1. 引言
2022年底，美国OpenAI公司推出的ChatGPT，作为生成式AI产品，在科技界引发广泛关注，标志着知识生产方式的革新及在智能、意识、思维领域取得的重大突破。此技术的快速崛起，激发了全球范围内的人工智能领域革命性变革[1]。国内的百度、阿里云等公司也相继开发和发布了文心一言、通义千问等生成式人工智能产品。在教育领域，人工智能技术的革新快速重塑教育体系，成为教育创新的关键驱动力。作为人工智能领域的一项突破性技术，生成式人工智能(Generative Artificial Intelligence, GenAI)的核心在于通过大型语言模型与深度学习算法，模拟人类创造力，自动生产包括文本、图像、视频、音频在内的多种内容[2]。在教育教学中，通过优化定制化与适应性教学资源，显著提升了个性化学习体验。其在自适应学习系统、智能评估及行为分析的应用，正引领教育革新。在我国数字化转型的时代背景下，系统梳理生成式人工智能介入教育领域的应用现状，厘清其研究特点及热点变迁，洞察人工智能时代教育生态发展趋势，对于有效应对生成式人工智能带来的教育挑战，具有深远的现实价值。
2. 研究设计
(一) 数据来源
本研究文献数据选自中国知网(CNKI)期刊数据库，以中国知网(CNKI) 2023年2月1日至2024年8月31日收录检索的期刊作为原始数据来源，设置来源类别为“北大核心”与“CSSCI”。以“教育”与“生成式人工智能”作为检索关键词。最早相关研究发现于2023年2月的《生成式人工智能技术对教育领域的影响——关于ChatGPT的专访》，因此将检索时间定为2023年2月至2024年8月，共计找到306条符合条件的样本。通过数据清洗，人工排除了15项不符要求的样本，包括书评、研究报告、会议综述、低相关及重复样本。截至2024年8月31日，最终筛选出291篇有影响力的高质量文献作为有效样本。
(二) 研究工具
相比定性研究，基于知识图谱的定量化综述更全面直观地展现研究问题发展规律[3]。因此，本文采用文献计量法和内容分析法进行研究。一是文献计量法。借助CiteSpace软件进行可视化分析，绘制一系列知识图谱。通过对图谱的分析与解读，能够从宏观层面了解相关领域的研究现状及前沿动态。并且运用CiteSpace 6.3.R1知识图谱可视化分析软件，对数据样本进行可视化知识图谱处理与定量追踪分析，从而揭示生成式人工智能在教育领域的研究趋势。二是内容分析法。运用内容分析法深入挖掘文献内容及其与前沿研究的关联性，进行比较与推理。通过这一方法，探讨生成式人工智能介入教育领域的相关特性与发展规律，揭示其在推动教育变革中的作用与潜力。
3. 研究现状分析
(一) 发文分布分析
期刊的发文数量及其变化趋势反映了该领域学术研究的热度。通过统计分析发现，目前载文量排序前5位的教育类核心期刊是《电化教育研究》(21篇)、《开放教育研究》(20篇)、《现代教育技术》(20篇)、《中国电化教育》(17篇)、《华东师范大学学报(教育科学版)》(14篇)，从成果的基金支持项目分布看，主要分布在全国教育科学规划课题和国家社会科学基金项目成果中，数量为99篇，国家自然科学基金项目、教育部人文社会科学重点研究基地重大项目成果数量分别为27篇和21篇。此外各省教育厅哲学社会科学基金均有分布。表1中只列出总发文量超过5篇的核心期刊(见表1)。这些期刊发表文章的研究主要聚类在“生成式人工智能”“高等教育”“ChatGPT”“生成式”“教育变革”“风险防范”“应对策略”等主题。表明生成式人工智能介入教育领域的应用研究力量相对薄弱，有待进一步加强。
Table 1. Distribution of journals in the research literature on Generative Artificial Intelligence and Education
表1. 生成式人工智能与教育研究文献的期刊分布
序号 |
