人工智能视角下深度学习的研究热点与教育应用趋势--基于2006~2019年w

——基于2006～2019年WOS数据库中20708篇文献的知识图谱分析

张 海1 崔宇路2 余露瑶2 季孟雪2 王以宁1

（1．东北师范大学 传媒科学学院，吉林长春 130024； 2．东北师范大学 信息科学与技术学院，吉林长春 130024）

摘要：近年来，深度学习已经成为人工智能教育研究领域的前沿。为了更进一步审视人工智能视角下的深度学习，文章以Web of Science（WOS）核心数据库为文献数据来源，对2006～2019年与深度学习有关的20708篇有效文献进行了知识图谱分析，发现：2014年以后深度学习相关研究的年发文量激增，且重要的节点文献大多集中在计算机模式识别和视觉领域；中国、美国、英国产出的深度学习研究成果占国际发文总量的一半以上；深度学习的相关研究主要集中在大学开展；主流算法、多模态识别、教育应用场景是深度学习的三个研究热点。基于此，文章提出：深度学习主流算法支持的人工智能分析平台搭建、教育数据多模态识别范式更迭、基于场景的智慧校园生态圈构建代表了未来深度学习的教育应用趋势。 关键词：深度学习；人工智能；知识图谱；研究热点；教育应用趋势

【中图分类号】G40-057 【文献标识码】A 【论文编号】1009—8097（2020）01—0032—07 【DOI】10.3969/j.issn.1009-8097.2020.01.005

21世纪以来，信息技术的发展推动着教育发生深层次变革，教学过程、教学方法也随之发生了很大的变化。尤其是最近几年，人工智能（Artificial Intelligence，AI）以深度学习（Deep Learning）为核心，在视觉、语音、自然语言研究领域发展迅速。而在教育领域，人工智能结合教育大数据将使教育焕发新的活力。《高等学校人工智能创新行动计划》指出，人工智能是“推进教育均衡发展、促进教育公平、提高教育质量的重要手段”[1]。深度学习不同于“人类的心理及行为变化”[2]，是当前人工智能教育研究领域的前沿。利用深度学习支持人工智能在图像、语音、文本等方面的研究，已经成为必然趋势[3]。基于此，本研究认为有必要进一步审视人工智能视角下的深度学习，挖掘其研究热点和教育应用趋势。

一 人工智能视角下的深度学习

1 人工智能研究领域的前沿：深度学习

人工智能在教育领域的应用正在掀起一场新的[4]。从机器教学到开发用于答卷评估的自动化系统，从单模数据驱动决策到多模数据支撑，人工智能的内在力量正逐渐渗透课堂教学[5]。一直以来，在教育中如何做到因材施教是教育公平的价值诉求[6]。而人工智能与教育的深度融合，促使教育形态发生了根本性的变化，改变了教师与学习者之间的关系，可为学习者的自适应和个性化学习提供助力，并为实现教育公平提供一条全新路径。深度学习是实现人工智能的重要技术手段，被认为是推动人工智能研究和应用爆发式增长的关键技术之一[7]。当前，基于深度学习的人工智能产品已被广泛地应用于智能家居、智能物流管理、智能交通、智能医疗、智能安防布控等诸多领域。而在教育领域，深度学习在挖掘学习者学习状况、获取学习者真实需求、

32

Vol.30 No.1 2020 诊断学习者薄弱学习环节等方面具有不可替代的重要作用[8]。

深度学习是机器学习中一种基于数据进行表征学习的方法，通过模拟人脑的神经网络进行分析学习[9]。深度学习的三层模型如图1所示，除了输入层、输出层，深度学习还有一个功能强大的隐藏层，可以通过组合隐藏层的特征来对数据进行逐层分析[10]。2006年，Hinton等[11]提出非监督贪婪逐层训练算法，之后深度学习开始逐渐获得研究者的关注[12]。2013年，美国麻省理工学院主办的《技术评论》杂志（Technical Comments）将“深度学习”评为十大突破性技术之首[13]。2015年，Lecun等[14]指出深度学习技术在解决高维数据的复杂结构问题上具有良好的表现，在自然语言理解特别是话题分类、情感分析、问题回答和语言翻译等方面的前景可期。2016年，采用深度学习技术的Alphago战胜了韩国围棋冠军李世石，后又于2017年击败围棋世界史上最年轻的“五冠王”——中国棋手柯洁，表明深度学习在语义理解和复杂问题解决上潜力巨大。由此可见，开展人工智能视角下深度学习的教育应用研究具有很高的理论和实践价值。

