人工智能背景下我国人才培养研究综述——基于CiteSpace软件的可视化分析

曹俊峰

(湖南师范大学，湖南长沙 410081)

近年来，人工智能(ArtificialIntelligence)迎来了第三次发展浪潮，并成为新一轮产业变革的核心驱动力[1]。2017年，国务院印发《新一代人工智能发展规划》，要求到2030 年中国人工智能产业竞争力达到国际领先水平。由于我国人工智能起步较晚，高校、企业等各界的人才培养速度无法与产业需求相匹配，存在人才严重短缺的现象。工业和信息化部人才交流中心发布的《人工智能产业人才发展报告(2019-2020 版)》的数据显示，我国当前人工智能产业有效人才缺口高达30 万。在人工智能背景下，如何加强人才队伍建设，保持在新一轮产业变革中的竞争优势，是近年来国内学者关注的热门话题。

在此背景下，本文以CNKI 数据库中相关文献作为参考样本，利用CiteSpace 软件进行计量可视化分析，以客观揭示该领域的时空分布、研究热点和发展趋势，以期为深化人工智能背景下我国人才培养模式的研究提供参考。

1.1 数据来源

本文以中国知网(CNKI)数据库作为检索平台，以“人工智能”和“人才培养”为主题词进行检索，时间跨度设置为不限至2019年12月31日。为保障文献质量，将文献来源设定为“核心期刊”与“CSSCI”，检索得到335 篇文献。在剔除学术新闻报道、摘编及与主题无关的无效文献后，最终得到258 篇有效文献。

1.2 研究方法

本文运用CiteSpace5.7.R1 进行数据处理与知识图谱的绘制，将数据导入CNKI 分析模块，以1 年作为一个时间切片，选择出现频次最高的前50 个数据，进行关键词演化分析、聚类分析。

2.1 文献时间分布特征

如图1 所示，2013 年之前相关发文数量较少。2015 年起，人工智能背景下人才培养研究的年度发文量呈现快速增长趋势，以人工智能为背景的人才培养研究热度不断上升，甚至发文数量呈现爆发性增长趋势。

图1 人工智能背景下我国人才培养研究领域年度发文数量趋势

2.2 文献空间分布

(1)文献期刊分布

相关期刊共112种，本文统计了发文量在5篇以上的期刊，如表1所示。发文量在前14名的期刊共刊载文献147篇，占比达到44%，文献期刊分布较为集中。研究成果多集中在高等教育与职业教育领域，发文量最多的期刊是《高等工程教育研究》与《中国大学教学》。

表1 文献期刊来源分布(前十四)

(2)文献机构分布

对所选文献的发文机构进行统计，得到发文数量在3篇以上的机构情况，如表2 所示。可以得出，人工智能背景下人才培养研究主要在师范类院校和职业院校中开展，其中发文数量前三的机构分别为北京师范大学、华东师范大学与浙江大学。研究机构主要集中于北京、上海等经济较发达地区，重庆、湖北、湖南等中西部省市也有分布，体现了我国人工智能战略的国家性。

表2 文献机构分布(前二十四)

关键词是文献核心内容的体现，可通过对文献关键词的分析，梳理某一学科领域的研究热点[2]。

3.1 关键词共现分析

在CiteSpace5.7.R1软件中，将节点类型设置为Keyword，时间切片设置为1 年，采用寻径(Pathfinder)算法进行数据修剪(Pruning)，以简化关键词网络并突出其结构特征，得到如图2所示的具有208 个节点，336 条连线的关键词共现知识图谱。图谱中节点越大表示节点关键词出现的频率越高，节点之间的线越粗，表示它们的共现强度越大[3]。

由图2 可知，最大的关键词节点是人工智能与人才培养，这是样本文献的主题词，因此在图谱中最为突出。高等教育、职业院校、大数据、智慧教育、创新人才培养、新工科等关键词节点较大，处于图谱中心位置。

图2 人工智能背景下我国人才培养研究关键词共现知识图谱

样本文献的关键词出现的频次体现了学者对此知识节点的关注度，关键词度中心性反映了此知识节点在网络中的影响程度[4]。本文在关键词共现知识图谱的基础上，以关键词词频大于4 作为筛选条件，对关键词出现频次、度中心性及首次出现年份进行统计，得出频次较高的关键词，频次排序前七的关键词分别是人工智能、人才培养、大数据、高等教育、智慧教育、创新人才培养与职业院校。

3.2 关键词聚类分析

本文在关键词共现分析的基础上，对样本文献进行聚类分析。在参数设置上，最大聚类个数设为10，算法设置为LLR，得到聚类结果如图3所示。模块值Q(ModularityQ)为0.8392，平均轮廓值S(MeanSilhouette)为0.5008。一般认为，Q 大于0.7 时聚类得到的聚类网络社团界限清晰，S大于0.5时得到的聚类网络社团的同质性较高，聚类结果是显著、合理的。本文聚类结果的Q与S值表明聚类结果是具有高信度的，有一定的研究价值。可以看到，在生成的10 个聚类标签中大数据、区块链、个性化学习这3个标签在研究热点中已经出现，新出现的标签有工程教育改革、在线学习、挑战、技能提升等。将各聚类的规模、轮廓值、平均年份及代表性的LLR标签词制作成表4，从表3可以看出，各聚类的轮廓值均大于0.8，且接近1，说明各聚类之间界限清晰，领域分化较为显著。

