引言

随着新技术在教育领域的使用，人工智能技术也被广泛应用于教育领域，大量基于人工智能的教育教学工具在不同场景中应用，给更多的教育者与学习者提供了帮助。人工智能时代，教育的未来发展应然选择是人机共生。人工智能领域首位图灵奖得主马文·明斯基指出可以尝试建设个性化的教学机器，即人工智能，来适应人们的特殊情况、困难和需求，这个机器可以进行对话，引导解决问题或者实现某些目标。随着人工智能技术的不断发展，各个国家对于人工智能在教育改革和人才培养方面的作用也更加重视。2017年，我国发布了《新一代人工智能发展规划》，明确强调要深化人工智能与教育的融合，利用人工智能技术驱动教育改革，积极探索人才培养的新路径，并致力于构建涵盖智慧教育在内的新型教育体系生态。2018年，教育部发布了《高等学校人工智能创新行动计划》及《教育信息化2.0行动计划》等重要文件，标志着人工智能已被提升至国家战略层面。2023年世界人工智能大会在上海世博中心举办，表明了世界各国对人工智能的重视。美国发布了《为人工智能的未来做好准备》和《国家人工智能研发战略规划》两份重要报告，报告对人工智能的未来提出了针对性的建议，认为教育是人工智能应用的一个重要且关键的领域，德国、英国、加拿大、日本等国也制定了促进教育领域人工智能发展的政策。而这一系列的举措极大地促进了人工智能在教育领域的应用和发展，具有跨时代的意义。那么，研究从2014年到2023年的这十年间，国内外人工智能技术在教育中的研究热点、现状与趋势，能够帮助我们掌握人工智能教育应用研究脉络，了解当前研究热点，以便能够进一步把握、促进人工智能在教育中的有效或合理的应用。

1 材料与方法

1.1 数据收集与处理

本研究以中国知网（CNKI）作为国内文献数据来源，Web of Science （WOS）作为外文数据来源，检索条件为主题：“人工智能教育应用”或“人工智能”和“教育”“educational application of artificial intelligence”或“education”和“AI”。同时，将学科范围限定为教育学、心理学、计算机科学等教育技术相关领域进行检索，检索的时间跨度为2014-2023年。经过检索，获得中文文献800篇、外文文献1290篇，虽然关于人工智能的研究很多，但是利用人工智能技术解决实际的教育问题的文章比较少，提炼后筛选出中文有效文献241篇、外文有效文献230篇。文献筛选标准如表1所示。

序号	标准维度	入选标准	排除标准
1	是否是会议论文、书评、解读、文献综述、不权威文献和无关文献	否	是
2	研究是否同时包含“人工智能”和“教育”	是	否
3	研究是否仅仅基于人工智能背景但无具体应用	否	是
4	研究对象是否是指人工智能课程	否	是

1.2 分析方法

CiteSpace是一款信息可视化软件，利用共引分析和寻径网络算法分析文献，识别学科发展的关键路径和转折点，并通过图谱展示学科演进和前沿趋势。

本研究使用的工具为CiteSpace6.2.R6，对中国知网和WOS的数据集进行分析，获得作者、机构、年发表量、关键词共现和聚类等的可视化分析。探究国内外人工智能教育应用的研究热点和发展趋势，并比较国内外的异同，为我国人工智能在教育中的应用提供经验。

2结果：国内外人工智能教育应用的研究现状

2.1 文本分析：国内外人工智能教育应用的研究现状

2.1.1 时间分布

从2014年-2023年的关于人工智能教育应用国内外论文数量统计结果（图1）可以看出，国内的论文发表数高于国外论文发表数，从2014年到2016年国内外论文发表数基本持平，国外发表4篇，国内发表5篇，此时数量较少也证明了虽然人工智能提出较早，但是在这一阶段并没有与教育结合得到良好的发展；此后，关于人工智能教育应用研究的外文论文数量从2016年开始保持稳定增长的趋势，并且从2020年开始有了大幅度增长；同时，国内发表论文数量虽然整体呈现一个上升趋势，但是在2022年略有下降。这意味着，尽管国内外发表论文的趋势有所不同，但是对于人工智能教育应用的研究越来越受到关注。

