国外教育人工智能研究主题及趋势分析——基于web of science文献关键

国外教育人工智能研究主题及趋势分析*

——基于Web of Science文献关键词的可视化分析

张蓉菲 赵磊磊 李玥泓 赵可云

（1．曲阜师范大学 传媒学院，山东日照 276800； 2．江南大学 人文学院，江苏无锡 214122）

摘要：文章基于对Web of Science数据库中文献关键词的可视化分析，梳理并呈现了国外教育人工智能的研究主题和趋势，研究发现，目前国外教育人工智能的研究可概括为四个主题领域：基于自然语言处理的教育智能研究、知识管理与运算的可视化研究、机器教学的应用案例研究以及指向深度学习的自适应教育技术研究。另外，国外教育人工智能研究呈现三个趋势：基于大数据的机器学习研究、深度学习理念引领下的在线学习变革研究、智能识别技术支撑下的智能导师系统研究。文章通过对国外教育人工智能研究的主题和趋势进行可视化呈现，旨在揭示国外教育人工智能的研究现状，将为我国教育人工智能的研究与发展提供参考。 关键词：教育人工智能；可视化；主题；趋势

【中图分类号】G40-057 【文献标识码】A 【论文编号】1009—8097（2019）12—0005—08 【DOI】10.3969/j.issn.1009-8097.2019.12.001

1

2

1

1

人工智能（Artificial Intelligence，AI）主要研究如何利用计算机模拟人的思维过程和智能行为，旨在探索人类智能活动的规律[1]。2019年3月，联合国教科文组织发布《教育中的人工智能：可持续发展的挑战和机遇》报告，对人工智能与教育的愿景、目标、途径、挑战等诸多方面进行了阐述[2]。2019年5月16日，国际人工智能与教育大会在北京召开，人工智能将如何深度改变教育的未来，成为较多学者的关注热点。教育人工智能是人工智能与学习科学结合而形成的一个新领域，重在通过人工智能技术，深入分析、理解教与学的内在规律与影响因素，进而为教学者与学习者的共同发展创造良性的教育条件，具有智能化、自动化、个性化等特征[3]。目前，我国教育人工智能尚处于起步阶段，面临教育数据在数量和质量上的“短板”、人工智能技术“嫁接”教育的难度大、人机信任不足以及缺乏人工智能教师与课程支持等难题[4]。为解决上述难题，本研究尝试利用共词聚类分析、共词网络分析等分析方法，对国外教育人工智能研究的主题和趋势进行可视化呈现，尝试揭示国外教育人工智能的研究现状，以期为我国教育人工智能的研究与发展提供参考。

一 数据获取

1 数据来源

本研究以“Educational Artificial Intelligence”or“Intelligent Teaching Agent”or “Natural Language Processing”or“Intelligent Tutoring System”or“Machine Learning”为主题，文献类型=Article，检索范围为Web of Science核心合集，检索时间段设为2008年1月1日～2019年9月15日，通过人工剔除重复文献、与本研究主题不相关的文献，得到有效文献共计1983篇。

2 研究方法与工具

基于文献计量的共词可视化研究能够通过数据图表直观地反映出某一领域的研究主题和发

5

Vol.29 No.12 2019

展趋势。基于文献筛选所得的1983篇有效文献，本研究采用SATI 3.2软件进行关键词词频统计以及共词矩阵生成，并筛选出高频关键词；同时，运用SPSS 19.0软件对高频关键词进行共词聚类分析，以明确国外教育人工智能领域的研究现状，并利用Ucinet6软件进行中心度统计分析和知识图谱分析，以预测国外教育人工智能研究的未来发展趋势。

3 高频关键词统计与矩阵生成

本研究使用SATI 3.2软件进行关键词数据统计，并将意思相近的关键词进行合并，剔除与本研究无关的关键词，选择出现频次≥5的关键词作为高频关键词，共得到高频关键词27个，包括自然语言处理（Natural Language Processing）、机器学习（Machine Learning）、自然语言（Natural Language）、程序（Program）、学习（Learning）等，其中，自然语言处理出现频次最高。之后，本研究利用SATI 3.2软件，生成的高频关键词共词矩阵如表1所示，生成的高频关键词相异矩阵如表2所示。

