來語言特征受到學(xué)者們的關(guān)注。四是語言學(xué)領(lǐng)域，其最常討論的話題涉及自然語言處理、智能呼叫和寫作評價，近年來學(xué)術(shù)寫作、句法復(fù)雜度與語言學(xué)習(xí)受到研究者的關(guān)注。

第三，未來AIED研究既要關(guān)注新興技術(shù)對教育教學(xué)的影響，如透過大數(shù)據(jù)和多模態(tài)技術(shù)對學(xué)習(xí)者的學(xué)習(xí)行為進行分析，以及根據(jù)行為分析對學(xué)習(xí)者實施精準(zhǔn)干預(yù)，抑或是預(yù)測其學(xué)習(xí)表現(xiàn);還應(yīng)前瞻性地關(guān)注因人工智能技術(shù)進步而產(chǎn)生的新議題，如積極開展人工智能倫理規(guī)范調(diào)研，設(shè)計和編制相應(yīng)的課程，不斷提升各利益相關(guān)者的倫理認(rèn)知。

第四，一些早期即開始進行的研究議題（如個性化學(xué)習(xí)），仍會是AIED研究的重要方向。未來在智能手機及平板電腦越來越普及的背景下，人工智能系統(tǒng)將在學(xué)習(xí)內(nèi)容、路徑、接口、推薦、提示、反饋等方面為學(xué)習(xí)者提供更加智能化和個性化的學(xué)習(xí)引導(dǎo)或輔助。此外，人工智能機器人在教育中的應(yīng)用和人工智能在教育游戲中的應(yīng)用也不可忽視。

參考文獻：

[1]Alexopoulou， T.， Michel， M.， & Murakami， A. et al. （2017）. Task Effects on Linguistic Complexity and Accuracy： A Large-Scale Learner Corpus Analysis Employing Natural Language Processing Techniques[J]. Language Learning， 67（1）：180-208.

[2]Alonso-Martin， F.， Malfaz， M.， & Sequeira， J. et al. （2013）. A Multimodal Emotion Detection System During Human-Robot Interaction[J]. Sensors， 13（11）：15549-15581.

[3]Amaral， L. A.， & Meurers， D. （2011a）. On Using Intelligent Computer-Assisted Language Learning in Real-Life Foreign Language Teaching and Learning[J]. ReCALL， 23（1）：4-24.

[4]Amaral， L.， Meurers， D.， & Ziai， R. （2011b）. Analyzing Learner Language： Towards a Flexible Natural Language Processing Architecture for Intelligent Language Tutors[J]. Computer Assisted Language Learning， 24（1）：1-16.

[5]Atapattu， T.， Falkner， K.， & Thilakaratne， M. et al. （2020）. What Do Linguistic Expressions Tell Us About Learners’ Confusion？ A Domain-Independent Analysis in MOOCs[J]. IEEE Transactions on Learning Technologies， 13（4）：878-888.

[6]Aydo?du， ?. （2020）. Predicting Student Final Performance Using Artificial Neural Networks in Online Learning Environments[J]. Education and Information Technologies， 25（3）：1913-1927.

[7]Aydo?du， ?. （2021）. A New Student Modeling Technique with Convolutional Neural Networks： LearnerPrints[J]. Journal of Educational Computing Research， 59（4）：603-619.

[8]Berner， E. S.， & McGowan， J. J. （2010）. Use of Diagnostic Decision Support Systems in Medical Education[J]. Methods of Information in Medicine， 49（4）：412-417.

[9]Beseiso， M.， Alzubi， O. A.， & Rashaideh， H. （2021）. A Novel Automated Essay Scoring Approach for Reliable Higher Educational Assessments[J]. Journal of Computing in Higher Education， 33：727-746.

[10]Blikstein， P.， & Worsley， M. （2016）. Multimodal Learning Analytics and Education Data Mining： Using Computational Technologies to Measure Complex Learning Tasks[J]. Journal of Learning Analytics， 3（2）：220-238.

[11]Bodily， R.， Leary， H.， & West， R. E. （2019）. Research Trends in Instructional Design and Technology Journals[J]. British Journal of Educational Technology， 50（1）：64-79.

