下载文档原格式
国内智库研究的知识图谱现状、热点及趋势基于CSSCI期刊的文献计量分析一、本文概述随着信息技术的飞速发展，知识图谱作为一种重要的知识表示与发现工具，在多个领域中都展现出了巨大的潜力和应用价值。
近年来，国内智库研究逐渐兴起，成为政策制定、学术研究和公众关注的热点。
智库研究不仅关注国内外政治、经济、社会等重大问题，还致力于提供科学的决策支持和政策建议。
在这样的背景下，了解国内智库研究的知识图谱现状、热点及趋势显得尤为重要。
本文旨在通过文献计量分析的方法，基于CSSCI期刊的智库研究相关文献，深入剖析国内智库研究的知识图谱现状、热点及趋势。
本文将对CSSCI期刊中智库研究领域的文献进行系统的收集与整理，构建智库研究的知识图谱。
通过文献计量分析，揭示智库研究的热点领域、研究前沿和学术影响力。
结合当前国内外形势和政策需求，探讨智库研究的发展趋势和未来展望。
本文的研究不仅有助于深化对国内智库研究领域的认识，还能为政策制定者、学者和公众提供有价值的参考信息。
本文的研究方法和结果也可为其他领域的知识图谱构建和文献计量分析提供借鉴和启示。
二、文献综述近年来，随着大数据和知识图谱技术的快速发展，越来越多的学者和研究机构开始运用这些方法对国内智库研究进行深入探索。
知识图谱作为一种可视化的知识表达工具，能够有效地揭示知识领域的内在结构和关联。
通过对CSSCI期刊中的智库研究文献进行计量分析，可以系统地了解国内智库研究的知识图谱现状、热点及趋势。
在知识图谱构建方面，国内学者已经取得了一系列的研究成果。
他们运用不同的方法和技术，如文本挖掘、共词分析、社会网络分析等，构建了涵盖不同主题和领域的知识图谱。
这些图谱不仅揭示了智库研究的学科分布、研究热点和发展趋势，还为后续的智库研究提供了有力的理论支撑和实践指导。
在智库研究的热点方面，通过对CSSCI期刊文献的计量分析，可以发现一些显著的研究主题和关键词。
例如，政策研究、决策咨询、国际关系等主题一直是智库研究的重点。
基于知识图谱的大学课程研究动态分析随着大数据和人工智能技术的发展，知识图谱技术在教育领域得到了广泛应用。
大学课程作为教育的核心内容，其研究与改革一直是教育界的热点问题之一。
本文探讨了如何基于知识图谱技术来分析大学课程研究动态。
一、知识图谱技术的应用知识图谱是一种新兴的语义表示技术，用于描述实体之间的关系和属性，建立实体之间的联系，形成一个复杂的知识网络。
在教育领域，知识图谱可以将不同学科领域的知识结构整合，形成一张多维度的知识图谱。
基于知识图谱，可以进行课程内容和学科知识的智能推荐，帮助学生更好地学习和掌握知识。
1、构建大学课程知识图谱为了实现大学课程研究动态的分析，首先需要搭建大学课程的知识图谱。
这需要将大学课程中的知识点和概念进行分类整理，形成一个大学课程的知识图谱。
其中，不同课程之间需要进行知识点的对应和匹配，使得知识图谱能够跨学科进行交叉分析。
2、挖掘大学课程研究动态基于构建的大学课程知识图谱，可以分析和挖掘大学课程研究的动态。
比如，可以对大学课程研究的趋势进行分析，了解当前大学课程研究的热点和前沿。
同样地，也可以分析大学课程研究的历史变迁，了解大学课程研究的发展脉络和变化趋势。
3、分析大学课程改革的路径和方向基于大学课程研究的动态分析，可以借鉴已有的研究成果，探索大学课程改革的路径和方向。
比如，对于当前大学课程研究中的热点问题，可以制定相关的改革措施和方案，促进大学课程的创新和改革。
三、总结基于知识图谱技术的大学课程研究动态分析，可以帮助我们深入了解大学课程的现状和发展趋势，为大学课程改革提供科学的参考。
此外，知识图谱技术还可以应用于大学教学和学生学习的智能化服务，实现个性化、精准化的教育目标。
未来，随着技术的不断发展和完善，知识图谱技术必将在教育领域发挥更加重要的作用。
1概述科学数据是指通过收集、观察、分析和创造各类实验数据、个人观测数据、互联网数据、统计数据、仿真数据,并以表格、数字、图像、新媒体等方式呈现出来的数据。