图1 深度学习的三层模型

图2 近十年深度学习相关研究的年发文量变化

2 研究目标与数据来源

为了更好地理解人工智能视角下深度学习对教育的重要作用，本研究通过知识图谱可视化呈现人工智能和深度学习的核心作者、关键文献等信息，从而挖掘出深度学习的研究热点和教育应用趋势。研究工具为Citespace 5.6.R1，它是国内外研究者使用最为广泛的文献计量分析工具之一，可以通过知识图谱的方式可视化地呈现相关领域的研究情况和研究热点。

研究数据来源于Web of Science数据库中的6个核心数据库（SCI-Expanded、SSCI、A&HCI、CPCI-S、CPCI-SSH、ESCI）。本研究以“Deep Learning”and“Artificial Intelligence”or“AI”为主题词进行检索，研究结果限定于计算机和教育研究领域中2006年1月1日至2019年12月31日期间刊发的相关论文，经自动检索、筛选和人工甄别，最终得到20708篇有效文献。

二 知识图谱分析与研究热点

1 年发文量分析

近十年深度学习相关研究的年发文量变化如图2所示，可以看出：2014年以前，深度学习的相关研究成果较少，年发文量增长缓慢；但是，2014年以后年发文量激增——这得益于已经积累的海量数据和大幅提升的计算机运算能力，使得深度学习能被广泛应用于不同领域，故与深度学习相关的研究逐渐深入，其研究成果也不断增多。2018年前后，深度学习的研究成果呈爆发式增长，相关论文主要集中在“Proceedings Paper”和“Article”，其中会议论文占比.5%，

33

Vol.30 No.1 2020 可见深度学习研究的飞速发展离不开众多国际学术会议的关注与推动，且热潮不减。截至数据收集时间，2019年发文WOS数据库尚未完全更新，但年发文量的变化趋势表明深度学习研究已引起了越来越多的关注。目前，研究者已开始将深度学习融入具体学科，并聚焦于教育领域中人工智能、深度学习的应用研究。

2 国家、机构研究情况分析

基于对20708篇文献作者所属国家的统计，本研究绘制了深度学习研究国家知识图谱，如图3所示。图3显示，深度学习相关研究发文总量位居前三的国家分别是中国（占比31.92%）、美国（占比26.03%）和英国（占比5.40%），且这三个国家产出的深度学习研究成果占国际发文总量的一半以上。其中，中国和美国占据了深度学习研究的绝对优势，而其它国家如印度、澳大利亚、日本、加拿大等累计发文量远低于中国和美国。

基于对20708篇文献作者所属单位的统计，本研究绘制了深度学习研究机构知识图谱，如图4所示。图4显示，在中国，深度学习相关研究发文总量位居前三的研究机构分别是中国科学院（占比3.68%）、清华大学（占比2.63%）、上海交通大学（占比1.72%），而美国发文总量位居前三的研究机构是卡内基·梅隆大学（占比2.83%）、西北理工大学（占比1.36%）、伊利诺伊大学（占比0.85%）。由此可见，深度学习的相关研究主要集中在大学开展，表明大学科研对深度学习的研究与发展具有引领作用，而中美两国的大学在此方面做出了重要贡献。

图3 深度学习研究国家知识图谱

图4 深度学习研究机构知识图谱

3 关键节点文献分析

论文被引频次能够准确反映论文质量及其受其他研究者认可的程度，而处于核心位置的关键节点文献往往被引频次较高，能够反映出研究者所关注的焦点和未来的研究方向。通过对20708篇文献的被引频次进行统计，本研究梳理了2006～2019年WOS数据库中深度学习相关研究排名前10的关键节点文献，如表1所示。表1显示，自2006年Hinton教授提出非监督贪婪逐层训练算法后，深度学习逐渐获得了研究者的关注；2012年之后，深度学习的相关研究成果显著增多——表1中的10篇高被引论文，就有8篇出现在2012年之后；Krizhevsky、Simonyan、LeCun、He、Bengio等研究者的论文被广泛引用和参考，他们显然是深度学习领域的核心研究者。就研究内容来说，除算法模型的优化和提升外，2014年之后重要的节点文献大多集中在计算机模式识别和计算机视觉领域，研究者更多地关注深度学习算法的开发及其模型的优化，其研究主要涉及图像识别、语音识别、语义分割、目标检测和对象识别等内容。

