智能化教育評(píng)價(jià)領(lǐng)域演進(jìn)路徑、研究熱點(diǎn)與前沿的可視化分析

張殿尉

（1.北京師范大學(xué)，北京 100875；2.河北對(duì)外經(jīng)貿(mào)職業(yè)學(xué)院，河北 秦皇島 066311）

0 問題與背景

2019年8月1日上午，北京師范大學(xué)校長(zhǎng)董奇在2019人工智能與教育大數(shù)據(jù)峰會(huì)上做了題為“面向未來的智能化教育評(píng)價(jià)”的主題報(bào)告。他指出，隨著科技的進(jìn)步和時(shí)代的發(fā)展，教育評(píng)價(jià)需要被重新賦能，使其能更好的反映出“五育并舉”的全面發(fā)展理念，積極推動(dòng)素質(zhì)教育的實(shí)施。他從教育評(píng)價(jià)的目標(biāo)、理念、功能、對(duì)象、信息源、任務(wù)、方式及結(jié)果反饋等層面分析了智能化教育評(píng)價(jià)的新趨勢(shì)，并介紹了智能化教育評(píng)價(jià)在情緒情感、社會(huì)技能、語言表達(dá)能力、信息素養(yǎng)、科學(xué)素養(yǎng)等方面的新進(jìn)展[1]。

截至目前，歷史上共出現(xiàn)了4代教育評(píng)價(jià)體系，分別是測(cè)量、描述、判斷和建構(gòu)，不同時(shí)代有不同內(nèi)涵，其方式也各有側(cè)重。大數(shù)據(jù)、云技術(shù)、教育現(xiàn)實(shí)呼喚著智能化教育評(píng)價(jià)政策的落地與方法的實(shí)施。而關(guān)于“智能化教育評(píng)價(jià)”究竟經(jīng)歷了怎樣的發(fā)展軌跡？什么契機(jī)促進(jìn)了它的發(fā)展？當(dāng)前研究的熱點(diǎn)和前沿是什么？筆者借助知識(shí)可視化技術(shù)對(duì)此進(jìn)行探討，以期發(fā)現(xiàn)新線索，并為國(guó)內(nèi)研究學(xué)者在該領(lǐng)域研究提供有益啟示。

1 樣本與方法

本文采用以引文分析和信息可視化技術(shù)為基礎(chǔ)的科學(xué)知識(shí)圖譜的方法，所用的工具選取美國(guó)德雷塞爾大學(xué)信息科學(xué)與技術(shù)學(xué)院陳超美博士開發(fā)的CiteSpace軟件（版本為CiteSpaceV），形象地展示出“智能化教育評(píng)價(jià)”領(lǐng)域研究的演進(jìn)路徑、研究熱點(diǎn)與研究前沿[2]。

1.1 樣本選擇

以Web of Science數(shù)據(jù)庫(kù)中的全部6個(gè)子庫(kù)（WoS核心合集、中國(guó)科學(xué)引文數(shù)據(jù)庫(kù)、KCIKorean Journal Database、Medline、Russian Science Citation Index和Scielo Citation Index）為數(shù)據(jù)來源，檢索策略為“主題 =Intelligent Education Evaluation”，時(shí)間跨度默認(rèn)為所有年份，即1900—2019年，共檢索出806條論文記錄（檢索時(shí)間為2019年9月21日）。筆者考查該文獻(xiàn)數(shù)據(jù)集的出版時(shí)間分布，發(fā)現(xiàn)第1篇主題相關(guān)論文的發(fā)表時(shí)間為1934年，故選取1934—2019年的文獻(xiàn)數(shù)據(jù)做“智能化教育評(píng)價(jià)”領(lǐng)域的演進(jìn)路徑分析。

1.2 參數(shù)設(shè)置

筆者將1934—2019年所發(fā)表的以“智能化教育評(píng)價(jià)”為主題的806篇論文的全部data（包括標(biāo)題、關(guān)鍵詞、摘要、參考文獻(xiàn)等）導(dǎo)入CiteSpace軟件中。時(shí)間分區(qū)設(shè)為每1年一個(gè)分區(qū)。分析節(jié)點(diǎn)選擇“reference”，默認(rèn)調(diào)節(jié)閾值。運(yùn)行軟件，首先可得到“智能化教育評(píng)價(jià)”研究共被引網(wǎng)絡(luò)分布圖，借此可析出關(guān)鍵節(jié)點(diǎn)文獻(xiàn)；其次，將主題詞設(shè)置為名詞短語(noun phrase)和“突變”詞(burst terms)2種，將其來源(terms sources)設(shè)置為標(biāo)題(title)、摘要(abstract)、關(guān)鍵詞(keywords)、附加關(guān)鍵詞(keywords plus)[3]。借名詞短語和“突變”詞可析出“智能化教育評(píng)價(jià)”領(lǐng)域的研究熱點(diǎn)、研究前沿和發(fā)展趨勢(shì)。

