论文部分内容阅读
摘要：通过共词分析方法对国内近十年“微学习”的研究成果进行了聚类分析、多维尺度分析和战略坐标分析。研究发现当前“微学习”研究主要存在教育、计算机技术、信息传播三大视域。其中，教育视域包括学习理念、学习模式及学习环境等，是目前研究热点，处于核心位置，研究比较成熟;计算机技术视域特指移动终端，此类研究正在兴起;信息传播视域侧重于研究方法，研究焦点是社会网络分析和神经网络分析，处于边缘位置，研究尚不成熟，是未来重点研究的方向。
关键词：微学习 研究视域 共词分析
随着数字网络技术的发展，人们的学习模式沿着Face-to-Face（面对面）、D-learning（远程学习）、E-learning（数字化学习）、M-learning（移动学习）、U-learning（泛在学习）的路径发展。[1]微学习（Micro-Learning）作为移动学习和泛在学习的一种模式，由Lindner于2004年提出。他认为微学习有三个层面：第一，微学习是在数字化微型内容和微型媒体的基础上对学习的重新规划;第二，微学习提出松散和分布式知识、即时知识、关联知识等概念，对现有教学理念提出严峻挑战;第三，要用实验方法来看待、分析、设计和开发具体的微学习应用程序和学习内容。[2，3]Theo Hug作为最早界定微学习概念的学者之一，认为微学习是处理比较小的学习单元并且聚焦于时间较短的学习活动。[4]目前微学习概念还较模糊，直接研究微学习的文献并不多，因此本文运用文献计量学方法对微学习研究现状进行概览式描述。
一、研究方法及研究数据
1.研究方法
法国文献计量学家M.Callon J.Law和A.Rip提出了共词分析方法。[5]其核心思想是通过统计文献中共同出现的词汇，利用多种统计分析方法，把众多分析对象之间的关系通过数字、图形等表现出来。共词分析有共词聚类分析、共词关联分析、共词词频分析、突发词监测四种方法。本文通过对文献“关键词”的共现统计来梳理微学习这一领域的研究现状。共词分析步骤分为：确定分析问题、确定分析单元、高频词选定、共词出现频率、多元统计分析、分析共词结果。[6]
2.研究数据
与微学习相关的概念有移动学习、在线学习、e-Learning、虚拟学习社区等[7]。对2004至2013年CNKI中的“微学习、微型学习、移动学习、在线学习、e-Learning、虚拟学习社区”关键词进行检索，得到有效文献（去除会议通知、启示声明等无关文献）5818篇（表1），有效关键词10085个（剔除重复）。根据高频词低频词界分公式[8]，得到高频词阈值为141。选取前60个高频词作为观测对象（表2），根据共词分析得到高频词矩阵（略）。该共词矩阵为对角矩阵，将共词矩阵转换为斯皮尔曼相关矩阵（Spearman），消除共词频次差异带来的影响。
表1 近十年微学习相关期刊文献篇数（去除无关）
二、数据分析
1.聚类分析
聚类分析用于解决分类问题，聚类所要求划分的类通常是未知的，是按照样本的数据特征，把相似的样本倾向于分在同一类中。[9]在SPSS软件中对相关矩阵进行聚类分析。如图1，微学习研究包括三组：教育理论、教学模式、学习环境研究（第一组）、移动终端等计算机视域研究（第二组）、信息传播的方法研究（第三组）。
图1 聚类分析结果
2.多维尺度分析
多维尺度分析是通过测定观测量之间的距离来发现各个观测量之间的结构，它将观测量定位到概念空间（通常是二维或三维空间）中的一个特定位置，被分析的观测量以点状分布，每个点的相对位置反映了分析对象之间的相似性。高度相似性的对象会聚集在一起，进而形成一个类别，同时越靠近中间的对象其地位就越核心。[10]通过SPSS19.0尺度分析功能（Multidimensional Scale），距离设置为“数据为距离数据”，度量标准用区间Euclidean距离，度量水平选择二维尺度分析，得到对应结果（图2）。可见，微学习研究主要分为三大类团：一是教育理论、教学模式及学习环境视域，即学习本体研究;二是移动终端视域，主要涉及计算机技术研究;三是信息传播视域，主要运用社会网络分析、神经网络等方法来研究信息传播的规律与模式。
图2 微学习研究的多维尺度图
3.战略坐标分析