科学数据是科研创新、技术预见的数据来源和工具,也是国家制定各项决策的重要依据。
近年来随着科学研究进入数据驱动科学的数据密集型研究范式时代,国际组织、政府部门和研究机构等都提高了对科学数据领域研究的关注度和经济资助。
例如联合国教科文组织(UNESCO)推出“促进发展中国家科学数据共享与应用全球联盟计划”国际科学理事会(ICSU)建立了促进全球科学数据共享的国际组织:国际科技数据委员会和世界数据系统等[1]。
图书馆是科学数据的过程监护机构、嵌入式管理机构以及科学数据存档与教育机构[2],对科学数据的管理、共享和服务具有不可替代的地位和作用。
科学数据研究领域在我国虽起步较晚,但在近年来也成为图书情报界的研究热点之一。
从图书馆视角出发,对图书情报界科学数据领域研究热点和趋势进行可视化分析,旨在为图书馆员对科学数据领域进行深入研究提供参考。
2数据来源与研究方法2.1数据来源以中国知网(CNKI)为数据来源,采用高级专业检索,检索式为SU='数据共享'+'数据管理'+'数据监管'+'数据监护'+'科研数据'+'研究数据'+'科学数据'AND SU='图书馆',初次检索得到文献记录1260条,通过手动筛选,去除重复和杂质文献,确定1238条有效文献(检索时间为2018年12月13日)。
2.2研究方法Citespace V 知识可视化软件是由美国德雷赛尔大学陈超美[3]教授开发的一种多元、分时、动态的知识图谱绘制工具。
该软件能将抽象的数据转向图形表达[4],让用户直观地看出对应研究领域的相关信息,通过对图谱的分析与理解可掌握该研究领域的知识结构关系与演进规律等特征。
我国智慧课堂研究现状及发展趋势基于CiteSpace的知识图谱与量化分析一、引言随着信息技术的不断发展和普及，智慧课堂作为新型教学模式在我国得到了快速普及和发展。
智慧课堂以现代化的技术手段为支撑，为教师和学生提供了更加丰富多彩的教学方式和学习资源，极大地促进了教学过程的互动和高效性。
智慧课堂也在一定程度上改变了传统教学的模式和理念，为学生提供了更加开放、自主、探究的学习环境。
本文旨在通过利用CiteSpace等工具，对我国智慧课堂研究的现状和发展趋势进行量化分析和知识图谱构建，以期探寻我国智慧课堂的研究热点和前沿，进一步推动智慧课堂研究的深入发展。
二、智慧课堂研究现状1.研究热点分析通过对CiteSpace进行数据分析，我们可以看到我国智慧课堂研究的热点主要集中在以下几个方面：教学模式、教学管理、教学资源和学习方式。
对智慧课堂教学模式的探讨尤为热门，包括智慧课堂教学模式的设计、实施和评价等方面。
教学管理、教学资源和学习方式也成为研究的热点，学者们对如何更好地利用智慧课堂技术改善教学管理、拓展教学资源以及促进学生不同学习方式的探索和创新进行了大量研究。
2.知识图谱展现基于CiteSpace构建的知识图谱显示了我国智慧课堂研究的主要研究领域和学术关系。
研究领域主要包括教学模式、教学资源、学习方式、教学管理等，学术关系主要表现为各个研究领域之间的联系和影响。
通过知识图谱的展现，我们可以清晰地看到各个研究领域的关联程度，为我们理解智慧课堂研究的整体格局提供了重要参考。
三、智慧课堂研究发展趋势1.跨学科研究随着智慧课堂的发展，研究者们逐渐意识到智慧课堂不仅仅是教育技术领域的问题，而是一个融合了教育学、信息技术、心理学等多个学科知识的复合性问题。
未来，智慧课堂的研究将更加偏向于跨学科研究，吸纳更多学科的知识和方法，为智慧课堂的发展提供更加全面和深入的支持。
2.技术创新与教学应用未来智慧课堂的研究将更加注重技术创新与教学应用的结合。
知识图谱的进展、关键技术和挑战一、本文概述随着信息技术的快速发展和大数据时代的到来，知识图谱作为一种重要的知识表示和推理工具，已经成为领域的研究热点。
知识图谱是一种由节点（实体）和边（关系）组成的大规模语义网络，旨在表示现实世界中存在的各种实体及其之间的复杂关系。
近年来，知识图谱在诸多领域如自然语言处理、智能问答、推荐系统、语义搜索等中发挥了重要作用，并展现出巨大的应用潜力。