2 結(jié)果與分析

2.1 “智能化教育評(píng)價(jià)”研究文獻(xiàn)量的時(shí)間序列分布

通過生成圖譜發(fā)現(xiàn)，相關(guān)文獻(xiàn)最早出現(xiàn)于2011年， 共 9篇；2012年 7篇；2013年 4篇；2014年 20篇；2015年 16篇；2016年 24篇；2017年22篇；2018年5篇；2019年1篇。共108篇，中心相關(guān)性文章37篇，相關(guān)度從0.01～0.29不等?！爸悄芑逃u(píng)價(jià)”領(lǐng)域的研究經(jīng)歷2014—2017年井噴式發(fā)展后開始逐漸呈劇烈下降趨勢(shì)。

2.2 “智能化教育評(píng)價(jià)”領(lǐng)域研究的演進(jìn)路徑分析

時(shí)區(qū)視圖(time zone)顯示方式突出共引網(wǎng)絡(luò)節(jié)點(diǎn)隨時(shí)間變化的結(jié)構(gòu)關(guān)系。運(yùn)行軟件得到“智能化教育評(píng)價(jià)”領(lǐng)域文獻(xiàn)共引網(wǎng)絡(luò)節(jié)點(diǎn)的時(shí)區(qū)視圖（見圖1），中心性≥0.16的7篇關(guān)鍵節(jié)點(diǎn)文獻(xiàn)的詳細(xì)信息見表1、2，表2是經(jīng)過查詢WoS獲得。

圖1 “智能化教育評(píng)價(jià)”領(lǐng)域共引網(wǎng)絡(luò)節(jié)點(diǎn)時(shí)區(qū)視圖

綜合圖1和表1、2，按照時(shí)間順序分析這7篇關(guān)鍵節(jié)點(diǎn)文獻(xiàn)，可梳理出“智能化教育評(píng)價(jià)”研究的演進(jìn)路徑。

第1篇 文 獻(xiàn) 是2014年，Srivastava,Nitish,Hinton, Geoffrey,Krizhevsky, Alex等人發(fā)表在《機(jī)器學(xué)習(xí)研究雜志》 （Journal of Machine Learning Research）上的《中止：一種防止神經(jīng)網(wǎng)絡(luò)過度擬合的簡(jiǎn)單方法》（Dropout： A Simple Way to Prevent Neural Networks from Overfitting）一文。該文認(rèn)為，過度擬合在強(qiáng)大的具有大量參數(shù)的深層神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)系統(tǒng)中是一個(gè)亟待解決的嚴(yán)重問題。由于大型網(wǎng)絡(luò)使用速度過慢，即使在測(cè)試時(shí)將許多不同大型神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)組合起來，過度擬合問題也很難解決?！爸型就Ｖ埂笔墙鉀Q這個(gè)問題的一種技巧。關(guān)鍵是在訓(xùn)練過程中從神經(jīng)網(wǎng)絡(luò)中隨機(jī)刪除單元（以及它們的連接）。這就防止了單元的過于適應(yīng)問題。在訓(xùn)練過程中，從指數(shù)級(jí)的不同“細(xì)化”網(wǎng)絡(luò)中剔除樣本。這大大減少了過度擬合，并比正統(tǒng)化方法有了更大進(jìn)展。研究表明，中止提高了神經(jīng)網(wǎng)絡(luò)在視覺、語音識(shí)別、文檔分類和計(jì)算生物學(xué)等領(lǐng)域的具備監(jiān)督學(xué)習(xí)任務(wù)中的性能，在許多基準(zhǔn)數(shù)據(jù)集上獲得了最新的結(jié)果[4]。