表3 人工智能背景下我国人才培养研究关键词聚类表

图3 人工智能背景下我国人才培养研究关键词聚类图谱

结合关键词共现分析与聚类分析，可以归纳出人工智能背景下我国人才培养研究的热点可分为技术支撑和教育变革这两类。

4.1 技术支撑

关键词共现分析中(图2和表3)数字化、机器人工程等关键词及大数据、大数据智能等聚类标签概括了人才培养发展所需的人工智能技术手段。其中，大数据、数字化、大数据智能等词反映了学者对技术支撑的关注主要在数据分析层面，深度学习、机器人工程等词反映了学者也关注技术支撑的发展瓶颈。吴永和等[5]构建了“人工智能+教育”的人才培养技术架构，分为数据层、算法层与服务层。

现阶段的自适应和智适应应用大都采用机器算法、深度学习等复杂算法。其中，机器学习是一类算法的总称，基于大量历史数据进行统计分析，从中挖掘出其中隐含的规律，并用于预测或者分类[6]。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，从而建立模拟人脑进行分析学习的神经网络[7]。Esteva等[8]指出，基于卷积神经网络模型的深度学习可在皮肤癌图像识别方面超过皮肤科医师水平。

4.2 教育变革

关键词共现中的新工科、智慧教育、教育变革、产教融合、教学改革、个性化学习等关键词与在线学习、挑战、个性化学习、工程教育改革等聚类标签反映了人才培养的创新发展模式。人工智能视域下，传统的人才培养模式无法适配智能化生产系统，因此在应对人工智能的机遇与挑战过程中的教育变革正在成为重要的研究方向。在教育理念方面，以新科技、新产业为背景的新工科理念对高等教育提出了新的要求，要求重视教育教学各要素的重构与多元化革新[9]。在培养架构方面，人工智能时代的人才培养正在从标准式批量化的培养模式向个性化培养相融合；
通过产教融合可促进教育链、人才链与产业链的有机衔接。

时区演化图谱可直观清晰地展现各研究主题在不同时间段内的侧重点和关联程度，因此可用于分析研究领域的发展演进，并预测未来的发展方向。本文在上节参数设置的基础上，利用Time-Zone命令得到人工智能背景下我国人才培养研究的关键词共现时区图，将相同时间段内的节点集合于同一时区中，如图4所示。结合图4与图1(年度发文数量)可知，近年来人工智能背景下我国人才培养研究可分为3个演化阶段。

图4 人工智能背景下我国人才培养研究时区图谱

第一阶段：2013～2014为萌芽期。这一时期年度发文量较少，且以人工智能为主题的研究很少，人工智能在文献中以信息技术的一种出现，研究多聚焦于信息技术对人才培养的变革与影响。

第二阶段：2015～2017为成长期。这一时期的发文数量增长主要是因为国家系列政策的推动作用，如《促进大数据发展行动纲要》(2015年)、《“互联网+”人工智能三年行动实施方案》(2016年)、《新一代人工智能发展规划》(2017年)等。这一时期，人工智能以研究主题的形式出现，国内学者聚焦学科建设角度，从我国人才培养模式的模式与内容等方面进行了研究。此时期的文献涉及包括机械、医学、经济学等的多个学科领域，如吴晓蓓等基于智能制造对人才的需求，提出了形成改革共识、改革教学内容、创新教学方法的自动化专业人才培养模式改革方法。

第三阶段：2018至今为全面发展期。这一时期的研究已由学科建设视角转向对构建智能时代复合型人才培养体系的关注。这一时期的部分研究还融入了新兴的发展理念。嵩天[10]在分析了企业与高校对人才培养认识的区别基础上，将人工智能领域的产教融合分为以高校为绝对主体的象牙塔模式与以企业为绝对主体的培训班模式。祝智庭等[11]认为人工智能技术为创客教育提供了必要的技术土壤和学习支撑。

当前我国产教融合仍处于起步阶段，在教学体系、课程设置、实训体系等方面仍需要进一步加强研究，推动产教融合人才培养模式的进一步完善。社会对应用型、创新型、复合型人才的需求越来越迫切，高校需要根据自身学科优势，构建人工智能背景下的人才培养模式相适配的课程体系，加强课程建设中的差异化研究。同时，我国人工智能背景下人才培养研究有比较强的时代性，与政府政策和时代发展密切联系。目前，我国人工智能人才存在供需不平衡、结构不均衡、质量不匹配等问题，未来研究应进一步加强对政府的实时政策创新的关注，为完善人工智能背景下人才培养的政策体系提供参考。