期刊 |
发文量(篇) |
1 |
电化教育研究 |
21 |
2 |
开放教育研究 |
20 |
3 |
现代教育技术 |
20 |
4 |
中国电化教育 |
17 |
5 |
华东师范大学学报 |
14 |
6 |
现代距离教育 |
10 |
7 |
现代远程教育研究 |
9 |
8 |
远程教育杂志 |
8 |
9 |
中国远程教育 |
5 |
10 |
教育发展研究 |
5 |
11 |
国家行政学院学报 |
5 |
12 |
人民教育 |
5 |
(二) 发文机构及作者分布
首先，表2显示了生成式人工智能与教育研究排名前10的机构名称。在这些发文机构中，高校是研究生成式人工智能和教育的核心阵地。本文根据数据显示，对发文量位列前十的机构进行排序(并列发文5篇的机构不再详列)。观察表2，可发现高校是推动该领域发展的主要力量，尤其是师范类高校，而教育学院则成为各高校研究的中坚力量。在本研究领域，华东师范大学、北京师范大学、西南大学发文量显著，其他高校的贡献则相对集中。目前，研究机构主要分布在上海、北京、重庆、武汉、杭州、南京等地区，这不仅与这些区域高校强大的学术研究实力有关，还与“十四五”规划中区域内人工智能产业发展的战略部署以及推动人工智能在教育领域应用的政策密切相关[4]。发达的科技产业基础与政策支持相结合，为这些地区的研究机构提供了有利的发展环境，推动了生成式人工智能在教育中的深入研究。同时，在文献搜集与可视化分析的过程中发现，虽然研究生成式人工智能与教育领域虽然受到关注较高、各机构和基金项目也较多，但核心作者的发文量及相关权威性期刊载文较少。
Table 2. Highly productive institutions for generative AI and education research in China
表2. 我国生成式人工智能与教育研究的高产机构
序号 |
机构 |
发文量 |
1 |
华东师范大学 |
25 |
2 |
北京师范大学 |
22 |
3 |
西南大学 |
16 |
4 |
华中师范大学 |
16 |
5 |
浙江大学 |
11 |
6 |
曲阜师范大学 |
11 |
7 |
清华大学 |
9 |
8 |
南京师范大学 |
9 |
9 |
新疆师范大学 |
8 |
10 |
上海师范大学 |
7 |
其次，分析生成式人工智能与教育研究的核心作者分布。表3展示核心作者的发文统计。依据普莱斯定律，核心作者最低发文量M通过公式M = 0.749(Nmax)1/2计算得出，其中Nmax为检索时间内发文最多的著者发文量[5]。核心作者的发文量占比超过符合约束条件检索文章总数的50%，表明该研究方向的核心作者群体已形成。据CNKI数据，最高发文量是华东师范大学祝智庭的7篇，随后是浙江大学翟雪松的5篇及华东师范大学戴玲的5篇，Nmax设定为7，对应的M值为2.622。发文量在两篇及以上的为生成式人工智能与教育研究的核心作者，其中核心作者群共20人，共计发文72篇，占总发文总量的24.7%，显著低于普赖斯定律中50%的指标，表明生成式人工智能与教育研究领域的核心作者群尚未充分聚合。
Table 3. Core authors of our generative AI and education research
表3. 我国生成式人工智能与教育研究核心作者
作者 |
发文量 |
作者 |
发文量 |
祝智庭 |
7 |
王炜 |
4 |
翟雪松 |
5 |
孙立会 |
4 |
戴玲 |
5 |
李海峰 |
4 |
谭维智 |
4 |
周洪宇 |
4 |
李艳 |
4 |
刘邦奇 |
3 |
4. 研究热点与前沿分析
(一) 研究热点共现分析