本文旨在全面综述知识图谱的进展、关键技术和挑战。
我们将回顾知识图谱的发展历程，从早期的概念提出到现如今的广泛应用；我们将详细介绍知识图谱构建的关键技术，包括实体识别、关系抽取、知识融合等；再次，我们将分析当前知识图谱面临的主要挑战，如数据稀疏性、语义歧义性、动态更新等；我们将展望知识图谱未来的发展趋势和研究方向。
通过本文的阐述，我们希望能够为读者提供一个全面、深入的知识图谱知识体系，并激发更多研究者投身于知识图谱的研究与应用中，共同推动知识图谱技术的发展和进步。
二、知识图谱的进展近年来，知识图谱的构建和应用在全球范围内取得了显著的进展。
随着大数据和技术的飞速发展，知识图谱的构建已经从最初的基于手工构建，逐步演变为自动化或半自动化的构建方法。
知识图谱的规模也从最初的小型知识库逐渐扩展为包含数十亿甚至更多实体的超大规模知识图谱。
在知识图谱的构建技术方面，实体识别、关系抽取、实体链接等关键技术得到了显著的改进。
基于深度学习的自然语言处理技术为这些关键技术的提升提供了强大的支持，使得知识图谱的构建更加准确和高效。
在应用方面，知识图谱已经被广泛应用于智能问答、语义搜索、推荐系统、自然语言理解等多个领域。
知识图谱的引入极大地提升了这些应用的智能化程度，使得机器能够更好地理解和处理人类语言，为用户提供更加精准和个性化的服务。
随着知识图谱技术的不断发展，越来越多的领域开始探索将知识图谱应用于自身的业务场景中。
例如，金融领域利用知识图谱进行风险评估和信用评分，医疗领域利用知识图谱进行疾病诊断和治疗方案推荐等。
创新论坛现阶段，在技术快速发展下，对于国际技术创新研究也随之不断增加，而为了对技术创新进行全面研究，将知识图谱合理应用于研究过程中，可以在提升研究效果中起到一定的促进作用。
近几年，伴随知识图谱的迅速发展，我国相关研究更是呈现出逐年增加的趋势。
而本文通过不同角度和层面的分析，旨在掌握国际技术创新研究的相关研究，为相关课题、研究的开展，提供有利参考，促进知识图谱的研究得到长远发展。
1 对知识图谱的分析知识图谱主要是根据期刊知识的发展进程和结构关系，对其以图形的形式进行呈现，通过可视化的技术详细描述信息内容的资源和载体，分析与挖掘等，并对其相互关系进行全面呈现。
知识图谱的特点主要表现为：形象化与数字化，时代化以及结构化，同时还具有简易化等特征，当用户进行搜索的次数逐渐增加后，其范围会越广，信息与内容也随之增加。
而在对知识图谱进行分类时，如果依据学术期刊的形式，可将其分为国家级与省级等；依据科目对其进行分类可将其分为社会科学与哲学，法学与经济学，历史学或者医学等。
在对知识图谱进行构建时，据不完全统计，知识图谱规模已经包含五亿左右的实体，三十五亿条事实，由于知识图谱面向全球，其内容不仅包含中文，而且还包括英语等其他语言。
而知识图谱的应用流程为：在网页将关键词输入搜索栏，页面会呈现出相关信息内容，关键词排名可通过竞争的方式获取，然后通过信息查询对关键词进行优化分析，在完成关键词的优化后，查询首页的竞争度、权重等，在查看竞争度后，在网页搜索处将关键词输入，查看搜索量为多少等信息，在完成相关操作后，对关键词最近一年的情况进行评估。
2 基于知识图谱的国际技术创新研究现状、热点和趋势2.1 现状在技术活动、管理实践等领域快速发展下，技术创新已经成为我国目前较为完善的一个知识体系，对该邻域内容进行相关研究，已经成为当前热点以及前沿问题，同时在技术创新与实践中起到一定的现实作用。
技术创新的提出，在生产实践中具有有效的促进作用。
我国智慧课堂研究现状及发展趋势基于CiteSpace的知识图谱与量化分析引言随着信息技术的发展和普及，智慧教育逐渐成为教育领域的热点话题。
智慧课堂作为智慧教育的重要组成部分，已经引起了国内外研究者的广泛关注。
本文将基于CiteSpace 的知识图谱与量化分析，对我国智慧课堂研究的现状及发展趋势进行探讨，以期为相关研究人员提供参考和借鉴。