战略坐标分析方法由Law等最先提出，用来描述某一研究领域内部联系情况和领域间的相互影响情况。[11]战略坐标图中，X轴为向心度，Y轴为密度，分别表示领域间相互影响的强度、某一领域内部联系强度。坐标原点是两个轴的中位数或者平均数。战略坐标图可以将每一个二维空间的题目领域划分为四个象限，用来描述各主题的研究发展状况。第一象限表示研究主题较为核心、成熟，第二象限表示研究主题较为周边、成熟，第三象限表示研究主题较为周边、不成熟，第四象限表示研究主题较为核心、不成熟。[12]如图3，教育理论、教学模式及学习环境视域研究（类团一）位于第一象限，处于核心，研究比较成熟。移动终端等计算机技术视域研究（类团二）基本处于核心，内部结构松散，研究尚不成熟;信息传播方法研究视域（类团三）处于边缘位置，研究不成熟，有较大发展空间。
图3 战略坐标图
三、微学习研究的三大视域
综合聚类分析、多维尺度、战略坐标分析可以看出微学习研究主要有三大视域。
1.教育视域研究
教育视域研究主要包括教育理论、教学模式、学习环境等，主要是从教学角度对学习要素、学习理论与运用等方面进行研究。学习要素如学习主体（学习者、大学生、学生）、学习客体（学习资源、网络课程）、学习状态（在线学习、数字化学习、泛在学习）、学习模式（电子学习、企业培训、现代远程教育、移动教育）、学习环境（学习平台）。微学习理论与应用研究是从教育教学的视角研究如何更好地学习，主要包括建构主义理论、教育教学设计、培训等。这与张振虹等的研究结果相一致[13]。建构主义学习理论反对被动接受知识，强调学习者的主动性，这正符合微学习的理念，也是对传统学习模式的重大突破。 2.计算机技术视域研究
学习的技术媒介环境变化是微学习得以实现并发展的物质基础[14]。技术视域研究主要从技术角度出发，探讨移动环境下的学习情境，以及如何利用技术设备提高学习效率，获得更好的学习体验。微学习主要借助于移动终端进行，因此这里的计算机技术特指移动终端技术。有研究认为微学习是一种移动学习（Mobil-learning）和网络学习（E-learning）交叉融合的产物。[15]吴军其等从技术环境、学习资源和学习者三方面出发，对手机移动终端微学习进行了研究[16]。有研究者认为联通主义作为数字时代的学习理念，可以成为微学习的理论基础，指导新情境下的学习。[17]
3.信息传播视域研究
信息传播视域下的微学习研究涉及研究方法范畴，焦点是社会网络和神经网络。微学习活动系统是教师与学习之间、学习者之间、教师之间所构成的社会网络，人是结点，连接结点的是教学交互关系。有研究者通过对虚拟学习社区中成员网络位置的分析，发现了学习社区中助学者的各种特征[18]。微学习活动中内容推荐、协同交互、行为预测的实现，需要对大数据进行处理，神经网络方法是实现这些功能的重要手段。神经网络是在模拟生物神经网络的基础上构建的一种信息处理系统，神经网络计算机具有并行分布式处理、学习功能[19]。有研究者将反馈误差学习控制与径向基函数神经网络相结合，提出了一种基于神经网络在线学习的自适应控制办法[20]。
四、结语
微学习作为一个交叉领域，目前主要集中于教育、计算机技术、信息传播三大视域。教育视域的研究处于核心位置，研究比较成熟。计算机技术视域的研究正在兴起。信息传播视域侧重于研究方法，研究焦点是社会网络分析和神经网络分析，处于边缘位置，研究尚不成熟，陈向东等认为引入情报学、传播学、管理学、社会学的理论与手段，实现多学科、多方法融合，推动这一领域研究方法的不断深入。[21]未来微学习研究应该更加多元化，着力于微学习的技术开发与系统实现，使之成为真正的、具有实用性的学习方式，并在信息传播与知识传播方法上有所突破。
————————
参考文献
[1] 卢强.信息获取方式变迁中的学习模式述评.中国远程教育，2013（9）.
[2] Hug T.，Lindner M.，Bruck.P.A.Micro-learning：Emerging concepts，practices and technologies after e-learning[A].Proceedings of Micro-learning 2005[C].Australia，Innsbruck：Innsbruck University Press，2005.15
[3] Martin Lindner.What is micro-learning？[R].Proceedings of the 3rd International Microlearning2007 Conference，Autria：Innsbruck university press，2007.
