2.3.5　主题聚类分析

本书采用SPSS针对关键词进行聚类分析，将距离较近的关键词聚在一起从而形成分析目标。将相异矩阵导入SPSS软件，首先对相关的参数进行设置，在绘制中选择“谱系图”，在聚类方法中选择“Ward”方法，生成如图2-4所示的聚类谱系图。

图2-4　聚类谱系图

根据聚类分析的结果，本研究将人工智能教育领域划分为四个类团，并依据该类团中的关键词，为每个类团进行命名，划分结果如表2-3所示。

表2-3　人工智能主题分类

类团1：智能教育理论。

人工智能与教育大数据的紧密结合，使得构建智慧教育环境得以实现，从而赋予了教育信息化、教育现代化新的时代意义。这一类团主要由人机协同、学习空间、智慧教育、教育信息化等高频关键词组成。智能教育领域的高引用论文几乎都集中在理论和方法层面，一部分研究是从研究者的角度出发，传统的教育理论和教育方法已经不太切合人工智能时代下的教育，人工智能时代的教育需要更加切合的教育理论和方法，如“未来教育”“智慧教育”等；另外一部分研究则是从实践者的角度出发，人工智能教育需要一个全方位的理论指导和应用图景介绍，方便教师尽快理解人工智能在教育中应用的可行性。当前，关于智能教育理论的研究主要集中在以下几个领域：国内外人工智能及人工智能教育政策文件及行动计划的解读、人工智能教育已有的研究评述与展望、人工智能背景下的教育理论与方法创新、人工智能时代教育变革实施途径等。

该领域整体的研究趋势是从技术的简单应用到促进教育目标的达成。研究者们开始思考人工智能给教育方法和教育目标带来的深层次冲击，如蒋鑫等对美国颁发的《国家人工智能研究与发展战略规划》和《美国机器智能国家战略规划》进行详细解读，指出其人工智能支持教育变革方面的政策转变，以期为我国未来教育人工智能战略的制定提供借鉴（蒋鑫、洪明，2019）。王珠珠则对教育信息化2.0时代的智能教育核心要义和实施途径进行了深入讨论和论证（王珠珠，2018）。总体而言，新的技术的发展对原有教育理论将产生推进作用，促使教育各学科分支进行有效交叉、融合，共同反思自身的知识形态与内涵的自我更新，重新定义信息技术与教育学理论的关系，着力理解新兴技术与教育的适切性问题，推动教育理论的不断更新（李政涛、罗艺，2019）。

类团2：智能教育应用。

智能教育应用研究是人工智能教育领域的重要研究内容。该领域学术论文数量较多，主要集中在对人工智能赋能教育教学方式、评价、决策等应用的研究上，由个性化教学、在线学习、人工智能技术、智能教学系统等高频关键词组成。从当前文献可看出，人工智能赋能教育仍是人工智能教育研究中最为广泛的一个领域，而尤其以大规模在线学习中的个性化教学和智能教学系统为主流的教育应用研究，两者通常进行相互结合。个性化教学通过确立明确的个体目标，实时收集个体行为、认知数据，帮助学生选择最佳的学习策略，并能够基于全维度的过程数据给予及时的反馈，提升学习效率。智能教学系统则将人工智能技术、心理学、认知科学、行为科学等多媒体技术等学科进行结合，为个性化的教学方式提供了良好的实现途径。不同领域的研究结果也表明，通过智能教学系统采集数据，构建模型，可以有效地助力个性化学习。

该领域当前整体的研究趋势是从引入人工智能技术入手思考人工智能教育应用到从教育的实际需求出发研究人工智能技术。如余明华等在其文献《人工智能视域下机器学习的教育应用于创新探索》中就对应用于教育领域的机器学习方法进行了汇总分析，充分阐述了机器学习对学生行为建模、学习表现预测、学习支持和评测方面的典型应用案例（余明华、冯翔、祝智庭，2017）。潘云鹤在其《人工智能2.0与教育发展》中对人工智能2.0时代对教育的影响进行了详细的阐述，指出了大数据智能、媒体智能等对个性化教学及学习效率效果的重大提升作用（潘云鹤，2018）。