表1 高频关键词共词矩阵（部分） 自然语言处理 机器 学习 自然 语言 程序 学习 表2 高频关键词相异矩阵（部分）

学习 36 0 1 1 140 自然语言处理 287 54 0 4 36 机器学习 54 236 12 17 0 自然语言 0 12 162 37 1 程序 4 17 37 161 1 自然语言处理 机器 学习 自然 语言 程序 学习 自然语言处理 0 0.74 1 0.9276 0.9597 机器学习 0.74 0 0.9772 自然语言 1 程 序 学 习 0.9276 0.9597 1 0.9772 0.9737 0 0.3561 0.9995 0.9737 0.3561 0 0.9763 1 0.9995 0.9763 0 二 国外教育人工智能研究主题类别

将表2所示的高频关键词相异矩阵导入SPSS 19.0中进行系统聚类分析，聚类方法选为组间

平均距离联接，生成国外教育人工智能研究主题聚类图，如图1所示。对高频关键词进行主题类别划分，可将国外教育人工智能研究主题划分为以下四类：

图1 国外教育人工智能研究主题聚类图

图2 国外教育人工智能研究社会网络图

1 基于自然语言处理的教育智能研究

基于自然语言处理的教育智能研究主题涉及自然语言处理、编程教育、人工智能等关键词。在教育领域，自然语言处理技术最初应用于语法错误检测，随着技术的进步与发展，越来越多的

6

Vol.29 No.12 2019 教育人工智能研究者，将自然语言处理应用于写作、阅读和知识获取等方面。基于自然语言处理的教育智能研究主要包括：①文本挖掘研究，主要致力于开发一种可通用、可重复使用的计算资源，实现复杂的自然语言处理，推动教学知识体系的智能生成。如Samarakou等[5]开发了用于提取文本理解和学习风格特征的数字化学习系统，以帮助学生认识自己的学习风格。②智能交互研究，主要涉及智能问答系统、计算机与学习者的多模态交流。如Santos等[6]以民族志资料为基础，通过对人工智能专家系统中的知识生产进行人类学研究，探讨了知识工程者的认识论立场，注意到其特征性缺失，并暗示它们在技术中的所得到的反映。③教育语料库的建设研究，不少学者指出，自然语言处理可为学习者提供具有细致语法与词典功能的高级语料库功能，它还针对读者未知的单词提供了词法分析和字典访问功能，可分析用户输入，并诊断句法错误[7]。④网络智能研究，作为科学研究和发展的方向，网络智能对教育人工智能的发展极为有利，其一些关键领域（如本体、适应性、个性化和代理商）已经吸引了大批教育人工智能研究人员，智能Web服务、语义标记、Web挖掘等技术成为解决教育人工智能相关问题的关键支撑[8]。

2 知识管理与运算的可视化研究

知识管理与运算的可视化研究主要围绕知识管理模式和数据运算方法展开，引入“可视化”的理念，探讨了知识管理在教育人工智能领域的新进展，其涉及知识管理、活动与运算、可视化等关键词。一般而言，人工智能可解决知识管理中经常出现的三个问题：①信息超载；②非结构化信息问题；③知识问题[9]。而要解决这三个问题，知识管理与运算的可视化研究正是问题破解的关键。概括来说，可以采取神经网络运算法、决策树法和遗传算法等，将超载信息核心化、非结构化信息结构化、信息可视化。其中，Baradwaj等[10]指出神经网络是由大量相互交织的神经元或组件组成，它们共同处理信息并解决问题，其可接收和分析类似生物神经系统的信息。在教育领域，因其可对学生进行分类、分享特征、模拟和追踪学习者的认知过程、从不精确或不清楚的源数据中提取意义而备受欢迎。决策树则经常用于对信息和知识的筛选、聚类，有利于提升教育决策的效率[11]。从用户采取行动的根节点开始，用户根据决策树学习算法递归分割每个节点，最终的结果是一个决策树，其中每个分支代表一个可能的决策方案及其结果。遗传算法的使用在理解最终用户的偏好和需求方面十分有效，因此在教育系统中越来越受欢迎。它通过遗传编程的全局搜索，可以帮助教育管理者理解不同教职工的工作风格、帮助班主任理解不同学生的学习风格，并生成可视化的分类图表，使教育者的决策方案和管理方案更具适应性[12]。概括来看，这三种知识管理与运算方法都具备可视化的特点，在实践中也形成了智能问答系统、人机交互系统等智能产品，在一定程度上促进了教育人工智能背景下知识管理方式的革新。