34

Vol.30 No.1 2020

表1 2006～2019年WOS数据库中深度学习相关研究的关键节点文献

时间 2006 2009 第一作者 Hinton G E Bengio Y Krizhevsky A 2012 Hinton G E Srivastava N 2014 Simonyan K LeCun Y 2015 Russakovsky O He K M 题目 A fast learning algorithm for deep belief nets Learning deep architectures for AI ImageNet classification with 刊名 Neural Computation IEEE Conference on Computer Vision and Pattern Recognition deep Conference and Workshop on Neural Information Processing Systems Computer Science 被引频次 5474 7670 540 4601 6062 32176 10575 4905 9230 6795 convolutional neural networks Improving neural networks by preventing co-adaptation of feature detectors networks from overfitting Very deep convolutional networks for large-scale image recognition Deep learning challenge Deep residual learning for image recognition Dropout: A simple way to prevent neural Journal of Machine Learning Research Computer Science Nature Vision IEEE Conference on Computer Vision and Pattern Recognition IEEE Conference on Computer Vision and Pattern Recognition ImageNet large scale visual recognition International Journal of Computer 2016 2017 Huang G Densely connected convolutional networks 4 关键词与研究热点分析

关键词是对研究主题和内容的概括。通过关键词分析，可以明确并解释某一领域的研究热点。基于深度学习相关的关键词聚类结果，本研究将出现频次最高的30个关键词依据词频归纳为三个教育热点：主流算法、多模态识别、教育应用场景，如表2所示。

表2 深度学习的研究热点与关键词

研究热点 主流算法 关键词 深度学习、卷积神经网络、网络、机器学习、模型、算法、深度神经网络、循环神经网络、长短期记忆网络、自动编码、支持向量机、表示学习、迁移学习 分类、识别、特征、语音识别、人脸识别、图像分类、特征提取、分割、目标检测、计算机视觉、自然语言处理 教育、学习者、预测、情绪分析、大数据、人工智能 多模态识别 教育应用场景 第一个研究热点是主流算法，主要包括卷积神经网络、循环神经网络、深度神经网络、长短期记忆网络等模型算法结构。目前，教育领域中关于深度学习的研究成果仍然较少，但突现词分析结果显示：高等教育、知识、动机、评价、环境、教室、课程、学校、学习方法这些突现词已经引起了深度学习领域研究者的关注。

第二个研究热点是多模态识别，主要包括图像分类、语音识别、目标检测、分类、特征提取等技术。在复杂多变的教育场景中，如何正确理解并处理复杂环境中的教育视频、语音等多

35

Vol.30 No.1 2020 模态数据，如何正确理解并识别多样化教育场景中的学习者、教师、教学内容、教学对象及其在教育场景内的复杂关系，成为了深度学习研究所面临的重要挑战。

第三个研究热点是教育应用场景，涉及教育、学习者、预测、情绪分析、大数据、人工智能等内容。深度学习在教育领域的应用，可以优化学习路径、减少教师的重复劳动、提供实时反馈，便于教师实时掌握学习者的学习状态[15]。而搭建包含学习者情感识别[16]、个性化资源推荐[17]、学习行为模型的智能分析平台[18]，将为深度学习的教育应用提供重要载体。

三 未来深度学习的教育应用趋势解析

在教育领域中，基于深度学习的人工智能可以为教师、学习者、教育管理者和教育研究者这四个群体提供不同的支持[19]。基于上述知识图谱分析的结果，结合笔者所在研究团队参与的项目成果和经验，本研究认为未来深度学习的教育应用趋势表现如下：

1 深度学习主流算法将大力助推人工智能分析平台的搭建 《智能教育发展蓝皮书（2019）》指出，人工智能分析平台的建立是教育信息化走向智能教育的关键步骤，而技术层是人工智能分析平台的核心[20]。作为深度学习研究的核心维度，主流算法集中在技术层，通过卷积神经网络、循环神经网络、表示学习、迁移学习等为智能分析平台提供分析技术，以解决复杂教育场景下的数据流通问题，并提供从数据获取到信息加工与知识建构、再到智能输出等智能生成全过程的技术支持。随着5G的逐步商用，深度学习主流算法支持的人工智能分析平台需要进行内部数据与外部需求的进一步耦合，以实现教育人工智能的价值诉求。因此，人工智能分析平台的搭建是目前深度学习的关键任务，而基于深度学习的学习者分析、学习内容推荐、协同过滤、社会网络分析、情感计算建模将成为教育研究者尤其是教育领域技术开发人员关注的重点。