[12]Boyack， K. W.， & Klavans， R. （2010）. Co-Citation Analysis， Bibliographic Coupling， and Direct Citation： Which Citation Approach Represents the Research Front Most Accurately？[J]. Journal of the American Society for information Science and Technology， 61（12）：2389-2404.

[13]Broadus， R. N. （1987）. Toward a Definition of “Bibliometrics”[J]. Scientometrics， 12（5）：373-379.

[14]Camacho， V. L.， de la Guía， E.， & Olivares， T. et al. （2020）. Data Capture and Multimodal Learning Analytics Focused on Engagement with a New Wearable IoT Approach[J]. IEEE Transactions on Learning Technologies， 13（4）：704-717.

[15]Cetintas， S.， Si， L.， & Xin， Y. P. P. et al. （2009）. Automatic Detection of Off-Task Behaviors in Intelligent Tutoring Systems with Machine Learning Techniques[J]. IEEE Transactions on Learning Technologies， 3（3）：228-236.

[16]Chatterjee， A.， Gupta， U.， & Chinnakotla， M. K. et al. （2019）. Understanding Emotions in Text Using Deep Learning and Big Data[J]. Computers in Human Behavior， 93：309-317.

[17]Chen， B.， Hwang， G. H.， & Wang， S. H. （2021）. Gender Differences in Cognitive Load When Applying Game-Based Learning with Intelligent Robots[J]. Educational Technology & Society， 24（3）：102-115.

[18]Chen， C. M. （2008）. Intelligent Web-Based Learning System with Personalized Learning Path Guidance[J]. Computers & Education， 51（2）：787-814.

[19]Chen， C. M.， & Chen， M. C. （2009）. Mobile Formative Assessment Tool Based on Data Mining Techniques for Supporting Web-Based Learning[J]. Computers & Education， 52（1）：256-273.

[20]Chen， C. M.， & Hsu， S. H. （2011a）. Personalized Intelligent Mobile Learning System for Supporting Effective English Learning[J]. Educational Technology & Society， 3：153-180.

[21]Chen， C. M.， & Lee， T. H. （2011b）. Emotion Recognition and Communication for Reducing Second-Language Speaking Anxiety in a Web-Based One-to-One Synchronous Learning Environment[J]. British Journal of Educational Technology， 42（3）：417-440.

[22]Chen， L.， Chen， P.， & Lin， Z. （2020）. Artificial Intelligence in Education： A Review[J]. IEEE Access， 8：75264-75278.

[23]Chen， X.， Xie， H.， & Hwang， G. J. （2020）. A Multi-Perspective Study on Artificial Intelligence in Education： Grants， Conferences， Journals， Software Tools， Institutions， and Researchers[J]. Computers and Education： Artificial Intelligence， 1：100005.

[24]Cheng， G. （2017）. The Impact of Online Automated Feedback on Students’Reflective Journal Writing in an EFL Course[J]. The Internet and Higher Education， 34：18-27.

[25]Chibani， A.， Amirat， Y.， & Mohammed， S. et al. （2013）. Ubiquitous Robotics： Recent Challenges and Future Trends[J]. Robotics and Autonomous Systems， 61（11）：1162-1172.

[26]Devedzic， V.， Debenham， J.， & Popovic， D. （2000）. Teaching Formal Languages by an Intelligent Tutoring System[J]. Educational Technology & Society， 3（2）：36-49.

[27]Donthu， N.， Kumar， S.， & Mukherjee， D. et al. （2021）. How to Conduct a Bibliometric Analysis： An Overview and Guidelines[J]. Journal of Business Research， 133：285-296.

[28]Dutt， S.， Ahuja， N. J.， & Kumar， M. （2022）. An Intelligent Tutoring System Architecture Based on Fuzzy Neural Network （FNN） for Special Education of Learning Disabled Learners[J]. Education and Information Technologies， 27：2613-2633.

[29]Farhan， M.， Jabbar， S.， & Aslam， M. et al. （2018）. IoT-Based Students Interaction Framework Using Attention-Scoring Assessment in E-Learning[J]. Future Generation Computer Systems， 79：909-919.

[30]González-Zamar， M. D.， Abad-Segura， E.， & Luque de la Rosa， A. et al. （2020）. Digital Education and Artistic-Visual Learning in Flexible University Environments： Research Analysis[J]. Education Sciences， 10（11）：294.