3 机器教学的应用案例研究

机器教学的应用案例研究主题涉及智能导师系统、机器人、教育、交互式学习环境、机器学习等关键词。有关机器教学的研究大多把目光聚焦于其应用的实践案例，且机器教学的应用案例研究主要从机器教学对教学环境的改善和教学方式的改善两个方面进行分析与讨论。其中，Michael等[13]认为，机器教学的一大应用在于对教学环境的优化，构建交互式的深度学习环境，使学生在与周围环境的互动和反馈中实现自主学习，同时也减轻了教师的负担，使教师的注意力从事无巨细地管理学生转移到专注的教学上。Oshima等[14]探讨了机器人如何作为智能导师辅助和支持小组开展合作学习。他们发现，学生与智能导师的互动风格与学习群体中的人类参与

7

Vol.29 No.12 2019

者类似，并且学习者与机器人的互动产生良好成效；此外，机器人并没有配备任何智能学习软件，操作简便。任课教师可通过学生佩戴的生物传感器跟踪学生血容量、脉搏和皮肤电流反应的数据，监测同一小组是“同步的”还是“未聚焦的”，进而根据每位学生在小组中不同的表现予以个性化辅导。概括来看，机器教学的应用案例一般致力于使用复杂的数算来对真实学生建模，通过预测其学习行为，帮助教师们在不同的领域设计能够吸引学生学习和满足学生学习需求的课程计划，而且机器教学的未来巨大发展潜力将极有可能对教育发展与学生学习产生更多的变革性影响。但由于较多研究人员和开发人员沉浸于教育机器人的经济利益所带来的乐观情绪，人工智能相关问题的复杂性有可能被过度简化。教育机器人的教学应用应着重关注相应的伦理问题和经济利益，绝不可盲目乐观地推广与应用教育机器人教学[15]。

4 指向深度学习的自适应教育技术研究

指向深度学习的自适应教育技术研究主题涉及文本挖掘、大数据、学习、深度学习、在线学习、程序、专家系统等关键词。目前，有关指向深度学习的自适应教育技术研究主要聚焦于对教育数据挖掘技术和学习者分析技术的内涵、应用及不足之处的讨论。国际教育数据挖掘协会和学习分析研究协会的官方报告指出，教育数据挖掘和学习者分析都旨在编辑、整合、量化、分析从教育部门接收到的官方信息与数据，运用信息技术手段来提高对学区内学生学习风格的理解程度，并熟悉相对应的教学环境，使得学生的学习过程能够与教学环境相互融合、相互促进，最终为教育部门的决策提供依据[16]。Almohammadi等[17]则提出了使用这项技术的主要障碍，即多数教育者和权威人士具备数据挖掘能力，但缺乏数据解释能力。因此，必须加强对工具使用者的培训，创设积极的学习环境，以“数据驱动方法”带动对技术工具的深度学习。概括而言，指向深度学习的自适应教育技术已经成为了变革中的必然组成部分，可以实现实时测评、根据能力水平推送相关知识点题目等多个功能；然而，由于其需依赖于相当完善的算法与规则才能精准得出分析结果并给予反馈，故需要依赖于大量的技术资本投入与脑力资本投入，这在一定程度上为指向个性化学习的自适应教育技术设立了极高的门槛，这也是未来指向个性化学习的自适应教育技术研究亟需解决的一大难题。