利用CiteSpace 6.3.R1对生成式AI与教育领域的关键词进行共现分析，生成的知识图谱如图1所示。图中，圆形节点包括风险挑战、教育技术、教育形态等关键词，而人工智能、高等教育、人机协同因其高频出现而显著突出，位于图谱中心。不同颜色对应不同关键词，连线表示共现关系。图1揭示了生成式AI与教育研究的热点领域，各关键词间形成复杂的网络结构，呈现出蜘蛛网状的分布态势。国内学者聚焦于“生成式人工智能教育”这一核心概念，主要探讨教育领域，研究侧重于教育转型，利用人工智能与数字技术驱动教育创新，关注应用实践、潜在风险及技术伦理议题。大模型、元宇宙提供给教育领域的定量分析有效样本。同时，教学模式及创新高频出现，反映新时代教育需求。图1与表4显示，生成式人工智能在教育研究中的关键词共现图谱与词频统计高度一致。
Table 4. Top 10 keywords
表4. 出现频次前10的关键词
序号 |
关键词 |
频次 |
序号 |
关键词 |
频次 |
1 |
人工智能 |
54 |
6 |
教育 |
5 |
2 |
高等教育 |
17 |
7 |
智能教育 |
4 |
3 |
人机协同 |
15 |
8 |
教育治理 |
4 |
4 |
教育变革 |
8 |
9 |
伦理风险 |
4 |
5 |
应用场景 |
5 |
10 |
元宇宙 |
4 |
Figure 1. Keyword co-occurrence visualization map
图1. 关键词共现可视化图谱
(二) 研究热点聚类分析
基于生成式人工智能与教育研究的关键词共现分析，通过聚类揭示相似引文的共同主题与热点问题。运用CiteSpace 6.3.R1，通过LLR对数似然法对高频关键词进行聚类[6]，生成6个聚类，绘制聚类知识图谱，如图2所示。聚类模块值(Q)为0.62491(Q > 0.3)，平均轮廓值(S)为0.91331 (S > 0.7)，显示聚类结构显著且效果优秀，具有高可信度。在生成式人工智能应用于教育的研究领域中，学者关注点主要集中在以下几大方面。
Figure 2. Keyword clustering visualization map
图2. 关键词聚类图谱
1) 生成式人工智能的技术原理研究
从聚类#0 (人工智能)的特征词分析可以看出研究学者们主要关注大模型的发展现状、创新框架以及应用展望等。我国在这一领域的研究起步较晚，经过对技术原理的深入剖析，建立起关于当前研究状态全面且系统性的理解。曹培杰、谢阳斌等学者提出，教育大模型是一种面向教育场景、具备庞大参数量、综合通用与专业知识训练的人工智能模型，整合了大模型技术、知识库技术与多种智能教育技术，旨在促进人机学习的双向发展[7]。苗逢春认为生成式人工智能能够跨越人类思维表征符号，生成新内容，然而技术局限使其在理解语义与现实世界方面存在不足，这限制了其在教育领域的变革潜力[8]。米加宁、吴佳正认为生成式大模型在推动知识生成、革新学术方法论、重塑学科边界与确立学科身份方面扮演着核心角色[9]。卢宇、余京蕾等认为在当前教育领域的快速变革中，构建基于大模型的教学智能体成为关键策略[10]。顾小清、刘桐认为大模型引领自适应教育进入智适应学习阶段，智适应学习源于生成式人工智能的发展[11]。
2) 生成式人工智能应用于教育的价值研究
包含#1 (高等教育)、#5 (教育变革)类团，关键词主要有“智能教育”“人才培养”“使用策略”“价值原则”“未来教育”等。如孙立会与周亮指出，生成式人工智能在国家中小学智慧教育平台的集成持续强化。此背景下，教育的高质量推进、学生的个性化学习及教师的教学差异化均需通过该平台的持续赋能与升级来支撑[12]。王雯等认为生成式人工智能在教学中的深化应用，促使学校教育模式超越传统界限，包括班级、年级、学科与时空。教育体系由此变革，“师–机–生”三元教学架构将替代现行的“师–生”二元模式[13]。王冲、张雅君以ChatGPT为首的生成式人工智能重塑教育领域，未来将颠覆知识获取模式，推动教学创新[14]。刘邦奇、聂小林等认为生成式人工智能与未来教育的整合，有望重塑教育与学习模式，影响教育主体、环境、资源、教学法、评估及伦理治理[15]。