造成以上趋势的主要原因是：从2016年开始，各个国家都针对人工智能出台了一系列的政策，致力于推动人工智能的发展，跟随人工智能时代的步伐，这得益于2016年，阿尔法狗（AlphaGo）战胜人类职业围棋选手后，人工智能重新成为研究领域的热点焦点。从国内来看，2017年中国发布了《新一代人工智能发展规划》；从国外来看，美国于2016年发布了《国家人工智能研究与发展战略计划》，根据埃森哲2017年的一项调查报告，美国85%的高管表示会在未来三年内广泛投资人工智能相关技术，加拿大在2017年启动《泛加拿大人工智能战略》，法国于2018年在欧盟国家中率先推出《国家人工智能战略》，在此之后，各个国家也陆续颁布后续政策，在政策的推动下，研究也得到了迅速推进。

2.1.2关键词频次

关键词出现的频率可以反映出某一时期研究领域中的热点课题。从关键词可以看出，国内外研究者都对人工智能这一领域有着极大的好奇心，但与国内不同的是，国外的领域更倾向于使用新技术来设计和开发智能系统，然后将其应用于教育并且评估其有效性。

本研究归纳总结了国内外引用频率较高的高频关键词，并深入分析了这些关键词所聚类的领域及其典型文献。在此基础上，提炼出国内外关于人工智能教育应用的研究热点知识子群。

（1）智慧教育

2022年，《中国智慧教育蓝皮书（2022）》于世界数字教育大会上正式发布。蓝皮书将智慧教育定义为数字时代教育的新形态，它涵盖了核心理念、体系结构、教学范式、教育内容以及教育治理这五个关键方面，与过去工业时代的教育存在本质差别。祝智庭教授认为，在信息时代，智慧教育的核心在于构建智慧学习环境，并运用智慧教学法来促进学习者的智慧学习，以此提升他们的成才期望，旨在培育具备高度智能与创造力的人才，使他们能够巧妙运用技术参与多种实践活动，持续创新产品与服务，从而灵活适应、塑造及选择学习环境、生活环境及工作环境。

（2）机器学习

机器学习是人工智能的核心，2016年美国卡内基梅隆大学邢鹏等人通过揭示机器学习程序特有的、但在传统计算机程序中通常看不到的潜在统计和算法特征，并通过分析成功案例，我们可以揭示出如何运用这些原则来设计和开发高效的分布式机器学习软件以及通用的机器学习框架。当前，机器学习在教育领域的应用涵盖了学生行为建模、学习行为预测、失学风险预警、学习辅助与评估以及教育资源推荐等方面。

（3）深度学习

在处理原始形式的自然数据方面传统的机器学习技术能力有限，深度学习技术能够启用传统自动化软件无法访问的应用程序。例如，强化学习技术在游戏中的演示，对整个领域向通用人工智能的期望迈进了一步的看法产生了深刻的影响。当前深度学习网络已经经过训练，可以识别语音、为照片配上字幕，并在不同语言之间进行高水平的文本翻译。

2.2视图分析：国内外人工智能教育应用的研究现状

2.2.1关键词共现图谱分析

关键词共现图可以显示研究领域中出现的热点。图2显示了2014年至2023年十年间国内研究人员讨论的热词。其中，人工智能、智能教育、智慧教育、教育应用、机器学习、深度学习、医学教育、学习分析等词汇位于共现图的中心位置，说明与此相关的研究领域是中国研究者关注的话题，可以看出中国研究者更关注的是各种新技术在教育领域的应用。

图3显示了2014年至2023年十年间国外研究人员讨论的热词。其中artificial intelligence、machine learning、deep learning、performance、framework等词汇位于共现图的中间位置，说明国外研究者比较关注人工智能、机器学习、深度学习、设计、框架等关键词，可以看出，相比国内研究者，国外研究人员更专注于开发和设计智能系统并将其应用于教育。

从关键词的热点来看，不论是国内外，将人工智能应用在医学教育中都是研究者关注的领域。根据对淋巴结细胞图像中癌症检测的研究表明人工智能专用方法的错误率为7.5%，病理学家的错误率为3.5%；然而，结合人工智能和病理学家输入的方法导致错误率为0.5%。IBM的沃森能够从经验中学习并与数据交互，并根据过去的经验开发智能解决方案，通过机器学习技术和访问医学研究文章、电子病历等，甚至是医院的医生笔记，学会识别癌症模式。许多学者表明人工智能将会改变医疗教育领域。人工智能将促进包括医学教育在内的许多行业的大规模变革，为了让医学教育工作者为人工智能做好适当的准备，他们至少需要对人工智能的学习和教学以及它对医学教育的影响程度有一个基本的了解。这也是为何这一研究领域受到学者关注的原因。