[31]Guo， Z.， & Barmaki， R. （2020）. Deep Neural Networks for Collaborative Learning Analytics： Evaluating Team Collaborations Using Student Gaze Point Prediction[J]. Australasian Journal of Educational Technology， 36（6）：53-71.

[32]Hernández， J. A. C.， Alberico， A. B.， & Duarte， M. P. et al. （2020）. Teamwork Assessment in Collaborative Projects Through Process Mining Techniques[J]. The International Journal of Engineering Education， 36（1）：470-482.

[33]Holmes， M.， Latham， A.， & Crockett， K. et al. （2017）. Near Real-Time Comprehension Classification with Artificial Neural Networks： Decoding E-Learner Non-Verbal Behavior[J]. IEEE Transactions on Learning Technologies， 11（1）：5-12.

[34]Hooshyar， D.， Ahmad， R. B.， & Wang， M. et al. （2018）. Development and Evaluation of a Game-Based Bayesian Intelligent Tutoring System for Teaching Programming[J]. Journal of Educational Computing Research， 56（6）：775-801.

[35]Hooshyar， D.， Ahmad， R. B.， & Yousefi， M. et al. （2015）. A Flowchart-Based Intelligent Tutoring System for Improving Problem-Solving Skills of Novice Programmers[J]. Journal of Computer Assisted Learning， 31（4）：345-361.

[36]Horáková， T.， Hou?ka， M.， & D?meová， L. （2017）. Classification of the Educational Texts Styles with the Methods of Artificial Intelligence[J]. Journal of Baltic Science Education， 16（3）：324-337.

[37]Hsieh， T. C.， Lee， M. C.， & Su， C. Y. （2013）. Designing and Implementing a Personalized Remedial Learning System for Enhancing the Programming Learning[J]. Journal of Educational Technology & Society， 16（4）：32-46.

[38]Huang， A. Y.， Lu， O. H.， & Huang， J. C. et al. （2020）. Predicting Students’ Academic Performance by Using Educational Big Data and Learning Analytics： Evaluation of Classification Methods and Learning Logs[J]. Interactive Learning Environments， 28（2）：206-230.

[39]Hwang， G. J.， & Tu， Y. F. （2021）. Roles and Research Trends of Artificial Intelligence in Mathematics Education： A Bibliometric Mapping Analysis and Systematic Review[J]. Mathematics， 9（6）：584.

[40]Hwang， G. J.， Sung， H. Y.， & Chang， S. C. et al. （2020a）. A Fuzzy Expert System-Based Adaptive Learning Approach to Improving Students’ Learning Performances by Considering Affective and Cognitive Factors[J]. Computers & Education： Artificial Intelligence， 1：100003.

[41]Hwang， G. J.， Xie， H.， & Wah， B. W. et al. （2020b）. Vision， Challenges， Roles and Research Issues of Artificial Intelligence in Education[J]. Computers & Education： Artificial Intelligence， 1：100001.

[42]Hwang， G. J.， Wu， P. H.， & Ke， H. R. （2011）. An Interactive Concept Map Approach to Supporting Mobile Learning Activities for Natural Science Courses[J]. Computers & Education， 57（4）：2272-2280.

[43]Iatrellis， O.， Savvas， I. Κ.， & Fitsilis， P. et al. （2021）. A Two-Phase Machine Learning Approach for Predicting Student Outcomes[J]. Education and Information Technologies， 26（1）：69-88.

[44]Jain， G. P.， Gurupur， V. P.， & Schroeder， J. L. et al. （2014）. Artificial Intelligence-Based Student Learning Evaluation： A Concept Map-Based Approach for Analyzing a Student’s Understanding of a Topic[J]. IEEE Transactions on Learning Technologies， 7（3）：267-279.

[45]Jaques， P. A.， Seffrin， H.， & Rubi， G. et al. （2013）. Rule-Based Expert Systems to Support Step-By-Step Guidance in Algebraic Problem Solving： The Case of the Tutor PAT2Math[J]. Expert Systems with Applications， 40（14）：5456-5465.

[46]Kabathova， J.， & Drlik， M. （2021）. Towards Predicting Student’s Dropout in University Courses Using Different Machine Learning Techniques[J]. Applied Sciences， 11：3130.

