摘要: 随着生成式人工智能技术(GAI)的快速发展，其在教育领域的应用越来越广泛，相关学者在该领域展开了大量研究。然而，此前一直缺乏国内生成式人工智能应用于教育领域研究内容以及成果的归纳总结，这可能阻碍生成式人工智能技术在教育领域的进一步发展。因此，本文以中国知网(CNKI)数据库中2019年1月至2024年5月的期刊文献为研究样本，运用CiteSpace文献计量分析软件，从发文量、作者、研究机构和关键词四个方面进行可视化图谱分析，对国内生成式人工智能应用于教育领域的研究现状，研究热点和研究趋势进行总结。结果表明：(1) 发文量在2023年迎来拐点，发文量呈现增长趋势并持续至今；(2) 尚未形成核心作者群体，研究机构以高校教育学院为主，存在国际合作和交流，呈现多学科交叉；(3) 研究热点主要集中在人工智能、复合脑、教育、新文科和人才培养等方面，研究方向呈现多元化和精细化的趋势。该领域研究未来应致力于深化生成式人工智能与教育实践的整合，探索生成式人工智能技术对教育领域冲击的应对策略，并加强技术伦理的研究。
Abstract: As the rapid advancement of Generative Artificial Intelligence (GAI) technology, its application in the field of education has become increasingly widespread, spurring extensive research by scholars in this domain. However, a significant gap exists in a comprehensive summary of domestic research on the application of GAI in education, potentially hindering further development of GAI technology in educational settings. Therefore, this study has utilized journal articles from the China National Knowledge Infrastructure (CNKI) database, ranging from January 2019 to May 2024. Using CiteSpace bibliometric analysis software, a visual mapping analysis has been conducted, summarizing the current state, hotspots, and trends of domestic research on the application of GAI in education. The results indicate: (1) A turning point in publication volume occurred in 2023, with an upward trend that continues to the present; (2) No core group of authors has emerged, with research led predominantly by university education faculties, instances of international cooperation and exchange are observed, and a multidisciplinary intersection is noted; (3) Research hotspots are concentrated in areas such as artificial intelligence, composite brain, education, new liberal arts, and talent cultivation, with research directions exhibiting tendencies towards diversification and refinement. Future research in this field ought to concentrate on deepening the integration of generative AI with educational practice, exploring strategies to address the impact of GAI technology on the field of education, and enhancing the study of technological ethics.
1. 引言