第2篇文獻(xiàn)是2014年，Da Silva, Per Goncalves,Ilic, Dejan,Karnouskos,Stamatis等人發(fā)表在《工業(yè)電子工程公司智能電網(wǎng)》（Ieee T Smart Grid）雜志上的《智能電網(wǎng)用戶分組對(duì)預(yù)測(cè)精度的影響及其對(duì)當(dāng)?shù)仉娏κ袌?chǎng)交易的效益》（The Impact of Smart Grid Prosumer Grouping on Forecasting Accuracy and Its Benefits for Local Electricity Market Trading）一文。該文基于Seasonal-Nave和holtwinters算法，選取一個(gè)團(tuán)隊(duì)參與市場(chǎng)的個(gè)案，研究了群規(guī)模與預(yù)測(cè)精度之間的關(guān)系，以及預(yù)測(cè)誤差對(duì)由消費(fèi)者和“散戶”組成的日內(nèi)本地電力市場(chǎng)交易的影響；得出了“創(chuàng)建組”這一策略即使面對(duì)不可預(yù)測(cè)的個(gè)人市場(chǎng)，也可以降低其成本，減少預(yù)測(cè)誤差[5]。

第3篇文獻(xiàn)是2015年，Chitsaz,Hamed, Shaker,Hamid, Zareipour, Hamidreza等人發(fā)表在《能源建筑》（Energ Buildings）雜志上的《微網(wǎng)建筑物短期電力負(fù)荷預(yù)測(cè)》（Short-term electricity load forecasting of buildings in microgrids）。該文認(rèn)為，電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)運(yùn)行的關(guān)鍵。隨著分布式和可再生能源發(fā)電在許多國(guó)家的普及，微電網(wǎng)的短期負(fù)荷預(yù)測(cè)也成為一項(xiàng)重要的任務(wù)。微電網(wǎng)可以加強(qiáng)對(duì)可再生資源和常規(guī)資源的管理，提高與電力市場(chǎng)的能源交易經(jīng)濟(jì)性。由于微電網(wǎng)負(fù)荷時(shí)間序列具有高度的非平穩(wěn)性和波動(dòng)性，其stlf甚至比電力系統(tǒng)的stlf更為復(fù)雜。為此，該文提出了一種新的預(yù)測(cè)方法，即采用自回歸小波神經(jīng)網(wǎng)絡(luò)（srwnn）作為預(yù)測(cè)引擎，實(shí)現(xiàn)了levenberg-marquardt（lm）學(xué)習(xí)算法，并對(duì)其進(jìn)行了自適應(yīng)訓(xùn)練。作者在一個(gè)微網(wǎng)格中對(duì)一個(gè)教學(xué)樓的實(shí)際小時(shí)數(shù)據(jù)進(jìn)行了檢驗(yàn)。并與其它負(fù)荷預(yù)測(cè)方法進(jìn)行了比較，驗(yàn)證了所提方法的有效性[6]。

第4篇文獻(xiàn)是2016年，Chou, Jui-Sheng,Ngo,Ngoc-Tri等人發(fā)表在《應(yīng)用能源》（Appl Energ）雜志上的《基于滑動(dòng)窗口元啟發(fā)式優(yōu)化的時(shí)間序列分析機(jī)器學(xué)習(xí)系統(tǒng)識(shí)別建筑能耗模式》（Time series analytics using sliding window metaheuristic optimization-based machine learning system for identifying building energy consumption patterns）。該研究開發(fā)了一個(gè)新的基于時(shí)間序列滑動(dòng)窗口元啟發(fā)式優(yōu)化的機(jī)器學(xué)習(xí)系統(tǒng)，提出了一種基于滑動(dòng)窗口的時(shí)間序列預(yù)測(cè)方法，用于預(yù)測(cè)智能電網(wǎng)收集到的實(shí)時(shí)建筑能耗數(shù)據(jù)。此種方法可以使終端用戶進(jìn)一步預(yù)測(cè)信息，尤其是在高峰時(shí)期提高能源利用效率，潛在地?cái)U(kuò)大大數(shù)據(jù)在預(yù)測(cè)建筑能耗中的作用，從而降低建筑能耗[7]。