[47]Kay， J. （2012）. AI and Education： Grand Challenges[J]. IEEE Intelligent Systems， 27（5）：66-69.

[48]Kele?， A.， Ocak， R.， & Kele?， A. et al. （2009）. ZOSMAT： Web-Based Intelligent Tutoring System for Teaching-Learning Process[J]. Expert Systems with Applications， 36（2）：1229-1239.

[49]Kewalramani， S.， Kidman， G.， & Palaiologou， I. （2021）. Using Artificial Intelligence （AI）-Interfaced Robotic Toys in Early Childhood Settings： A Case for Children’s Inquiry Literacy[J]. European Early Childhood Education Research Journal， 29（5）：652-668.

[50]Koko?， M.， Ak?ap?nar， G.， & Hasnine， M. N. （2021）. Unfolding Students’ Online Assignment Submission Behavioral Patterns Using Temporal Learning Analytics[J]. Educational Technology & Society， 24（1）：223-235.

[51]Kyle， K.， & Crossley， S. A. （2018）. Measuring Syntactic Complexity in L2 Writing Using Fine-Grained Clausal and Phrasal Indices[J]. The Modern Language Journal， 102（2）：333-349.

[52]Lee， C. A.， Tzeng， J. W.， & Huang， N. F. et al. （2021）. Prediction of Student Performance in Massive Open Online Courses Using Deep Learning System Based on Learning Behaviors[J]. Educational Technology & Society， 24（3）：130-146.

[53]Lin， C. C.， Liu， G. Z.， & Wang， T. I. （2017）. Development and Usability Test of an E-Learning Tool for Engineering Graduates to Develop Academic Writing in English： A Case Study[J]. Journal of Educational Technology & Society， 20（4）：148-161.

[54]Lin， C. J.， & Mubarok， H. （2021）. Learning Analytics for Investigating the Mind Map-Guided AI Chatbot Approach in an EFL Flipped Speaking Classroom[J]. Educational Technology & Society， 24（4）：16-35.

[55]Liu， K.， Chen， Z.， & Wu， J. et al. （2018）. Big Medical Data Decision-Making Intelligent System Exploiting Fuzzy Inference Logic for Prostate Cancer in Developing Countries[J]. IEEE Access， 7：2348-2363.

[56]Lo， H. Y.， Liu， G. Z.， & Wang， T. I. （2014）. Learning How to Write Effectively for Academic Journals： A Case Study Investigating the Design and Development of a Genre-Based Writing Tutorial System[J]. Computers & Education， 78：250-267.

[57]Lykourentzou， I.， Giannoukos， I.， & Mpardis， G. et al. （2009a）. Early and Dynamic Student Achievement Prediction in E-Learning Courses Using Neural Networks[J]. Journal of the American Society for Information Science and Technology， 60（2）：372-380.

[58]Lykourentzou， I.， Giannoukos， I.， & Nikolopoulos， V. et al. （2009b）. Dropout Prediction in E-Learning Courses Through the Combination of Machine Learning Techniques[J]. Computers & Education， 53（3）：950-965.

[59]MacArthur， C. A.， Jennings， A.， & Philippakos， Z. A. （2019）. Which Linguistic Features Predict Quality of Argumentative Writing for College Basic Writers， and How Do Those Features Change with Instruction？[J]. Reading and Writing， 32（6）：1553-1574.

[60]Moresi， M.， Gomez， M. J.， & Benotti， L. （2021）. Predicting Students’ Difficulties From a Piece of Code[J]. IEEE Transactions on Learning Technologies， 14（3）：386-399.

[61]Moridis， C. N.， & Economides， A. A. （2009）. Prediction of Student’s Mood During an Online Test Using Formula-Based and Neural Network-Based Method[J]. Computers & Education， 53（3）：644-652.

[62]Narl?， S.， ?zgen， K.， & Alkan， H. （2011）. In the Context of Multiple Intelligences Theory， Intelligent Data Analysis of Learning Styles Was Based on Rough Set Theory[J]. Learning and Individual Differences， 21（5）：613-618.

[63]Nasseri， M. （2021）. Is Postgraduate English Academic Writing More Clausal or Phrasal？ Syntactic Complexification at the Crossroads of Genre， Proficiency， and Statistical Modelling[J]. Journal of English for Academic Purposes， 49：100940.