[4] Theo Hug.Micro learning and narration[R].Fourth Media in Transition conference：The Work of Stories，2005，5
[5] Callon M，Law J，Rip A.Mapping the Dynamics of Science and Technology：Sociology of Science in the Real World[M].Macmillan，1986
[6] 钟伟金，李佳.共词分析法研究（一）——共词分析的过程与方式.情报杂志，2008（5）.
[7] 甘永成，陶舟.e-Learning、知识管理与虚拟学习社区.电化教育研究，2006（1）.
[8] 魏瑞斌.基于关键词的情报学研究主题分析.情报科学，2006（9）.转引自储节旺，郭春侠.共词分析法的基本原理及EXCEL实现.情报科学，2011（6）.
[9] 王德青.统计分类方法的比较.中国统计，2008（9）.
[10] 张晗，王晓瑜，崔雷.共词分析法与文献被引次数结合研究专题领域的发展态势.情报理论与实践，2007（3）.
[11] Law J，Bauin S，Courtial J·P，Whittaker J.Policy and the Mapping of Scientific Changer：Aco-word analysis of Research into Environmental Acidification.Scientometrics，1988，14（3-4）.
[12] 钟伟金，李佳.共词分析法研究（二）——类团分析.情报杂志，2008（6）.
[13] 张振虹，杨庆英等.微学习研究：现状与未来.中国电化教育，2013（11）.
[14] 张浩.微型学习：理念、环境与资源.现代教育技术，2009（4）.
[15] 吴军其，彭玉秋，胡文鹏，等.手持终端环境下微学习资源的情境化设计方法探索.电化教育研究，2012（8）.
[16] 吴军其，彭玉秋，吕爽，汪翠翠.基于手机终端移动微学习的可行性分析.中国教育信息化，2012（19）.
[17] 唐雅慧.联通主义指导下的移动微型学习.软件导刊（教育技术），2012（12）.
[18] 王陆.虚拟学习社区社会网络位置分析与助学者群体的发现.中国电化教育，2010（3）.
[19] 刘永红.神经网络理论的发展与前沿问题.信息与控制，1999（1）.
[20] 刘志远，吕剑虹，陈来九.基于神经网络在线学习的过热气温自适应控制系统.中国电机工程报，2004（4）.
[21] 陈向东，余锦凤.网络学习环境中交互问题的跨学科研究.中国电化教育，2006（4）.
[作者：杜智涛（1977-），男，甘肃天水人，中国青年政治学院新闻与传播系副教授，博士;付宏（1976-），男，湖北监利人，北京市科学技术情报研究所助理研究员，博士;晏齐宏（1989-），女，甘肃兰州人，中国青年政治学院新闻与传播系在读硕士。]
【责任编辑 白文军】
关键词：微学习 研究视域 共词分析
随着数字网络技术的发展，人们的学习模式沿着Face-to-Face（面对面）、D-learning（远程学习）、E-learning（数字化学习）、M-learning（移动学习）、U-learning（泛在学习）的路径发展。[1]微学习（Micro-Learning）作为移动学习和泛在学习的一种模式，由Lindner于2004年提出。他认为微学习有三个层面：第一，微学习是在数字化微型内容和微型媒体的基础上对学习的重新规划;第二，微学习提出松散和分布式知识、即时知识、关联知识等概念，对现有教学理念提出严峻挑战;第三，要用实验方法来看待、分析、设计和开发具体的微学习应用程序和学习内容。[2，3]Theo Hug作为最早界定微学习概念的学者之一，认为微学习是处理比较小的学习单元并且聚焦于时间较短的学习活动。[4]目前微学习概念还较模糊，直接研究微学习的文献并不多，因此本文运用文献计量学方法对微学习研究现状进行概览式描述。
一、研究方法及研究数据
1.研究方法
法国文献计量学家M.Callon J.Law和A.Rip提出了共词分析方法。[5]其核心思想是通过统计文献中共同出现的词汇，利用多种统计分析方法，把众多分析对象之间的关系通过数字、图形等表现出来。共词分析有共词聚类分析、共词关联分析、共词词频分析、突发词监测四种方法。本文通过对文献“关键词”的共现统计来梳理微学习这一领域的研究现状。共词分析步骤分为：确定分析问题、确定分析单元、高频词选定、共词出现频率、多元统计分析、分析共词结果。[6]
2.研究数据