2 深度学习将稳步推进教育数据多模态识别范式的更迭

在智能学习环境中，教育语音、文本、图像、日志等多模态教育数据，已经成为深度学习主要的数据来源。在5G智能学习环境中，教育数据多模态识别具有更多发力点，如可以通过各种物联网传感设备和各类API接口，获取学习者脑流、脑电、皮肤电、眼动、脉搏等生理数据[21]，从而为学习辅助、学习者监测和学习建模提供支持。笔者所在研究团队为探究智慧课堂环境下教师技术使用及不同教学方法对学习者学习焦虑和认知负荷的影响，采用Empatica E4腕带和Tobbi pro Glass 2便携式眼动仪，对学习者的皮肤电、血容量脉冲、心律和眼动（包括眼动、眼跳、注视时长和次数、眨眼等）等数据进行了监测，这些生理指标可为学习过程的教育数据多模态识别提供参考[22]。由此可见，深度学习助推的教育数据多模态识别范式更迭，将揭示学习发生的内在机理，有力推动脑科学、心理学、神经科学、计算科学和教育科学的交叉融合。

3 深度学习将持续支持基于场景的智慧校园生态圈构建

在智慧校园构建过程中，相关企业已经通过深度学习进行了学习监测、智能辅导和产品化考试的应用[23]，而这些应用都是基于深度学习的教育应用场景进行的。构建基于场景的智慧校园生态圈，可通过深度学习获得持续支持，实现区域智能教育云、智能校园、智慧教学场所的个性化变迁。以智慧课堂为例，深度学习将在智能备课、智能教研、智能学习辅助、智能考评、智能综合评价等五个应用场景支持教育教学的全过程（如表3所示），并为学生提供更智能化、更个性化的学习体验。

36

Vol.30 No.1 2020

表3 深度学习在智慧课堂中的应用场景

应用场景 智能备课 智能教研 智能学习辅助 应用案例 大数据学情分析、教学资源推荐、自动化教学设计 课堂实录与数据分析、网络协同教研 智能微课辅导、课后答疑机器人、智能教学助手、智能搜题、学习路径规划、学科知识点分类、学习负担预警、学习情绪分析、学习资源推荐 智能辅助命题、智能组卷、智能阅卷、智能答题、口语听力评测、学生作答分析、试卷质量和难度分析、考试作弊和实时监管、自适应考试与测验 智能考评 智能综合评价 课堂实时分析、学生作业智能组卷、学生画像、学生个性化综评报告 四 小结

深度学习的一个重要价值，在于通过无监督或半监督的学习算法对数据进行分类、建模和

预测，使得复杂环境下的大规模教育数据分析能够顺利进行。基于2006～2019年WOS数据库中20708篇文献的知识图谱分析，本研究发现主流算法、多模态识别、教育应用场景是深度学习的三个研究热点，而深度学习主流算法支持的人工智能分析平台的搭建、教育数据多模态识别范式的更迭、基于场景的智慧校园生态圈构建代表了未来深度学习的教育应用趋势。在区域智慧教育研究中，开发和打造支持深度学习的区域内资源共享平台、人工智能分析平台,利用人工智能技术实现对区域教育信息化发展情况的整体监测，可为区域智慧环境下的教师发展、教学管理和教育决策提供有力支撑。而随着5G时代的到来，深度学习将促使智能教育助理、智能教育机器人、智慧考试、智慧学习环境等发生质的变化。因此，关注深度学习的教育应用，对于实现人工智能和教育的深度融合、促进个性化的教与学具有十分重要的意义。 ———————— 参考文献

[1]教育部.教育部关于印发《高等学校人工智能创新行动计划》的通知[OL].

[2]李小涛,陈川,吴新全,等.关于深度学习的误解与澄清[J].电化教育研究,2019,(10):19-25. [3]田启川,王满丽.深度学习算法研究进展[J].计算机工程与应用,2019,(22):25-33.