2.2.2关键词突现性分析

关键词的突现性可以反映某一领域研究前沿动态变化及其发展趋势，关键词的突现性值越大，意味着该关键词在该时间段内出现频次的增长率越高。简而言之，这表明在学者们研究某一领域的过程中，某个之前未被特别关注的关键词突然变得重要起来，并对该领域产生了显著影响，随着研究的持续推进，某一关键词会在某个时刻骤然凸显，成为该研究领域内的焦点关键词，通过突现性分析，旨在追溯并预测关键技术在不同时间段的热度演变，以及识别出哪些技术具有在未来持续展现爆发性增长潜力的趋势。

2014-2023年关于国内人工智能教育应用的研究显示，突现性最高的是聚类#12智慧教育，突现性为2.32，突现年份为2017年；其次是聚类#3深度学习，突现性为1.62，突现年份为2017年。关于国外人工智能教育应用的研究显示，突现性最高的是聚类#1students，突现性为1.55，突现年份为2021年；其次是聚类#5classification，突现性为1.27，突现年份为2018年。

在国内的关键词分析中，获得了15个新兴词，其中，大部分关键词出现的时间较短，“伦理”（3年）的出现时间较长，从2020年到2023年，且突现时间较近，这表明伦理是近年来受关注的词。因此，可以预测在国内对人工智能教育应用的研究中，教育伦理问题在未来仍然是研究的趋势。

人工智能的发展也不可避免地会遇到技术悖论的问题，我们享受着人工智能带来的种种福利，也不能忽视人工智能在应用的过程中由于伦理规范缺失及政策法规体系尚未健全，引发了一系列亟待解决的社会与技术问题。例如，机器学习和算法推荐是教育应用中不可回避的实践问题，研发的初衷是实现个性化教学，可是即使是这样看似公平的应用，也会导致隐蔽的技术偏见，实际来看，在算法驱动的教学内容精准传播背景下，尽管实现了教学信息的高效传递，却也不可避免地削弱了学生对于信息获取的自主权，限制了他们全面学习相关内容的机遇。尤为值得警惕的是，学生若过度依赖算法推荐的信息获取方式，可能会诱发其行为和思维的惰性，进而可能导致学生的主体性在技术的主导下被逐渐侵蚀^{Error: Reference source not found}。因此，正是由于政策支持和学者们的关注，才使得人工智能教育应用研究中教育伦理问题成为一个研究热点。

在国外的关键词分析中，获得了15个新兴词，其中，与国内相同，每个关键词出现的时间都很短，说明热点变化很快，“engineering education”（5年）出现时间最长，作为突现性关键词，工程教育（engineering education）被视为人工智能教育应用的一个重要转折点，标志着新的研究领域的兴起。

工程教育是一种实践性的教学模式，对物质客体的改造是工程的核心特征之一，在工程作业中使用人工智能技术已经是不可避免的趋势，例如，使用基于人工智能的方法能够提高勘探和采矿工作的效率，以更少的成本获得更好的结果。因此，教育未来工程专业学生的过程是重要的，这些学生的知识应该基于在教育领域使用人工智能的方法。

综合来看，虽然国内外的研究方向并不完全一致，但人工智能的研究领域一直是他们的重点研究课题。

2.2.3关键词聚类视图分析

关键词聚类图可以显示研究领域中的研究趋势。对本研究来说，即以有效地呈现人工智能教育应用研究领域在十年间内的研究课题。图4给出了中国人工智能教育应用的13个聚类术语，其Modularity Q为0.8292,Silhouette S为0.9732，其Q值大于0.3，S值大于0.7，数值结果表明，聚类结构显著且有效。图7给出了国外人工智能教育应用的11个聚类术语，其Modularity Q为0.6507,Silhouette S为0.8959，其Q值大于0.3，S值大于0.7，数值结果表明，聚类结构显著且有效。

通过分析图4，可以将国内研究内容分为以下两个方面：

第一，人工智能产品在教育中的应用研究。该内容主要以机器学习、医学教育、技术框架聚类词为研究子组。教育领域的人工智能产品主要是指利用人工智能进行开发和应用的教育产品。徐守盛等学者系统性地归纳了机器学习在教育领域应用的潜力与最新进展，深入探讨了其在构建学生个体模型、学生行为模式识别、学习成效预测、失学风险预警、个性化学习支持、教育评测以及学习资源智能推荐等多个维度的具体应用。