三 国外教育人工智能研究发展趋势

将表1所示的高频关键词共现矩阵导入Ucinet 6中，本研究得到高频关键词的网络结构图，如图2所示。一个领域的研究现状及其发展趋势常常用度数的中心性来衡量。通过网络图谱中度数的中心性分析得出，国外教育人工智能的研究主要集中在自然语言处理、文本挖掘、可视化、机器学习、智能导师系统、程序、计算思维等关键词所代表的研究领域。在线学习、大数据、管理、识别技术等关键词所代表的研究领域成为国外教育人工智能研究的薄弱环节。整体来看，国外教育人工智能的研究主要集中于基于自然语言处理的教育智能研究、知识管理与运算的可视化研究、机器教学的应用案例研究等领域。

若某节点的点中心度与接近中心度相对较低，而中间中心度相对较高能很好地代表该研究领域的未来发展趋势。基于此，本研究利用Ucinet 6软件对国外教育人工智能的关键词中心度进行统计，如表3所示。研究发现，大数据、在线学习、机器学习、智能导师系统、深度学习、识别技术、机器人等关键词的点中心度与接近中心度相对较低，而中间中心度相对较高，大数据与机器学习也具有较强的共现关系，深度学习与在线学习具有较强的共现关系，智能导师系

8

Vol.29 No.12 2019 统与识别技术也表现出较强的共现关系。基于以上分析，基于大数据的机器学习研究、深度学习理念引领下的在线学习变革研究、智能识别技术支撑下的智能导师系统研究将成为国外教育人工智能研究的三大趋势。

表3 高频关键词中心度统计分析结果（部分）

序号 关键词 点中心度 接近中心度 中间中心度 Intelligent Tutoring System（智能导师系统） 1 4.574 59.721 7.521 Big Data（大数据） 2 2.812 60.530 6.265 Robotics（机器人） 3 4.662 59.267 5.271 E-Learning（在线学习） 4 2.526 52.316 2.460 Deep Learning（深度学习） 5 3.760 65.415 2.671 1 基于大数据的机器学习研究 机器学习作为人工智能的核心部分，是计算机智能化的根本途径。随着大数据时代的到来，传统小数据的机器学习算法已不再适用，大数据环境下的机器学习研究成为教育人工智能未来研究的一大趋势，机器学习具有预测、聚类、文本挖掘和模式发现等功能，有利于在学习模型的构建、学习情况的精准预测和课程教学的有效管理等方面实现智能化与科学化。如Garcia-Penalvo等[18]使用机器学习算法建立了预测模型，基于大数据分析，提取描述模型的相关因素，并使用聚类分析影响学生就业的因素。Backer等[19]认为，大数据技术的运用可以更深入地挖掘学习者特征，建构更为真实的学生模型，有利于教师与教育研究者更加全面地了解学习者和学习环境。深化基于大数据的机器学习研究，通过逻辑回归、决策树和神经网络等机器学习技术对收集的学生学习大数据进行分析，有利于科学探索、智能模拟人的学习机制，并有助于高效地从有效的信息和巨量的数据中获取隐性的、可理解的知识。

2 深度学习理念引领下的在线学习变革研究

深度学习的发展为在线智能交互式学习环境的变革创新带来契机，深度学习理念引领下的在线学习变革研究成为当前教育人工智能研究的一大趋势。目前，国外研究者将深度学习理念引入在线学习的变革研究，致力于实现在线学习的智能转型与质量升级。如Jensen等[20]经过反复研究，设计出深度学习模型，并将其运用于在线学习课程的设计与开发，指出深度学习模型能够有效地解决在线学习资源设计与生成方式、交互方式、评价过程中存在的问题，实现知识的有效建构；Mehmood等[21]利用物联网、大数据、超级计算和深度学习技术开发UTiLearn（泛在学习系统），致力于解决传统在线学习中数据分析与管理、系统交互、系统认知、资源规划的灵活性与可扩展性等方面的缺陷。深度学习理念为在线教育的智能化发展提出了诸多新的要求，其呼唤在线学习需在学生交互、知识建构、学生状态的实时感知等方面实现智能驱动。如何基于深度学习理念促进在线学习变革，是在线教育人工智能发展亟需深思的现实议题。