[4]Guilherme A. AI and education: the importance of teacher and student relations[J]. AI & SOCIETY, 2019,(1):47-54. [5]Malik G, Tayal D K, Vij S. An analysis of the role of artificial intelligence in education and teaching[A]. Recent Findings in Intelligent Computing Techniques[C]. Singapore: Springer, 2019:407-417.

[6]段丽华,周霖,柳海民.MOOC的全球化发展与高等教育公平[J].现代教育管理,2015,(4):11-16. [7][12]张淳杰.人工智能与深度学习[J].科技与创新,2019,(13):25-27.

[8][15]刘勇,李青,于翠波.深度学习技术教育应用:现状和前景[J].开放教育研究,2017,(5):113-120. [9]孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,2012,(8):2806-2810.

[10]Bengio Y. Learning deep architectures for AI[J]. Foundations and Trends® in Machine Learning, 2009,(1):1-127. [11]Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006,(7):1527-1554.

37

Vol.30 No.1 2020 [13]冯卫东,刘霞.2013年10大突破性技术(一)[J].今日科苑,2013,(14):31-37. [14]LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015,(7553):436-444.

[16]Yang D, Alsadoon A, Prasad P W C, et al. An emotion recognition model based on facial recognition in virtual learning environment[J]. Procedia Computer Science, 2018,(125):2-10.

[17]冯翔,王亚飞,吴永和.人工智能教育应用的新发展[J].现代教育技术,2018,(12):5-12.

[18]Sanchez R, Padrón C M, Martínez-Salazar I, et al. Design and evaluation of planning and mathematical models for generating learning paths: Planning and math models for learning paths[J]. Computational Intelligence, 2018,(3):821-838. [19][23]陈德鑫,占袁圆,杨兵.深度学习技术在教育大数据挖掘领域的应用分析[J].电化教育研究,2019,(2):68-76. [20]讯飞教育技术研究院,认知智能国家重点研究实验室智能教育研究中心.智能教育发展蓝皮书(2019)[OL].

[21]刘哲雨,郝晓鑫,王红,等.学习科学视角下深度学习的多模态研究[J].现代教育技术,2018,(3):12-18.

[22]姜雷,张海,张岚,等.脑机接口研究之演化及教育应用趋势的知识图谱分析——基于1985-2018年SCI及SSCI期刊论文研究[J].远程教育杂志,2018,(4):27-38.

Research Hotspots and Educational Application Trends of Deep Learning from the Perspective of Artificial Intelligence

——Based on the Knowledge Mapping Analysis of 20708 Papers on 2006-2019 WOS Database ZHANG Hai1 CUI Yu-lu2 YU Lu-yao2 JI Meng-Xue2 WANG Yi-ning1 (1. School of Media Science, Northeast Normal University, Changchun, Jilin, China 130024;

2. School of Information Science and Technology, Northeast Normal University, Changchun, Jilin, China 130024) Abstract: In recent years, deep learning (DP) has become the front of the research field of artificial intelligence (AI). In order to further examine the DP from the perspective of artificial intelligence, this paper used the Web of Science (WOS) core database as the resource of document data to carry out a knowledge mapping analysis of 20708 effective papers related to DP that were published between 2006-2019. It was found that the annual volume of research related to DP increased sharply after 2014, in which the important node literature focused on the computer pattern recognition and vision field. The research results of DP produced by China, USA and UK accounted for more than half of all international publications, and related research of DP was mainly carried out in colleges. The algorithms, multi-pattern recognition and educational application scenes were the research hotspots of DP. Based on this, this paper proposed the educational application trend of DP in the future, which were represented by the construction of AI analysis platform supported by DP mainstream algorithm, the change of multi-pattern recognition paradigm for education data, and the construction of smart campus ecosystem based on educational scenes.

Keywords: deep learning; artificial intelligence; knowledge mapping; research hotspot; educational application trend ————————

*基金项目：本文受东北师范大学教师教育研究基金重点课题“基于数据挖掘的教师专业发展成长轨迹研究”（项目编号：JSJY20180104）、东北师范大学交叉研究项目“基于教育数据科学的课堂学习测量与评价研究”（项目编号：108-130026916）、认知智能国家重点实验室资助项目“基于教育数据科学的智慧课堂测量与评价研究”（项目编号：iED2019-Z01)资助。

作者简介：张海，副院长，教授，博士，研究方向为教育大数据、教师发展、媒体传播，邮箱为zhangh219@nenu.edu.cn。 收稿日期：2019年6月1日 编辑：小米 38