一、我国智慧课堂研究现状1.1 研究热点及主要研究领域国内研究者对智慧课堂的关注主要集中在技术、教学模式和教学效果等方面。
在技术方面，研究者关注智慧课堂的建设和应用，探讨如何利用现有的信息技术手段来支持教学活动；在教学模式方面，研究者关注智慧课堂对教学模式的影响，探讨适合智慧课堂的教学模式和方法；在教学效果方面，研究者关注智慧课堂对学习成绩、学生学习行为和教学质量等的影响，探讨智慧课堂在教学中的作用和效果。
1.2 研究方法和数据来源在研究方法方面，国内研究者主要采用问卷调查、实地观察和实验研究等方法，以获取智慧课堂的相关数据和信息。
通过收集和分析学生的学习情况、教师的教学行为和课堂的互动情况等数据，来评估智慧课堂的效果和影响。
1.3 研究成果和应用情况国内研究者在智慧课堂领域取得了一些成果，比如开发了一些智慧课堂的教学平台和工具，设计了一些新的教学模式和方法，探索了一些适合智慧课堂的教学策略和策略。
这些研究成果也得到了一些学校和教育机构的应用和推广，为实践教育提供了一定的支持和帮助。
二、我国智慧课堂研究发展趋势2.1 融合创新技术未来，智慧课堂的发展将主要围绕融合创新技术展开。
随着人工智能、大数据、物联网等技术的发展和进步，智慧课堂将更加注重应用这些新技术，以提高教学效果和教学管理。
利用大数据分析学生的学习行为和学习习惯，以及利用人工智能辅助教师进行教学设计和评价。
2.2 探索新的教学模式未来，智慧课堂还将探索和发展新的教学模式。
通过引入协作学习、个性化学习等教学方法，来更好地满足学生的学习需求和提高学习效果。
基于知识图谱的国内学习分析研究热点及趋势分析作者：马卉王晓春张功云来源：《中国教育技术装备》2016年第18期摘要学习分析，作为一个新兴的交叉研究领域，受到国内外教育研究者的广泛关注，成为当前教育技术领域的研究热点。
为探究国内学习分析技术的研究热点和发展趋势，基于科学知识图谱的基本理论与方法，利用可视化网络分析软件CiteSpace对中国期刊全文数据库中收录的144篇国内学习分析文献样本的关键词进行分析。
关键词学习分析；知识图谱；可视化分析；CiteSpace；关键词分析中图分类号：G652 文献标识码：B文章编号：1671-489X（2016）18-0001-04Abstract Learning analytics， as a new intersectant research field， has attracted wide attention among educational researchers and is becoming a current research focus in educational technology field. To explore the research hotspots and the development trend on Lear-ning Analytics in China， based on the basic theory and method of mapping knowledge domain， analyze keywords from 144 pieces sample literatures within Chinese Journal Full-Text Database（CJFD） with a visibility network analysis software， CiteSpace.Key words learning analytics； mapping knowledge domain； visual analysis； CiteSpace；keywords analysis1 引言随着教育大数据的迅猛增长，学习分析（Learning Analytics）[1]作为一种新兴的交叉技术，通过深度挖掘、分析学习者学习行为和学习过程数据背后所隐藏的含义，得出有效的结论来指导和干预教学、优化学习和学习环境，更好地为教育决策和学生学习提供服务[2]。