3 智能识别技术支撑下的智能导师系统研究

智能导师系统是人工智能教育应用的一个重要领域，它能够依据学习者的学习需求、学习习惯和学习偏好去制定专属的行动计划，从而优化学习者的学习过程，提升学习质量，促进个性化学习。随着信息获取与识别技术的不断更新与升级，智能识别技术成为智能教学系统升级的重要突破口，智能识别技术支撑下的智能导师系统研究成为当前教育人工智能研究的一大趋势。如Mathews等[22]研发了具有眼动跟踪功能的EER-Tutor智能导师系统，并将其应用于大学

9

Vol.29 No.12 2019

的数据库课程，通过对17名本科生的实时眼动数据记录（内容关注点、关注时长）来分析其学习偏好和学习兴趣等信息；Jennifer等[23]开发了一个用于提升学习者写作能力的智能写作系统，可以自动追踪学习者的写作情况，并运用语义识别技术对写作内容自动打分、提出修改意见。相较于传统系统，智能识别技术支撑下的智能导师系统更加关注语音、图像、面部表情、手势等非文本信息，能即时捕捉、识别用户的相关信息，并进行数据分析、模型构建和决策生成。

四 结语与展望

随着技术的不断更新与发展，计算智能、感知智能、认知智能等不同的人工智能领域与教育教学的融合将有可能不断实现突破与变革。本研究发现，目前国外教育人工智能的研究现状可概括为基于自然语言处理的教育智能研究、知识管理与运算的可视化研究、机器教学的应用案例研究、指向深度学习的自适应教育技术研究等四个主题领域。从技术应用的角度来看，自然语言处理、知识管理与运算、机器教学、自适应教育技术等人工智能技术的教育应用，正是计算智能、感知智能、认知智能等领域的重要体现。认知智能是人工智能的高级形态，是未来人工智能发展的突破口。而且，本研究发现，国外教育人工智能研究呈现以下三个趋势：基于大数据的机器学习研究、深度学习理念引领下的在线学习变革研究、智能识别技术支撑下的智能导师系统研究。这三种趋势也在一定程度上与教育认知智能发展的现实紧密相关，深度学习、大数据、机器学习、智能识别技术等智能理念与手段均在一定程度上指向教育认知手段、方式和过程的智能化。当前，研究者针对教育计算智能与感知智能相关的技术、产品、服务等方面的研究较多，而教育认知智能的相关研究相对较少，如何在概念、意识、观念方面实现认知的智能化恰恰是未来教育人工智能发展的关键之所在。

从一定程度上来说，国外较多学者认为人工智能确实能在一些方面推动教育教学发展。如人工智能可借助大量的云端资料和智能分析，为学生学习问题的解决寻找个性化的辅导策略[24]。但是，国外诸多学者对教育人工智能发展中所出现的问题（如教育人工智能的伦理和安全问题、人工智能教育适用程度的问题）也表达了担忧与顾虑。因此，我们既需审慎思考教育人工智能的“双面性”，更需明确未来教育人工智能理论与实践研究的定位、趋势与走向。尤其是当教育人工智能逐步走向教育认知智能阶段，人工智能技术与人类认知产生紧密关联，这会在一定程度上对人的思维、记忆、理解等方面的工作或生活产生影响。在此背景下，也有可能产生更多的教育焦虑。对于教育而言，“人”是根本，而人工智能是技术辅助，尽管教育人工智能已在数据处理、知识管理等“智商”方面超越人类，但它在情感、意识等“情商”方面尚未实现较大突破。在人工智能时代，尽管教育方式和师生关系发生了改变，但教育“立德树人”的本质目标不变，教育人工智能的发展不可背离此本质目标。