[64]Nasseri， M.， & Thompson， P. （2021）. Lexical Density and Diversity in Dissertation Abstracts： Revisiting English L1 vs. L2 Text Differences[J]. Assessing Writing， 47：100511.

[65]Odden， T. O. B.， Marin， A.， & Rudolph， J. L. （2021）. How Has Science Education Changed Over the Last 100 Years？ An Analysis Using Natural Language Processing[J]. Science Education， 105（4）：653-680.

[66]Pai， K. C.， Kuo， B. C.， & Liao， C. H. et al. （2021）. An Application of Chinese Dialogue-Based Intelligent Tutoring System in Remedial Instruction for Mathematics Learning[J]. Educational Psychology， 41（2）：137-152.

[67]Pavlekovi?， M.， Zeki?-Su?ac， M.， & ?ur?evi?， I. （2011）. A Neural Network Model for Predicting Children’s Mathematical Gift[J]. Croatian Journal of Education， 13（1）：10-41.

[68]Roll， I.， Aleven， V.， & McLaren， B. M. et al. （2011）. Improving Students’Help-Seeking Skills Using Metacognitive Feedback in an Intelligent Tutoring System[J]. Learning and instruction， 21（2）：267-280.

[69]Shorey， S.， Ang， E.， & Ng， E. D. et al. （2020）. Communication Skills Training Using Virtual Reality： A Descriptive Qualitative Study[J]. Nurse Education Today， 94：104592.

[70]Simeunovic， V.， & Preradovi?， L. （2014）. Using Data Mining to Predic Success in Studying[J]. Croatian Journal of Educatione， 16（2）：491-523.

[71]Sinclair， J.， Jang， E. E.， & Rudzicz， F.（2021）. Using Machine Learning to Predict Children’s Reading Comprehension from Linguistic Features Extracted from Speech and Writing[J]. Journal of Educational Psychology， 113（6）：1088-1106.

[72]Spikol， D.， Ruffaldi， E.， & Dabisias， G. et al. （2018）. Supervised Machine Learning in Multimodal Learning Analytics for Estimating Success in Project-Based Learning[J]. Journal of Computer Assisted Learning， 34（4）：366-377.

[73]Swinson， M. L.， & Bruemmer， D. J. （2000）. Expanding Frontiers of Humanoid Robotics[J]. IEEE Intelligent Systems and their Applications， 15（4）：12-17.

[74]Troussas， C.， Chrysafiadi， K.， & Virvou， M. （2019）. An Intelligent Adaptive Fuzzy-Based Inference System for Computer-Assisted Language Learning[J]. Expert Systems with Applications， 127： 85-96.

[75]Urteaga， I.， Siri， L.， & Garofalo， G. （2020）. Early Dropout Prediction via Machine Learning in Professional Online Courses[J]. RIED. Revista Iberoamericana de Educación a Distancia， 23（2）：147-167.

[76]Van Eck， N. J.， & Waltman， L. （2010）. Software Survey： VOSviewer， a Computer Program for Bibliometric Mapping[J]. Scientometrics， 84（2）：523-538.

[77]Wang， D.， Han， H.， & Zhan， Z. et al. （2015）. A Problem Solving Oriented Intelligent Tutoring System to Improve Students’ Acquisition of Basic Computer Skills[J]. Computers & Education， 81：102-112.

[78]Ward， W.， Cole， R.， & Bola?os， D. et al. （2013）. My Science Tutor： A Conversational Multimedia Virtual Tutor[J]. Journal of Educational Psychology， 105（4）：1115-1125.

[79]Webb， M. E.， Fluck， A.， & Magenheim， J. et al. （2021）. Machine Learning for Human Learners： Opportunities， Issues， Tensions and Threats[J]. Educational Technology Research and Development， 69（4）：2109-2130.

[80]Wu， P. H.， Hwang， G. J.， & Tsai， W. H. （2013）. An Expert System-Based Context-Aware Ubiquitous Learning Approach for Conducting Science Learning Activities[J]. Journal of Educational Technology & Society， 16（4）：217-230.

[81]Xing， W.， & Du， D. （2019）. Dropout Prediction in MOOCs： Using Deep Learning for Personalized Intervention[J]. Journal of Educational Computing Research， 57（3）：547-570.