生成式人工智能(Generative Artificial Intelligence，简称GAI)，是指基于算法、模型、规则生成文本、图片、声音、视频、代码等内容的技术[1]。自2022年11月具有里程碑意义的生成式人工智能模型ChatGPT-3.5发布以来，其用户数基础在短短两个月内激增至一亿[2]。ChatGPT等生成式智能技术的问世和持续迭代升级，对社会各行业，尤其是教育领域产生了重大的冲击和影响。目前我国生成式人工智能应用于教育领域尚处于初期发展阶段，相关模型已取得了一定的进展。例如，华东师范大学研发的“EduChat”大模型，以及东南大学牵头的虚拟教研室系统，均为该领域的重要成果。生成式人工智能在教育领域的应用已经显示出其潜在的重要性和价值，对教育的多个方面产生了深远的影响[3]。
然而，由于教育领域的滞后性和延迟性[4]，国内在生成式人工智能应用于教育领域的系统性研究与总结方面相对不足，这可能阻碍了生成式人工智能技术在国内教育领域的进一步发展和应用。鉴于此，对生成式人工智能应用于教育领域的研究现状以及热点趋势进行深入总结和分析，对于其赋能教育的潜力和推动技术应用具有重要的现实意义。CiteSpace是一款主流的文献计量学可视化分析软件，由美国德雷赛尔大学陈超美教授基于Java语言开发。本研究采用文献计量法，利用CiteSpace作为分析工具，对近五年国内生成式人工智能在教育领域的应用研究进行了全面的研究现状和热点趋势分析，旨在为相关的教育工作者和科研人员提供参考，以促进生成式人工智能技术在教育领域的深入研究和有效应用。
2. 数据来源与研究方法
2.1. 数据来源
本研究选取中国知网数据库(CNKI)为数据来源，并进行了高级检索。鉴于当前学术界对生成式人工智能技术的命名尚未形成统一标准，关键词的使用相对分散，本研究采用检索式主题 = “生成式人工智能”OR主题 = “ChatGPT”OR主题 = “Sora”OR主题 = “大模型”OR主题 = “生成式Ai”AND主题 = “教育”进行高级检索。检索的时间范围限定为2019年1月1日至2024年5月6日，覆盖了大约5年4个月的文献，检索结果共获得1107篇相关论文。为确保数据的准确性与科学性，进一步对检索结果进行了筛选，去除重复文献及与研究主题不紧密相关的文献，最终获得968篇文献。
2.2. 研究方法
将收集到的968篇文献以Refworks格式导入CiteSpace软件中，绘制以发文量、发文作者、发文机构和关键词为节点的可视化图谱[5]。通过对文献数据进行深入的可视化分析，揭示生成式人工智能在教育领域应用的研究热度、核心学者、核心机构和研究热点，继而评估分析生成式人工智能在教育领域应用的研究前沿和趋势。
3. 研究现状
3.1. 发文量趋势分析
文章发表数量及其变化趋势是衡量学科发展水平和学术界关注程度的重要指标，也是较直观的可以展现的数据。图1为2019年~2024年我国生成式人工智能应用于教育领域研究的年发文量统计图，数据显示，2019年至2022年间，该领域的年发文量均未超过5篇，分别为4篇、1篇、3篇和2篇，这表明在这一时期，生成式人工智能在教育领域的应用尚未受到广泛关注，研究处于起步阶段。2023年该领域的研究出现了显著的增长拐点，年发文量激增至682篇，这一爆发式的增长反映了学术界对生成式人工
Figure 1. GAI applied to education research annual issuance statistics chart
图1. 生成式人工智能应用于教育领域研究年度发文量统计图
智能在教育领域应用的关注度正在迅速上升。截止2024年5月6日，当年的发文量已达到276篇，通过月平均发文量的对比分析，发现2024年的月平均发文量约为69篇，相较于2023年的月平均57篇，呈现出进一步上升的趋势，说明生成式人工智能应用于教育领域研究的关注度在持续上升，预示着未来将有更多研究人员参与到生成式人工智能在教育领域的应用研究中。
3.2. 作者合作网络分析
分析作者合作网络可以了解该领域内作者之间的合作关系，帮助研究者了解哪些作者在该领域内有紧密的合作，揭示该领域的核心作者群和合作趋势。通过CiteSpace软件的“作者”节点生成的发文作者合作网络图谱(见图2)，应用普赖斯公式
(
为最高产作者发文量)，可识别出该领域的核心发文作者[6]。根据普赖斯公式的计算，只有发文量大于等于3篇的作者才能被认定为核心作者，本研究的文献样本中涉及的118位作者中仅有14位作者达到了这一标准，占总作者数的11.86%。这一比例表明，生成式人工智能在教育领域的应用研究尚未形成明显的集中趋势，研究者群体相对分散。表1展示了生成式人工智能应用于教育领域研究中核心发文作者的发文量统计，其中，发文量最多的作者群体为“本刊编辑部”，共发表了9篇文献，这一现象可能源于相关文献的编写工作是由各刊编辑部人员完成的。在后续的分析中，将使用“各刊编辑部”来指代这一作者群体。紧随其后的是于浩、祝智庭、焦建利、项阳和李艳这五位学者，他们分别发表了8篇、7篇、6篇、6篇和6篇文献，显示出他们在该领域的研究活跃度较高。此外，分析发现研究者之间的相互合作越紧密，合作发文量也越多。
Figure 2. GAI applied to education research publishing author coautorship network map
图2. 生成式人工智能应用于教育领域研究发文作者合作网络图谱
Table 1. GAI applied to education research core publishing author issuance statistics table
表1. 生成式人工智能应用于教育领域研究核心发文作者发文量统计表