3) 生成式人工智能应用于教育的风险挑战研究
从聚类#3 (人机协同)、#4 (教育创新)的特征词分析可以看出，生成式人工智能带来技术红利的同时也面临着潜在的风险和挑战。伦理风险也是学界一直关注的热点。刘骥就在研究中表明，通过风险主体、风险范围及风险程度三个维度剖析，生成式人工智能教育风险分为直接与间接、全域与局域，以及短期与长期类型[16]。童慧、杨彦军基于“技术道德化”理论剖析生成式人工智能本质，通过“技术调节”理论探讨GAI教育应用潜力，同时运用“道德物化”理论揭示其教育应用风险[17]。魏顺平、范学健等探讨了ChatGPT在高等教育中应用的风险，从教学、研究及行政三个维度展开。通过大数据调查，以报道ChatGPT新闻频繁的美国高校为例，深入分析其实际运用状况与成效[18]。黄蓓蓓、宋子昀等在研究中研究构建了包含四个模块的风险预警机制：风险预警主体、风险预警内容、风险预警保障与风险预警流程，该机制应用于生成式人工智能融入高等教育生态系统[19]。
4) 生成式人工智能应用于教育的风险治理及对策研究
从聚类#2 (智慧教育)特征词分析可以看出，关键词主要有“风险治理”“技术伦理”“数字教育”“主体性”等。对生成式人工智能的应用来说，积极谨慎地对待新型技术，确立规范、科学引导、推动转型是研究的热门。如李维阳、苏静普探讨了生成式预训练模型在教育革新中的伦理挑战，并提出了应对策略，包括深化理论探究与知识传播，以及开发契合我国教育体系的生成式预训练模型[20]。周瑞春等认为针对生成式人工智能的治理，应聚焦多元共治、角色规约、数字平权与素养先行四大维度，旨在减少未成年人使用时的负面影响，最大化技术对其成长的积极作用[21]。何昌旺、熊和平强调，为应对人工智能引发的教育伦理危机，需转变思维模式，从工具性转向共生性。此变革旨在适应教育生态之变，具体路径包括重构教师角色、革新教学实践、调整伦理准则与理论根基。应主动构建“人工智能 + 教育”多元格局[22]。姜华、王春秀等认为相关政府、信息技术部门等监管方应在技术大范围开发与应用前，强化对ChatGPT类人工智能的科技监管[23]。
(三) 前沿分析
CiteSpace 6.3.R1的Timeline功能展示关键词随时间的变化，关键词频率高、节点面积大且颜色深，反映其出现时间早。基于生成式人工智能与教育的关键词共现分析，构建了关键词时间线知识图谱，见图3。图3横轴表示时间，关键词按出现顺序排列；纵轴分6个聚类，自上而下编号为#0至#5。知识图谱清晰呈现关键词生成时间及所属聚类，揭示各研究主题的发展、递进与关联。由图3可以发现，从2023年6月开始学者逐渐转向理论应用于实践的研究，聚类#0、#1、#2、#3、#4、#5的研究热度仍在持续上升。
结合图2、图3，可以预测未来生成式人工智能与教育的研究可以集中在三个方面：一是研究生成式人工智能融入教育。在教育领域，生成式人工智能的发展改变了教学方法和学习体验，带来了个性化学习和实时反馈的新机遇。随着生成式人工智能技术的普及，教育工作者需积极探索生成式人工智能的有效应用，提升教育的针对性和互动性，确保学生在学习过程中的参与度和积极性。同时，教师应主动构建适应生成式人工智能工具的教学体系，找到最佳实践，以实现教育目标的优化。二是研究生成式人工智能应用风险防范和治理。关键在于识别和评估生成式人工智能技术在教育中的潜在风险，包括数据隐私、安全性和内容准确性等问题。需要建立有效的风险管理框架，制定相应的政策和规范，确保生成式人工智能应用的合规性和安全性。同时，应加强对师生的培训，提高他们对生成式人工智能工具的理解和应对能力，以降低潜在风险并增强信任。三是研究人机协同时代推动教育变革和数字化转型。生成式人工智能可以通过提供个性化学习体验、实时数据分析和智能反馈，改变传统教学模式，促进教育的智能化和灵活性。同时，需要探索人机协作的有效模式，教育者从知识传授者转变为学习引导者，要确保教师在教学中的主体地位，提升教育质量和效率。此外，建立有效的技术基础设施和政策框架，以保障数据安全和隐私，确保数字化转型的可持续性和合规性。这将为教育体系的创新和发展奠定坚实基础。