第二，人工智能技术在教育中的应用研究。该内容主要以智能教育、教育机器人、助教机器人、未来教育等教学聚类词为研究子组。国内研究者已经将注意力转向了人工智能关键技术在教育领域的应用。祝智庭等人论述了智能教育样态下人工智能促进教学变革的方式，包括对智能导师系统、智能评分系统、虚拟现实学习系统、游戏化学习等的支持。朱永新等人讨论了未来学习构想，论述了人工智能与未来学校、未来教育的关系。

通过分析图5，可以将国外研究内容分为以下两个方面：

第一，人工智能产品在教育中的应用研究。该内容主要以工程教育、框架教学聚类词为研究子组。例如，Samarakou等人阐述了针对工程专业学生设计的基于人工智能的数字化学习平台的初步实施情况，该平台利用人工智能技术实现对学生学习状态的精准识别、个性化辅助及成效评估。

第二，人工智能技术在教育中的应用研究。该内容主要以在线移动学习、深度学习、人工智能技术、卷积神经模型等教学聚类词为研究子组。

3结论和建议

本文以CiteSpace为工具，以人工智能教育应用为研究重点，以CNKI核心期刊和WOS核心数据集为数据源，根据文本分析和视图分析，对研究现状、热点和趋势进行分析和探讨，研究力求精准，但是由于手工筛选可能存在偏差，可能导致研究结论存在一定误差。

根据研究，得出国内外对人工智能教育应用的研究现状如下：

其一，虽然国内外论文发表趋势存在一定差异，但是自从2016年以来，由于多个国家人工智能政策的支持，国内和国外的出版物数量都分别开始激增。正是在此背景之下，研究人员可以进行多方面的相关研究。

其二，从关键词分析中发现，虽然国内外均对人工智能教育应用技术和产品两方面研究比较重视，但是国内研究偏重于理论探索，国外研究侧重于应用实践、系统开发和实际测量。

根据研究结论，目前国内外人工智能教育应用研究仍然存在很多问题，例如，针对以上问题，本研究提出以下建议：

第一，推动人工智能教育应用的跨学科融合研究。虽然目前关于人工智能教育应用的研究涉及到教育的多个方面，但是从总体研究来看，大部分研究仍属于教育技术领域，缺乏跨学科研究，研究视角比较单一。未来对于这一方面的研究应该针对各个学段并且与不同的学科结合，利用不同领域独特的资源与优势，在多视角的支持下进行。

第二，重视人工智能教育应用的教育伦理研究。在科学研究中，伦理问题是不可忽视的，首先，人工智能在教育领域的应用涉及隐私问题，例如监控和跟踪学生的在线对话和行为会侵犯学生隐私，而使家长和学生同意使用人工智能的这一过程也会使人们被迫放弃隐私，如果学生知道自己在人工智能的监视之下，他们可能会感到不安全。其次，当前人工智能教育中关于伦理的关键问题是偏见和歧视，算法本身不带有偏见，但是现有的权力结构和偏见被嵌入到机器学习模型中，其中性别偏见是明显的形式之一。因此，在技术的发展之下，对伦理的探讨也应该跟上脚步。

第三，加大力度开发教育领域人工智能技术和产品。无论是国内还是国外，研究人员对人工智能产品的开发研究相比之下都比较少。因此，在之后的研究中研究者应加强对人工智能教育产品的开发，开发出更加智能化、人性化的教育产品。

第四，拓展人工智能在教育中的应用场景和形式。目前对人工智能应用在教育中的主要研究包括智能导学系统、智能教育平台、教育机器人等，但人工智能的应用潜力远不止此，在之后的研究中，研究者们可以着力于充分挖掘人工智能的深层潜力。