就教育人工智能的未来发展来说，我国需坚持把“立德树人”作为教育的根本任务，明确人工智能在如下几个方面功能的局限性：①在教育人才培养方面，尽管人工智能已经在教育人才培养方面发挥了一定程度的促进作用，但人工智能技术理应扮演教育辅助者的角色。无论教育人工智能如何发展，其始终是缺乏情感的技术产物，教师对学生的品德教育、师生间的情感交流很难被人工智能所取代。②在辅助教学方面，教育现场的环境复杂多变，教师只要学生一个眼神便有可能知道是否要继续下去，而同样的事情机器人可能要耗费许多时间来测验学生学的程度才能判断其是否已学会。③在班级管理方面，教师需维持良好的班级秩序，这中间涉及

10

Vol.29 No.12 2019 许多情感的交流与人际互动。而将人工智能技术应用于学校秩序和班级秩序的维持，目前来说这并非易事，因为机器人不懂如何与人谈判，当遇到复杂多变的事情时也无法及时处理。④在学校行政管理方面，学校行政事务较为繁杂，一般牵涉较多部门，遇到行政上的阻碍也一般会动用人际网络来调解。而关于人际关系的调解与建立，目前人工智能尚为力。综上所述，我国教育人工智能的未来发展应将人工智能作为技术手段、将“人的发展”作为技术应用的核心关注点，需明晰教育人工智能功能的有限性，避免过度吹捧教育人工智能技术的应用与发展，以真正推进教育人工智能的科学化发展。 ———————— 参考文献

[1]林晓峰,谢康.人工智能现状及其教育应用的理性思考[J].现代教育技术,2019,(8):12-17.

[2]郑勤华,熊潞颖,胡丹妮.任重道远:人工智能教育应用的困境与突破[J].开放教育研究,2019,(4):10-17. [3]宁虹,赖力敏.“人工智能+教育”:居间的构成性存在[J].教育研究,2019,(6):27-37.

[4]杨现民,张昊,郭利明,等.教育人工智能的发展难题与突破路径[J].现代远程教育研究,2018,(3):30-38.

[5]Samarakou M, Tsaganou G, Papadakis A. An e-learning system for extracting text comprehension and learning style characteristics[J]. Educational Technology & Society,2018,(1):126-136.

[6]Santos F R, Notargiacomo P. Intelligent educational assistant based on multiagent system and context-aware computing[J]. International Journal of Advanced Computer Science and Applications, 2018,(4):236-243.

[7]Chen P H, Zafar H, Galperin-Aizenberg M, et al. Integrating natural language processing and machine learning algorithms to categorize oncologic response in radiology reports[J]. Journal of Digital Imaging, 2017,(2):178-184. [8]Aparicio F, Morales-Botello M L, Rubio M, et al. Perceptions of the use of intelligent information access systems in university level active learning activities among teachers of biomedical subjects[J]. International Journal of Medical Informatics, 2018,(112):21-33.

[9]Liebowitz J. Knowledge management and its link to artificial intelligence[J]. Expert Systems with Applications, 2001,(1):1-6. [10]Baradwaj B K, Pal S. Mining educational data to analyze students’ performance[J]. International Journal of Advanced Computer Science & Application, 2011,(6):63-69.

[11]Lakshmi T M, Martin A, Begum R M, et al. An analysis on performance of decision tree algorithms using student’s qualitative data[J]. International Journal of Modern Education & Computer Science, 2013,(5):18-27.

[12]Javadi A A, Rezania M. Applications of artificial intelligence and data mining techniques in soil modeling[J]. Geomechanics & Engineering, 2009,(1):53-74.

[13]Kennedy J, Baxter P, Belpaeme T. Comparing robot embodiments in a guided discovery learning interaction with children[J]. International Journal of Social Robotics, 2015,(2):293-308.