第5篇文獻(xiàn)是2017年，Liu Weibo, Wang Zidong,Liu Xiaohui等發(fā)表在《神經(jīng)計(jì)算》（Neurocomputing）雜志上的《深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其應(yīng)用綜述》（A survey of deep neural network architectures and their applications）。該文討論了廣泛應(yīng)用的深度學(xué)習(xí)結(jié)構(gòu)及其實(shí)際應(yīng)用；介紹了4種深度學(xué)習(xí)結(jié)構(gòu)，即自動(dòng)編碼器、卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)和限制玻爾茲曼機(jī)；綜述了不同類型的深層神經(jīng)網(wǎng)絡(luò)，總結(jié)了近年來的研究進(jìn)展；重點(diǎn)介紹了深度學(xué)習(xí)技術(shù)在語音識(shí)別、模式識(shí)別和計(jì)算機(jī)視覺等領(lǐng)域的應(yīng)用[8]。

第6篇文獻(xiàn)是2018年，Zhang Qingchen,Chen Zhikui等人發(fā)表在《信息融合》（Inform Fusion）雜志上的《大數(shù)據(jù)深度學(xué)習(xí)調(diào)查》（A survey on deep learning for big data）。該文認(rèn)為，深度學(xué)習(xí)作為目前最引人注目的機(jī)器學(xué)習(xí)技術(shù)之一，在圖像分析、語音識(shí)別和文本理解等領(lǐng)域取得了巨大的成功。它使用有監(jiān)督和無監(jiān)督的策略來展現(xiàn)學(xué)習(xí)層次結(jié)構(gòu)中的多級(jí)表示和特征，以完成分類和模式識(shí)別任務(wù)。傳感器網(wǎng)絡(luò)和通信技術(shù)的最新發(fā)展使大數(shù)據(jù)的收集成為可能。雖然大數(shù)據(jù)為電子商務(wù)、工業(yè)控制、智能醫(yī)療等領(lǐng)域提供了巨大的發(fā)展機(jī)遇，但由于其海量、多樣、速度快、準(zhǔn)確性高等特點(diǎn)，給數(shù)據(jù)挖掘和信息處理帶來了諸多挑戰(zhàn)。近年來，深度學(xué)習(xí)在大數(shù)據(jù)分析解決方案中發(fā)揮了重要作用。該文綜述了基于大數(shù)據(jù)特征的深度學(xué)習(xí)模型的研究進(jìn)展，并指出了大數(shù)據(jù)深度學(xué)習(xí)的挑戰(zhàn)[9]。

表1 “智能化教育評(píng)價(jià)”研究的7篇關(guān)鍵節(jié)點(diǎn)文獻(xiàn)（按中心性排序）

表2 “智能化教育評(píng)價(jià)”研究的7篇關(guān)鍵節(jié)點(diǎn)文獻(xiàn)詳情、頻次與中心性（按時(shí)間排序）

第7篇文獻(xiàn)是2019年，Kong Weicong,Dong Zhao Yang,Jia Youwei等人發(fā)表在《工業(yè)電子工程公司智能電網(wǎng)》（Ieee T Smart Grid）雜志上的《基于LSTM遞歸神經(jīng)網(wǎng)絡(luò)的短期住宅負(fù)荷預(yù)測(cè)》（Short-Term Residential Load Forecasting Based on LSTM Recurrent Neural Network）。該文認(rèn)為，隨著電力系統(tǒng)正面臨向更智能、更靈活、更互動(dòng)的系統(tǒng)過渡，可再生能源發(fā)電、負(fù)荷預(yù)測(cè)、電力市場(chǎng)化的趨勢(shì)日益明顯；特別是對(duì)單個(gè)電力用戶的短期負(fù)荷預(yù)測(cè)在未來電網(wǎng)規(guī)劃和運(yùn)行中發(fā)揮著越來越重要的作用。除了大規(guī)模的住宅總負(fù)荷外，由于涉及到高波動(dòng)性和不確定性，預(yù)測(cè)單一能源用戶的電力負(fù)荷相當(dāng)具有挑戰(zhàn)性。該文提出了一種基于長(zhǎng)-短期記憶（lstm）遞歸神經(jīng)網(wǎng)絡(luò)的框架來解決這一棘手問題，該框架是最新也是最流行的深度學(xué)習(xí)技術(shù)之一。所提出的架構(gòu)基于一組可公開獲取的真實(shí)住宅智能電表數(shù)據(jù)測(cè)試，作者把該組數(shù)據(jù)的性能與各種基準(zhǔn)（包括負(fù)荷預(yù)測(cè)領(lǐng)域的最新技術(shù)）進(jìn)行了全面比較。結(jié)果表明，該文提出的lstm方法在居民家庭短期負(fù)荷預(yù)測(cè)方面優(yōu)于其它同類算法[10]。