参考文献：

1. [1] Chen L, Chen P, Lin Z. Artificial intelligence in education: A review[J]. IEEE access,2020,8:75264-75278.
2. [2] 张学军,董晓辉. 人机共生:人工智能时代及其教育的发展趋势[J]. 电化教育研究,2020,41(04):35-41.
3. [3] Minsky M, Singh P, Sloman A. The St. Thomas common sense symposium: Designing architectures for human-level intelligence[J]. AI magazine,2004,25(02):113-124.
4. [4] 陈颖博,张文兰. 国外教育人工智能的研究热点、趋势和启示[J]. 开放教育研究,2019,25(04):43-58.
5. [5] 闫志明,唐夏夏,秦旋,等. 教育人工智能（EAI）的内涵、关键技术与应用趋势——美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J].远程教育杂志,2017,35(01):26-35.
6. [6] R.基思·索耶. 剑桥学习科学手册[M]. 北京:教育科学出版社,2010.
7. [7] Luckin R, Holmes W. Intelligence unleashed: An argument for AI in education [EB/OL]. (2016-11-24)[2025-12-06]. https://www.pearson.com/news/blog/CompanyBlog/2016/03/intelligence-unleashed-a-argument-for-ai-in-education.html.
8. [8] Fahimirad M, Kotamjani S S. A Review on application of artificial intelligence in teaching and learning in educational contexts[J]. International journal of learning and development,2018,8(04):106-118.
9. [9] Wang Y, Liu B. Overview of intelligent education application research[J]. Modern education technology,2018(01):5-11.
10. [10] 陈悦,陈超美,胡志刚,等. 引文空间分析原理与应用: CiteSpace实用指南[M]. 北京:科学出版社,2014.
11. [11] 郑雅倩,田芬. 法国人工智能时代高等教育改革新趋势——基于马克龙政府“国家人工智能战略”系列文本的分析[J]. 比较教育研究,2023,45(07):14-24.
12. [12] 黄荣怀,杨俊锋,胡永斌. 从数字学习环境到智慧学习环境——学习环境的变革与趋势[J]. 开放教育研究,2012,18(01):75-84.
13. [13] 刘德建,刘晓琳,张琰,等. 虚拟现实技术教育应用的潜力、进展与挑战[J]. 开放教育研究,2016,22(04):25-31.
14. [14] 刘德建,杜静,姜男,等. 人工智能融入学校教育的发展趋势[J]. 开放教育研究,2018,24(04):33-42.
15. [15] Kuleto V, Ilić M, Dumangiu M, et al. Exploring opportunities and challenges of artificial intelligence and machine learning in higher education institutions[J]. Sustainability,2021,13(18):10424.
16. [16] 余胜泉. 人工智能教师的未来角色[J]. 开放教育研究,2018,24(01):16-28.
17. [17] Bahroun Z, Anane C, Ahmed V, et al. Transforming education: A comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis[J]. Sustainability,2023,15(17):12983.
18. [18] 祝智庭,贺斌. 智慧教育:教育信息化的新境界[J]. 电化教育研究,2012,33(12):5-13.
19. [19] 郑庆华,董博,钱步月,等. 智慧教育研究现状与发展趋势[J].计算机研究与发展,2019,56(01):209-224.
20. [20] Carleo G, Cirac I, Cranmer K, et al. Machine learning and the physical sciences[J]. Reviews of modern physics,2019,91(04):045002.
21. [21] Sejnowski T J. The unreasonable effectiveness of deep learning in artificial intelligence[J]. Proceedings of the national academy of sciences,2020,117(48):30033-30038.
22. [22] Jarrahi M H. Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making[J]. Business horizons,2018,61(04):577-586.
23. [23] Strickland E. IBM Watson, heal thyself: How IBM overpromised and underdelivered on AI health care[J]. IEEE spectrum,2019,56(04):24-31.
24. [24] Masters K. Artificial intelligence in medical education[J]. Medical teacher,2019,41(09):976-980.
25. [25] 冯锐,孙佳晶,孙发勤. 人工智能在教育应用中的伦理风险与理性抉择[J].远程教育杂志,2020,38(03):47-54.
26. [26] UNESCO, COMEST. Report of COMEST on robotics ethics[R]. Praris: UNESCO,2017.
27. [27] 徐显龙,国洪琦,江鑫广,等. 我国K-12工程教育的角色定位、价值取向和实现路径[J]. 中国电化教育,2023(12):34-40.
28. [28] Lez’er V, Semeryanova N, Kopytova A, et al. Application of artificial intelligence in the field of geotechnics and engineering education[J]. E3S web of conferences,2019,110:02094.
29. [29] 卫荣,马锋,侯梦薇,等. 人工智能在医学教育领域的应用研究[J]. 医学教育研究与实践,2017,25(06):835-838.
30. [30] 祝智庭,魏非. 教育信息化2.0:智能教育启程,智慧教育领航[J]. 电化教育研究,2018,39(09):5-16.
31. [31] Hammond T, Linsey J. Mechanix: A natural sketch interface tool for teaching truss analysis and free-body diagrams[J]. Artificial intelligence for engineering design, analysis and manufacturing,2014,28(02):169-192.
32. [32] Krutka G D, Stefania M, M S G, et al. Teaching “against” social media: confronting problems of profit in the curriculum[J]. Teachers college record: The voice of scholarship in education,2019,121(14):1-42.