Figure 3. Key timeline visualization chart
图3. 关键时间线可视化图谱
5. 未来展望
在未来，生成式人工智能将继续深度融入教育领域，推动教学模式的智能化和个性化发展。随着技术的不断成熟，智能教育将更加注重人机协同，通过优化算法模型、提升语义理解能力，增强教育者和学习者的互动效果。此外，生成式人工智能将在知识生成与传播、学科边界重塑等方面发挥关键作用，促进教育的创新和变革。同时，伦理风险的防范与技术治理将成为未来研究的重点，通过完善监管机制和强化教育者的数字素养，确保技术赋能教育的同时，保障教育环境的安全和公正。
(一) 深化个性化和智能化教学
生成式人工智能能够通过数据分析和学习者行为建模，提供更加个性化的学习路径与资源。随着技术的不断成熟，智能教育平台将实现基于学习者兴趣、能力及需求的动态调整，提供定制化的学习内容和任务，以适应不同学习者的个体差异。此外，生成式人工智能的算法模型将不断优化，提升对自然语言的理解与处理能力，将使得教师与学生之间的互动更加自然和高效。例如，智能教育助手能够在学生提问时实时生成解答，并提供相关学习资料，极大地提高学习效率。通过与教育者的协同工作，生成式人工智能不仅能支持课堂教学的智能化，还能为课后学习提供辅助，帮助学生在课外时间进行知识的深化与拓展。
(二) 人机协同助力教育模式的创新
未来的教育将更加注重人机协同，形成教师与智能助手之间的有效互动。一方面，人工智能将为教师提供强大的教学辅助工具，帮助他们分析学生的学习数据、识别学习障碍并制定个性化的教学策略。通过实时监控学生的学习进度和情感状态，人工智能可以及时反馈，协助教师调整教学方法，从而提升课堂的互动性和有效性。另一方面，教师不仅是知识的传授者，更是学习引导者和设计者。在这种模式下，人工智能将负责处理重复性和基础性的教学任务，而教师将把更多时间投入到高层次的教育活动中，如情感支持、批判性思维的培养等。人机协同还将推动个性化学习路径的设计。人工智能可以基于学生的兴趣、能力和学习风格，提供定制化的学习内容和资源。通过智能推荐系统，学生可以在学习过程中自主选择适合自己的学习材料，进一步提高学习的自主性和积极性。这种个性化学习路径的设计，能够更好地满足学生的多样化需求，提高学习效果。
(三) 强化技术治理和技术规范
未来的教育发展需要建立健全的技术治理体系，以确保生成式人工智能在促进教育发展的同时，维护教育环境的安全性与公正性。首先，必须加强对生成式人工智能的监管机制。针对教育领域中最为关键的数据泄露风险及应用风险的管理，需强化生成式人工智能在教育敏感数据保护方面的安全措施，并明确界定数据的授权使用范围，以防止数据外泄[24]。这包括对数据隐私的保护、对算法偏见的监控，以及对智能工具使用的伦理审查，确保技术应用不对教育公平造成负面影响。其次，教育者的数字素养也亟需提升。教育工作者应具备对人工智能技术的基本理解，能够识别与应对在教学过程中可能出现的技术伦理问题。这种素养不仅包括对技术的运用能力，更应涵盖对技术影响的思考，帮助学生培养批判性思维，树立正确的价值观。
6. 结语
CiteSpace的关键词共现分析揭示了生成式人工智能应用于教育领域内关键词的相互关联，聚类分析则明确了主要研究主题，如人工智能、教育创新等。时间线分析反映了生成式人工智能与教育研究焦点的演变，特别是对风险治理的关注。考虑到文献样本数量和数据库完备性的不足，本文在可视化分析的过程和结果上仍存在一定局限性，所得结论也有待进一步完善。未来，随着生成式人工智能研究热度的持续攀升以及相关文献发文量的增加，分析的科学性和全面性将有望得到进一步提升。
基金项目
江苏省研究生科研与实践创新计划(KYCX24-1351)的阶段性成果。