| 序号 |
发文作者 |
发文量 |
序号 |
发文作者 |
发文量 |
| 1 |
各刊编辑部 |
9 |
8 |
戴岭 |
5 |
| 2 |
于浩 |
8 |
9 |
饶高琦 |
4 |
| 3 |
祝智庭 |
7 |
10 |
何曼 |
4 |
| 4 |
焦建利 |
6 |
11 |
王佑镁 |
4 |
| 5 |
项阳 |
6 |
12 |
卢宇 |
4 |
| 6 |
李艳 |
6 |
13 |
张文兰 |
4 |
| 7 |
王炜 |
5 |
14 |
李海峰 |
4 |
3.3. 机构地区共现分析
以CiteSpace的“发文机构”节点生成发文机构合作网络图谱可以展现研究机构间的合作趋势与领域内的研究动态。图3展示了2019~2024年生成式人工智能应用于教育领域研究发文机构合作网络图谱，在该图谱中，每个节点代表一个机构，节点之间的连线代表机构之间存在合作关系，连线的粗细可以反映合作的强度和类型。从图3机构合作网络图谱显示，总有121家机构参与发文。其中，慕尼黑工业大学、亚洲理工学院发展与可持续性学院等国外机构的出现，表明生成式人工智能应用于教育领域的研究存在国际合作和交流。由图谱的区域分布上可看出，北京、上海、江苏和广东等地的研究机构在生成式人工智能应用于教育领域的研究上表现出较高的集中度，表明经济发达区域对教育与科技融合的重视程度较高[7]。从图谱中各大机构的密集度来看，目前该领域的研究合作网络尚未形成紧密的群体关系。此外，在进一步审视图谱中的信息后，可以明确地看到教育领域对于生成式人工智能应用的研究展现出了显著的多学科交叉特点。图谱中涵盖了计算机科学学院、信息科学学院、教育技术学院以及马克思主义学院等多个学科方向的研究机构，这些机构的参与不仅体现了生成式人工智能在教育领域应用的广泛性和深度，也揭示了跨学科研究在推动这一领域创新发展中的重要作用。
Figure 3. GAI applied to education research publishing organization co-authorship network map
图3. 生成式人工智能应用于教育领域研究发文机构合作网络图谱
表2提供了机构发文量的统计数据，显示华东师范大学教育学部、陕西师范大学教育学部、北京师范大学教育学部等教育机构在相关领域的研究上表现活跃。发文量较高的机构不仅包括传统的教育学部和教育学院，还包括开放教育学院、智慧教育学院和教育信息技术学系等，显示了不同学科背景的学院都在积极参与生成式人工智能在教育领域的应用研究。
Table 2. GAI applied to education research publishing organization issuance statistics table
表2. 生成式人工智能应用于教育领域研究发文机构发文量统计表
| 序号 |
发文机构 |
发文量 |
序号 |
发文机构 |
发文量 |
| 1 |
华东师范大学教育学部 |
12 |
8 |
西南大学教育学部 |
8 |
| 2 |
陕西师范大学教育学部 |
12 |
9 |
新疆师范大学教育科学学院 |
7 |
| 3 |
北京师范大学教育学部 |
11 |
10 |
曲阜师范大学教育学院 |
7 |
| 4 |
南京师范大学教育科学学院 |
10 |
11 |
华东师范大学教育信息技术学系 |
6 |
| 5 |
江苏师范大学智慧教育学院 |
8 |
12 |
华南师范大学教育信息技术学院 |
6 |
| 6 |
华东师范大学开放教育学院 |
8 |
13 |
东北师范大学教育学部 |
6 |
| 7 |
浙江大学教育学院 |
8 |
14 |
北京大学教育学院 |
5 |
4. 研究热点与趋势
4.1. 研究热点
通过关键词共现分析，能够直观地揭示生成式人工智能应用于教育领域的热点议题和主题，展示不同研究主题之间的关联程度，同时发现潜在的研究空白与未来趋势。在CiteSpace中通过“关键词”节点生成2019~2024年生成式人工智能应用于教育领域研究的关键词共现图谱(见图4)，图谱揭示了不同选题子群之间的联系，其中关键节点作为桥梁，不仅连接各个子群，而且促进了热点选题之间的相互融合与
Figure 4. GAI applied to education research keywords co-occurrence map
图4. 生成式人工智能应用于教育领域研究关键词共现图谱
发展[8]。在图谱中，“人工智能”、“高等教育”、“智慧教育”、“大模型”和“机遇”等关键词节点与多个其他节点相连，说明这些关键词是该领域的研究热点和研究方向。这些节点的延伸，如“教学敏感”、“智慧生成”、“应用场景”、“数字技术”、“复合脑”、“数智化”和“教育”等，进一步细化了研究分支，反映了生成式人工智能技术在教育领域应用的方向多元化和精细化趋势。