类团3：智能教育技术。

人工智能教育研究领域主要依赖核心技术的使用，包括技术方法和核心算法等内容。这一类团主要由教育大数据、学习分析、机器学习、深度学习和区块链等几个高频关键词组成。其中，教育大数据是人工智能实施的基础数据支撑，以此为基础的学习分析技术则是当前教育智能的一个重要研究领域。学习分析技术是一种数据分析技术，其主要以教育大数据为支撑，根据教学中学生认知发展规律的变化，提取重要指标，发现学习规律，为优化学习路径、促进教学监督与干预提供证据支持（魏顺平，2013）。学习分析技术是促进学习研究中增长最快的领域之一，也是当前的研究热点。另外，机器学习及深度学习技术也是支撑人工智能研究应用的核心技术。机器学习是人工智能的核心，机器学习研究如何使计算机自动进行学习的方法，具有从信息中归纳知识，进行聚类、关联分析，并进行预测及可视化等，其适应各种规模不同的数据集。而深度学习属于机器学习的子类，其更依赖于大规模数据的使用。近几年来，大规模开放教育平台迅速发展，其为深度学习提供了海量的学习和评测样本，促进了学习增强、学习预测、学习迁移、知识表征、自适应学习等多个教育领域的发展（赵慧琼等，2018）。而作为去中心化的特性技术设计方法的区块链技术，则将在学习者资源管理、学习路径追踪等方面发挥巨大作用。

类团4：智能教育内容。

自国务院2017年《新一代人工智能发展规划》中明确表示应重视智能教育后，紧随一系列政策出台，人工智能教育被提升到前所未有的高度。从聚类结果可以看出，在人工智能战略的总体目标和创新性人才的培养要求下，当前的人工智能教育内容与相对成熟的创客教育、STEAM教育、机器人教育形成自然连接。该类团主要由机器人学习、创客教育、STEAM教育、计算思维和编程教育等高频关键词组成。从类团关键词组成也可以看出，基础教育领域发展相对成熟的创客教育、STEAM教育、机器人教育等都与人工智能教育紧密相关。这些教育内容所蕴含的创新素质培养、合作精神、问题解决能力、批判性思维等培养目标与人工智能教育的创新性人才培养总体目标相一致。同时，作为人工智能人才培养的基础技能，编程教育也被提升到重要地位。开源硬件及图形化编程软件的不断涌现，也使得传统的基于文本的编程教育可以有效下沉到基础教育阶段，配合各种3D打印、激光切割等技术，能够充分发挥青少年动手实践的能力。不少研究者也在具体实施中探索采用不同的工具或教学模式培养青少年的计算思维能力。如傅骞等通过对45名初中生的教学实验对比传统的文本编程工具与图形化编程工具，发现图形化编程工具在提升学生的计算思维能力方面效果更加显著（傅骞、解博超、郑娅峰，2019）。

从研究的趋势来看，该领域研究主要集中在中小学人工智能课程体系研究、与人工智能相关的教学模式研究及通过传授人工智能提升学生创新能力和核心素养的研究等几个方面。研究思路也逐步从单纯的人工智能教育过渡到整合人工智能的教育，教育形式和教育模式不断创新。如谢忠新指出了当前中小学人工智能相关课程的现状及存在的问题，从认知发展视角提出了对中小学人工智能课程内容建设的想法（谢忠新、曹杨璐、李盈，2019）；祝智庭等则在其《面向人工智能创客教育的国际考察和发展策略》一文中，为面向人工智能的创客课程建设提出建议，指出了科普课程、嵌入式课程、项目性和整合性课程的不同目标及组织形式（祝智庭、单俊豪、闫寒冰，2019）。