[14]Oshima J. Collaborative reading comprehension with communication robots as learning partners[J]. Proceedings of ICLS2012, 2012,(2):182-186.

[15]Hrastinski S, Olofsson A D, Arkenback C, et al. Critical imaginaries and reflections on artificial intelligence and robots in postdigital K-12 education[J]. Postdigital Science and Education, 2019,(2):427-445.

[16]Siemens G, Baker R S J D. Learning analytics and educational data mining: Towards communication and collaboration[A]. Proceedings of the 2nd International Conference on Learning Analytics and Knowledge[C].New York:ACM, 2012:252-254.

11

Vol.29 No.12 2019

[17]Almohammadi K, Hagras H, Alghazzawi D, et al. A survey of artificial intelligence techniques employed for adaptive educational systems within e-learning platforms[J]. Journal of Artificial Intelligence and Soft Computing Research, 2017,(1):47-.

[18]Garcia-Penalvo F J, Cruz-Benito J, Martin-Gonzalez M, et al. Proposing a machine learning approach to analyze and predict employment and its factors[J]. International Journal of Interactive Multimedia and Artificial Intelligence, 2018,(2):39-45. [19]Baker R S J D, Yacef K. The state of educational data mining in 2009: A review and future visions[J]. Journal of Educational Data Mining, 2009,(1):3-16.

[20]Zhu C, Chen G. Deeper learning cycle(DELC) practiced in computer programming[A]. Proceedings of the 2014 International Conference on Education Reform and Modern Management(ERMM 2014)[C]. Paris: Atlantis Press, 2014:199-202.

[21]Mehmood R, Alam F, Albogami N N, et al. Utilearn: A personalised ubiquitous teaching and learning system for smart societies[J]. Piscataway: IEEE Access, 2017,(5):2615-2635.

[22]Mathews M, Mitrovic A, Lin B, et al. Do your eyes give it away? Using eye tracking data to understand students’ attitudes towards open student model representations[A]. International Conference on Intelligent Tutoring Systems[C]. Heidelberg: Springer International Publishing, 2012:422-427.

[23]Taub M, Azevedo R. Using eye-tracking to determine the impact of prior knowledge on self -regulated learning with an adaptive hypermedia-learning environment[A]. ITS 2016 13th International Conference on Intelligent Tutoring Systems[C]. Heidelberg: Springer International Publishing, 2016:34-47.

[24]汪时冲,方海光,张鸽,等.人工智能教育机器人支持下的新型“双师课堂”研究——兼论“人机协同”教学设计与未来展望[J].远程教育杂志,2019,(2):25-32.

Topics and Trends of Foreign Educational Artificial Intelligence Research ——Visual Analysis of Literature Keywords in the Web of Science Database ZHANG Rong-fei1 ZHAO Lei-lei2 LI Yue-hong1 ZHAO Ke-yun1 (1. School of Communication, Qufu Normal University, Rizhao, Shandong, China 276800;

2. School of Humanities, Jiangnan University, Wuxi, Jiangsu, China 214122)

Abstract: Based on the visual analysis of literature keywords in the Web of Science database, this paper sorted out and presented the topics and trends of foreign educational artificial intelligence (AI). It was found that the current research status of foreign educational AI was summarized into four thematic areas of educational intelligence research based on natural language processing, visualization research of knowledge management and operation, application case research of machine teaching, self-adaptive educational technology research oriented to deep learning. Moreover, there were three trends in the foreign educational artificial intelligence research: machine learning research based on big data, online learning change research guided by the deep learning concept, and intelligent tutor system research supported by the intelligent recognition technology. Keywords: educational artificial intelligence; visualization; theme; trend

————————

*基金项目：本文为国家社会科学基金青年项目“农村留守儿童学习社会化的影响因素及新媒体干预机制研究”（项目编号：15CSH054）的阶段性研究成果。

作者简介：张蓉菲，在读硕士，主要研究方向为教育信息化，邮箱为zhangrongfei822@163.com。

收稿日期：2019年2月10日 编辑：小西12