关键词聚类分析通过汇聚紧密相关的关键词形成聚类图谱，能够有效揭示研究主题的结构，从而更清晰地展现研究热点与前沿趋势[9]。在本研究中，使用CiteSpace软件进行聚类分析后，得到的模块值Q为0.8388，平均轮廓值S为0.9689。根据聚类分析的方法论标准[10]，这些指标表明社团结构显著，聚类结果具有较高的可信度和说服力。为进一步分析，构建了2019~2024年生成式人工智能应用于教育领域研究的关键词聚类图谱(见图5)，图谱中显示的#0~#10 代表生成式人工智能应用于教育领域中各聚类名称，聚类大小与聚类序号呈负相关。由图可见，研究主题归纳为11个主要研究方向：#0人工智能、#1复合脑、#2教育、#3新文科、#4人才培养、#5应用、#6人机协同、#7潜在风险、#8医学教育、#9技术伦理、#10体育教学。从图谱的聚类规模大小分析，可以明显观察到#0人工智能聚类所涵盖的相关文献关键词数量显著领先于其他聚类，这表明在生成式人工智能应用于教育领域的研究中，技术层面的研究内容占据了相当重要的位置，并受到了极高的关注度。图谱的交叉性分析显示，复合脑(#1)与医学教育(#8)之间的交叉面积最大，这表明研究者们对复合脑技术在医学教育中的应用进行了深入且广泛的探索，体现出生成式人工智能技术与医学教育紧密结合的巨大潜力。教育(#2)与新文科(#3)的交叉性也较为显著，这凸显了学术界正在积极探索如何借助生成式人工智能来革新文科教育的教学方法，并丰富学生的学习体验。此外，技术伦理(#9)、人机协同(#6)和人才培养(#4)之间亦存在一定的交叉性，这表明随着生成式人工智能技术在教育领域应用的快速发展，技术伦理问题日益受到重视，技术伦理成为教育中不可或缺的一部分。相比之下，其他研究方向则显示出较高的集中度，且未表现出交叉现象。综合图谱分析，2019至2024年间，国内生成式人工智能在教育领域的研究热点具有显著的多元化和分散化特征。
Figure 5. GAI applied to education research keywords Cluster
图5. 生成式人工智能应用于教育领域研究关键词聚类图谱
4.2. 研究趋势
利用CiteSpace关键词时区分析，能够直观地追踪生成式人工智能在教育领域应用的研究焦点随时间的发展变化，并系统地梳理该领域发展的整体脉络。通过深入分析生成式人工智能应用于教育领域研究的关键词时间线图谱(见图6)，可以追踪该领域研究焦点的演变轨迹。在2020年之前，关键词主要集中在“智慧生成”和“人工智能”上，这表明早期的研究重点聚焦在人工智能技术的基础研究和理论探讨。2020年，关键词“教学模式”的首次出现，标志着学术界开始关注人工智能技术在教育领域中的应用研究。进入2021年，技术伦理中出现了“未来教育”这一关键词，表明教育领域中生成式人工智能技术伦理问题开始受到学术界的重视，并逐渐进入深入研究阶段。到了2022年，“智慧课堂”关键词的出现，以及对潜在风险研究的关注，表明生成式人工智能技术在教育领域的应用研究开始关注更为具体的教学环境和可能面临的挑战。从2023年开始，论文关键词出现爆发式增长，出现了其余8种研究方向，这表明生成式人工智能在教育领域的研究在迅速扩展，研究内容的呈现多样化和深入化的趋势。
Figure 6. GAI applied to education research keywords Timeline
图6. 生成式人工智能应用于教育领域研究关键词时间线图谱
5. 结语与展望
通过对相关文献的综合分析，发现我国在生成式人工智能应用于教育领域的研究近年来呈现出显著的增长态势。尤其在2023年之后，随着ChatGPT等先进模型的推出，该领域的关注度急剧上升。从发文量的视角来看，国内对生成式人工智能在教育领域应用的研究在2019年至2022年间并未受到广泛关注，而到了2023年，研究呈现出爆发式增长，2024年则继续保持着稳步上升的势头。在发文作者和发文机构的分布上，核心作者和研究机构呈现出一定的分散性，研究者间和团队间的合作有待加强。通过关键词聚类和关键词共现分析，发现生成式人工智能在教育领域的研究主要集中在教育本身以及新文科、医学教育、体育教学等具体教育领域，当前的研究热点集中在人工智能、复合脑、教育、新文科、人才培养等方面，显示出研究方向的多元化和分散性。
综合分析，笔者认为，生成式人工智能应用于教育领域的未来研究应关注以下三个重点方向：
(1) 深化生成式人工智能技术与教育实践的整合。目前国内生成式人工智能与教育领域整合的研究仍处于起步阶段，深度与广度仍较为欠缺，理论研究与实践应用的融合成果相对较少，不同研究领域之间也呈现出较为独立的状态。相关技术领域的研究者应当积极与一线教育工作者进行合作，深入了解实际教学中的需求与痛点，贴合教学实际的智能产品。
(2) 探索生成式人工智能对传统教育行业冲击的应对策略。生成式人工智能对新文科、医学教育、体育教学等专业领域的影响，并非简单的技术替代，而是对教育领域的深度重塑。对教育工作者而言，这既是前所未有的挑战，也蕴含着转型的机遇。因此，正视冲击并主动适应，对于教育行业的持续发展至关重要。
(3) 加快生成式人工智能应用于教育领域技术伦理的研究步伐。鉴于生成式人工智能的多样性和复杂性，以及教育领域的科学性和人文性，其应用应受到技术伦理的规范。随着生成式人工智能的快速发展，迫切需要更新技术伦理规范，以确保其在教育实践中的应用不偏离伦理轨道。
基金项目
广东技术师范大学2022年校级教学改革研究项目(93)；2023年广东省高职教育教学改革研究与实践项目–工程教育认证背景下高职本科协同育人模式研究与实践；广东省高等职业教育教学改革研究与实践项目(GDJG2021091)；广东技术师范大学–广东省城市技师学院教师教育实践教学基地；广东技术师范大学研究生教育创新计划项目(2023YJSY04002)。
NOTES
*通讯作者。