2.3 “智能化教育評(píng)價(jià)”領(lǐng)域研究熱點(diǎn)與研究前沿分析

1）利用CiteSpaceV的術(shù)語自動(dòng)聚類功能，確定“智能化教育評(píng)價(jià)”研究的主要領(lǐng)域和研究熱點(diǎn)，共發(fā)現(xiàn)7大明顯聚類（見圖2）：分別是地理人工智能應(yīng)用（geoai application），智能適應(yīng)自 動(dòng) 化（intelligent adaptive automation）， 遠(yuǎn) 程教育（distance education），基于物聯(lián)網(wǎng)的智能家居（iot-based smart home），基于深度學(xué)習(xí)的社會(huì)人口信息識(shí)別（deep learning-based sociodemographic information identification）， 研 究方法（research approaches），監(jiān)督能量分解模型（supervised energy disaggregation model）。

圖2 “智能化教育評(píng)價(jià)”領(lǐng)域研究聚類圖譜

2）按照常規(guī)模式勾選Burst Terms，則可以析出“智能化教育評(píng)價(jià)”領(lǐng)域研究前沿。

圖3 “智能化教育評(píng)價(jià)”領(lǐng)域突變?cè)~語圖譜

選 擇 export—network summary table將其 展開，“智能化教育評(píng)價(jià)”研究前沿見圖4。

圖4 “智能化教育評(píng)價(jià)”領(lǐng)域突變?cè)~語圖譜展開圖

筆者結(jié)合圖3和圖4，整理出變化頻次最高的18個(gè)突現(xiàn)詞，見表3。

表3 “智能化教育評(píng)價(jià)”領(lǐng)域突變?cè)~語中英文釋義（按頻次高低排序）

表3中，“機(jī)器學(xué)習(xí)”這一術(shù)語變化頻次最高，說明隨著科技、思維發(fā)展，人類越來越注重專門研究計(jì)算機(jī)如何模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，主要使用歸納、綜合而不是演繹。智能化教育評(píng)價(jià)要從其十大經(jīng)典算法中探索凝練，不斷提升、改善自身效能。

“深度學(xué)習(xí)”變化頻次排在第二位，智能化教育評(píng)價(jià)要注重學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這樣有助于解釋學(xué)習(xí)過程中獲得的信息，諸如文字、圖像和聲音等數(shù)據(jù)，從而將其識(shí)別，取得進(jìn)展。

“系統(tǒng)”“模型”則呼喚智能化教育評(píng)價(jià)要注重自身內(nèi)部體系的構(gòu)建，模型建立要科學(xué)，經(jīng)得起推敲論證。

排在5～18位的術(shù)語不再一一解釋與演繹，它們代表著與“智能化教育評(píng)價(jià)”相關(guān)的研究前沿，是今后研究的一些重點(diǎn)和需要突破的難點(diǎn)，也是容易在某一方面有所建樹的研究領(lǐng)域。

3 結(jié)論

在分析學(xué)科演化、熱點(diǎn)與前沿領(lǐng)域等方面，CiteSpaceV可視化應(yīng)用軟件所表現(xiàn)出來的較強(qiáng)探測(cè)和檢驗(yàn)等輔助功能在“智能化教育評(píng)價(jià)”領(lǐng)域研究中得到了一定體現(xiàn)，通過對(duì)WoS數(shù)據(jù)庫(kù)中收錄的所有以“智能化教育評(píng)價(jià)”主題的研究論文的可視化分析，可以得到以下研究結(jié)論：1）“智能化教育評(píng)價(jià)”涉及教育學(xué)、統(tǒng)計(jì)工學(xué)、理學(xué)、信息科學(xué)等多學(xué)科交叉領(lǐng)域，但應(yīng)用并不明顯；2）“智能化教育評(píng)價(jià)”作為新生事物，其演進(jìn)路徑并沒有在806篇?dú)v史文獻(xiàn)中得到清晰的呈現(xiàn)；3）“智能化教育評(píng)價(jià)”領(lǐng)域的研究熱點(diǎn)有7個(gè)，在此不再陳列；4）“智能化教育評(píng)價(jià)”領(lǐng)域的研究前沿有18個(gè)，一是與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的結(jié)合和相互借鑒，二是自身內(nèi)部體系的構(gòu)建和指標(biāo)體系的持續(xù)建立與不斷完善等。