与微学习相关的概念有移动学习、在线学习、e-Learning、虚拟学习社区等[7]。对2004至2013年CNKI中的“微学习、微型学习、移动学习、在线学习、e-Learning、虚拟学习社区”关键词进行检索，得到有效文献（去除会议通知、启示声明等无关文献）5818篇（表1），有效关键词10085个（剔除重复）。根据高频词低频词界分公式[8]，得到高频词阈值为141。选取前60个高频词作为观测对象（表2），根据共词分析得到高频词矩阵（略）。该共词矩阵为对角矩阵，将共词矩阵转换为斯皮尔曼相关矩阵（Spearman），消除共词频次差异带来的影响。
表1 近十年微学习相关期刊文献篇数（去除无关）
二、数据分析
1.聚类分析
聚类分析用于解决分类问题，聚类所要求划分的类通常是未知的，是按照样本的数据特征，把相似的样本倾向于分在同一类中。[9]在SPSS软件中对相关矩阵进行聚类分析。如图1，微学习研究包括三组：教育理论、教学模式、学习环境研究（第一组）、移动终端等计算机视域研究（第二组）、信息传播的方法研究（第三组）。
图1 聚类分析结果
2.多维尺度分析
多维尺度分析是通过测定观测量之间的距离来发现各个观测量之间的结构，它将观测量定位到概念空间（通常是二维或三维空间）中的一个特定位置，被分析的观测量以点状分布，每个点的相对位置反映了分析对象之间的相似性。高度相似性的对象会聚集在一起，进而形成一个类别，同时越靠近中间的对象其地位就越核心。[10]通过SPSS19.0尺度分析功能（Multidimensional Scale），距离设置为“数据为距离数据”，度量标准用区间Euclidean距离，度量水平选择二维尺度分析，得到对应结果（图2）。可见，微学习研究主要分为三大类团：一是教育理论、教学模式及学习环境视域，即学习本体研究;二是移动终端视域，主要涉及计算机技术研究;三是信息传播视域，主要运用社会网络分析、神经网络等方法来研究信息传播的规律与模式。
图2 微学习研究的多维尺度图
3.战略坐标分析
战略坐标分析方法由Law等最先提出，用来描述某一研究领域内部联系情况和领域间的相互影响情况。[11]战略坐标图中，X轴为向心度，Y轴为密度，分别表示领域间相互影响的强度、某一领域内部联系强度。坐标原点是两个轴的中位数或者平均数。战略坐标图可以将每一个二维空间的题目领域划分为四个象限，用来描述各主题的研究发展状况。第一象限表示研究主题较为核心、成熟，第二象限表示研究主题较为周边、成熟，第三象限表示研究主题较为周边、不成熟，第四象限表示研究主题较为核心、不成熟。[12]如图3，教育理论、教学模式及学习环境视域研究（类团一）位于第一象限，处于核心，研究比较成熟。移动终端等计算机技术视域研究（类团二）基本处于核心，内部结构松散，研究尚不成熟;信息传播方法研究视域（类团三）处于边缘位置，研究不成熟，有较大发展空间。
图3 战略坐标图
三、微学习研究的三大视域
综合聚类分析、多维尺度、战略坐标分析可以看出微学习研究主要有三大视域。
1.教育视域研究
教育视域研究主要包括教育理论、教学模式、学习环境等，主要是从教学角度对学习要素、学习理论与运用等方面进行研究。学习要素如学习主体（学习者、大学生、学生）、学习客体（学习资源、网络课程）、学习状态（在线学习、数字化学习、泛在学习）、学习模式（电子学习、企业培训、现代远程教育、移动教育）、学习环境（学习平台）。微学习理论与应用研究是从教育教学的视角研究如何更好地学习，主要包括建构主义理论、教育教学设计、培训等。这与张振虹等的研究结果相一致[13]。建构主义学习理论反对被动接受知识，强调学习者的主动性，这正符合微学习的理念，也是对传统学习模式的重大突破。 2.计算机技术视域研究
学习的技术媒介环境变化是微学习得以实现并发展的物质基础[14]。技术视域研究主要从技术角度出发，探讨移动环境下的学习情境，以及如何利用技术设备提高学习效率，获得更好的学习体验。微学习主要借助于移动终端进行，因此这里的计算机技术特指移动终端技术。有研究认为微学习是一种移动学习（Mobil-learning）和网络学习（E-learning）交叉融合的产物。[15]吴军其等从技术环境、学习资源和学习者三方面出发，对手机移动终端微学习进行了研究[16]。有研究者认为联通主义作为数字时代的学习理念，可以成为微学习的理论基础，指导新情境下的学习。[17]
3.信息传播视域研究
信息传播视域下的微学习研究涉及研究方法范畴，焦点是社会网络和神经网络。微学习活动系统是教师与学习之间、学习者之间、教师之间所构成的社会网络，人是结点，连接结点的是教学交互关系。有研究者通过对虚拟学习社区中成员网络位置的分析，发现了学习社区中助学者的各种特征[18]。微学习活动中内容推荐、协同交互、行为预测的实现，需要对大数据进行处理，神经网络方法是实现这些功能的重要手段。神经网络是在模拟生物神经网络的基础上构建的一种信息处理系统，神经网络计算机具有并行分布式处理、学习功能[19]。有研究者将反馈误差学习控制与径向基函数神经网络相结合，提出了一种基于神经网络在线学习的自适应控制办法[20]。
