国内微学习研究视域.docVIP

国内“微学习”研究视域 　　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。 　　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