[82]Xu， Y.， Wang， D.， & Collins， P. et al. （2021）. Same Benefits， Different Communication Patterns： Comparing Children’s Reading with a Conversational Agent vs a Human Partner[J]. Computers & Education， 161：104059.

[83]Yang， Z.， Yang， J.， & Rice， K. et al. （2020）. Using Convolutional Neural Network to Recognize Learning Images for Early Warning of at-Risk Students[J]. IEEE Transactions on Learning Technologies， 13（3）：617-630.

[84]Yera， R.， & Martínez， L. （2017）. A Recommendation Approach for Programming Online Judges Supported by Data Preprocessing Techniques[J]. Applied Intelligence， 47（2）：277-290.

[85]Yin， R. K.， & Moore， G. B. （1987）. The Use of Advanced Technologies in Special Education： Prospects from Robotics， Artificial Intelligence， and Computer Simulation[J]. Journal of Learning Disabilities， 20（1）：60-63.

[86]Zawacki-Richter， O.， Marín， V. I.， & Bond， M. et al. （2019）. Systematic Review of Research on Artificial Intelligence Applications in Higher Education-Where Are the Educators？[J]. International Journal of Educational Technology in Higher Education， 16：39.

[87]Zhai， X.， Shi， L.， & Nehm， R. H. （2021a）. A Meta-Analysis of Machine Learning-Based Science Assessments： Factors Impacting Machine-Human Score Agreements[J]. Journal of Science Education and Technology， 30：361-379.

[88]Zhai， X.， Krajcik， J.， & Pellegrino， J. W. （2021b）. On the Validity of Machine Learning-Based Next Generation Science Assessments： A Validity Inferential Network[J]. Journal of Science Education and Technology， 30：298-312.

[89]Zhang， L.， Amat， A. Z.， & Zhao， H. et al. （2021）. Design of an Intelligent Agent to Measure Collaboration and Verbal-Communication Skills of Children with Autism Spectrum Disorder in Collaborative Puzzle Games[J]. IEEE Transactions on Learning Technologies， 14（3）：338-352.

[90]Zheng， L.， Niu， J.， & Zhong， L. （2022）. Effects of a Learning Analytics-Based Real-Time Feedback Approach on Knowledge Elaboration， Knowledge Convergence， Interactive Relationships and Group Performance in CSCL[J]. British Journal of Educational Technology， 53：130-149.

[91]Zhu， M.， Liu， O. L.， & Lee， H. S. （2020）. The Effect of Automated Feedback on Revision Behavior and Learning Gains in Formative Assessment of Scientific Argument Writing[J]. Computers & Education， 143：103668.

收稿日期 2022-03-10

International Research Prospects and Trends of Artificial Intelligence in Education

HWANG Gwojen， FANG Jianwen， TU Yunfang

Abstract： The rapid development of computer technology has promoted the application of artificial intelligence in education （AIED）. With the artificial intelligence technology， a computer system can simulate teachers’ intelligence to reason， judge or predict as well as provide students with personalized guidance， support or feedback. Moreover， it can assist teachers or educational policy makers to make proper decisions. Although AIED has been identified as a research focus in the fields of computing and education， researchers generally find it challenging to conduct such high-tech and interdisciplinary research. Therefore， it is beneficial for researchers to use bibliometric analysis to understand the hot topics and research trends in AIED through the analysis of research articles published in high-quality international journals. From the analysis results， it is found that AIED research focuses on five major clusters， including machine learning and prediction technologies for online learning， incorporating natural language processing into AI-based educational applications， modern AI in medical and cognitive science education， intelligent tutoring system， and AI in educational data analysis. In addition， these five clusters span four major areas： interdisciplinary application of computer science， educational science disciplines， psychoeducation， and linguistics， reflecting an interdisciplinary and diverse research prospects. In the future， AIED researchers need not only explore the mechanisms of new technologies， such as big data and multimodal analysis for education， but also conduct multi-perspective and multi-faceted exploration of its traditional research topics. Meanwhile， the ethical issues brought about by the use of artificial intelligence in education should also be taken into account.

Keywords： Artificial Intelligence in Education; Hot Research Topics; Trends Analysis; Bibliometric Analysis