四、结语
微学习作为一个交叉领域，目前主要集中于教育、计算机技术、信息传播三大视域。教育视域的研究处于核心位置，研究比较成熟。计算机技术视域的研究正在兴起。信息传播视域侧重于研究方法，研究焦点是社会网络分析和神经网络分析，处于边缘位置，研究尚不成熟，陈向东等认为引入情报学、传播学、管理学、社会学的理论与手段，实现多学科、多方法融合，推动这一领域研究方法的不断深入。[21]未来微学习研究应该更加多元化，着力于微学习的技术开发与系统实现，使之成为真正的、具有实用性的学习方式，并在信息传播与知识传播方法上有所突破。
————————
参考文献
[1] 卢强.信息获取方式变迁中的学习模式述评.中国远程教育，2013（9）.
[2] Hug T.，Lindner M.，Bruck.P.A.Micro-learning：Emerging concepts，practices and technologies after e-learning[A].Proceedings of Micro-learning 2005[C].Australia，Innsbruck：Innsbruck University Press，2005.15
[3] Martin Lindner.What is micro-learning？[R].Proceedings of the 3rd International Microlearning2007 Conference，Autria：Innsbruck university press，2007.
[4] Theo Hug.Micro learning and narration[R].Fourth Media in Transition conference：The Work of Stories，2005，5
[5] Callon M，Law J，Rip A.Mapping the Dynamics of Science and Technology：Sociology of Science in the Real World[M].Macmillan，1986
[6] 钟伟金，李佳.共词分析法研究（一）——共词分析的过程与方式.情报杂志，2008（5）.
[7] 甘永成，陶舟.e-Learning、知识管理与虚拟学习社区.电化教育研究，2006（1）.
[8] 魏瑞斌.基于关键词的情报学研究主题分析.情报科学，2006（9）.转引自储节旺，郭春侠.共词分析法的基本原理及EXCEL实现.情报科学，2011（6）.
[9] 王德青.统计分类方法的比较.中国统计，2008（9）.
[10] 张晗，王晓瑜，崔雷.共词分析法与文献被引次数结合研究专题领域的发展态势.情报理论与实践，2007（3）.
[11] Law J，Bauin S，Courtial J·P，Whittaker J.Policy and the Mapping of Scientific Changer：Aco-word analysis of Research into Environmental Acidification.Scientometrics，1988，14（3-4）.
[12] 钟伟金，李佳.共词分析法研究（二）——类团分析.情报杂志，2008（6）.
[13] 张振虹，杨庆英等.微学习研究：现状与未来.中国电化教育，2013（11）.
[14] 张浩.微型学习：理念、环境与资源.现代教育技术，2009（4）.
[15] 吴军其，彭玉秋，胡文鹏，等.手持终端环境下微学习资源的情境化设计方法探索.电化教育研究，2012（8）.
[16] 吴军其，彭玉秋，吕爽，汪翠翠.基于手机终端移动微学习的可行性分析.中国教育信息化，2012（19）.
[17] 唐雅慧.联通主义指导下的移动微型学习.软件导刊（教育技术），2012（12）.
[18] 王陆.虚拟学习社区社会网络位置分析与助学者群体的发现.中国电化教育，2010（3）.
[19] 刘永红.神经网络理论的发展与前沿问题.信息与控制，1999（1）.
[20] 刘志远，吕剑虹，陈来九.基于神经网络在线学习的过热气温自适应控制系统.中国电机工程报，2004（4）.
[21] 陈向东，余锦凤.网络学习环境中交互问题的跨学科研究.中国电化教育，2006（4）.
[作者：杜智涛（1977-），男，甘肃天水人，中国青年政治学院新闻与传播系副教授，博士;付宏（1976-），男，湖北监利人，北京市科学技术情报研究所助理研究员，博士;晏齐宏（1989-），女，甘肃兰州人，中国青年政治学院新闻与传播系在读硕士。]
【责任编辑 白文军】