由于学习分析技术的这种实际应用价值，使其受到国内外教育研究者的广泛关注，成为教育信息化领域研究的热点问题之一。
2010年，加拿大阿塞巴斯卡大学G.Siemens教授[3]在博客中宣布将于2011年2月举办第一届学习分析国际会议并解释何为学习分析，由此拉开学习分析技术领域形成的序幕。
2011年，美国新媒体联盟公布的地平线报告[4]把学习分析技术列为未来4～5年被广泛应用的技术。
2012年，Educational Technology & Society[5]出版了10篇关于学习与知识分析的系列专题论文。
2013年，由国际知名学者组成的、经过法律批准的学习分析技术研究学会（SOLAR）[6]正式成立，并于同年开始举办学习分析暑期学院。
2014年，《学习分析》杂志[7]正式出版第一卷第一期，学习分析技术在国际上不断壮大与发展。
从2012年开始，国内也掀起了学习分析技术的研究热潮，并出现一些有关学习分析综述的文章：顾小清等[8]分析了学习分析技术的前世今生、关键技术以及应用趋势；李青等[9]总结了学习分析技术的技术来源、方法和工具；吴青等[10]介绍了学习分析的源起、主要研究内容、实现技术与应用等；王良周等[11]从大数据视角分析了学习分析的相关概念，综述了学习分析的框架、技术和应用；等等。
但这些综述多以介绍国外的学习分析技术为主，对国内发展情况的介绍相对较少，而且这些综述以人工梳理为主。
为了更全面、完整地把握国内学习分析技术的研究热点和发展脉络，本文利用科学知识图谱技术，对中国期刊全文数据库（CNKI）中的学习分析相关文献进行可视化分析。
2 数据来源和研究方法数据来源中国知网（China National Knowledge In-frastructure，CNKI）的中国期刊全文数据库是目前世界上最大的连续动态更新的数据库（每日更新），收录的期刊文献全面且质量较高[12]，能够较为全面地反映国内学术研究情况，故本研究选其作为数据来源。
在检索时，以“学习分析技术”“学习分析”或“Learning Analytics”为检索词，在篇名和关键词中进行精确检索（时间跨度为2010—2015年，检索时间为2016年5月20日），共获得191篇文献。
为了保证研究的准确性，在此基础上剔除重复、主题不相关或相关度小的文献，最终选择144篇作为有效文献。
研究方法与工具本文的研究和分析是以科学知识图谱为基础，以采集到的144篇国内学习分析研究文献为对象，通过关键词分析，借助关键词共现图谱和关键词时序图谱来探究该领域的研究热点以及主题演化趋势。
美国费城德雷克赛尔大学陈超美博士开发的信息可视化软件CiteSpace是一种知识图谱可视化工具，包含了关键词共现分析等多种功能[13]，能够满足本文的可视化分析需求，因此被选为本文的研究工具，在本文出现的各种知识图谱都是借助CiteSpace 3.8.R6绘制的。
3 研究结果与分析关键词共现分析虽然关键词在一篇文章中所占的篇幅不大，却是作者对于文章核心的概括和精炼，是一篇文章的精髓，因此，常用高频关键词来探测某领域的研究热点[14]。
本文以关键词（剔除了检索词“学习分析”“学习分析技术”和“Learning Analytics”）为节点，设置Top N per slice为30，Threshold Interpolation为{（2，2，30），（4，3，20），（4，3，20）}，采用最小生成树法（Minimum Spanning Tree），绘制关键词共现网络图谱，共得到98个节点，88条连线，结果如图1所示。
如图1所示，图谱中的节点大小代表关键词频度，节点越大，说明该节点对应关键词出现的频次越高；内部不同年轮的颜色代表出现的相应年份，年轮越多说明研究时间跨度越长，年轮越厚说明该关键词在当年的研究热度越高。
外部年轮为紫色的节点，与其他节点相比，具有高中介中心性。
中介中心性高的节点，对其他节点之间的联系起到控制作用，反映了其在整个网络中的重要地位[14]，说明此节点代表的关键词主题性强。
为了突出重点，图中显示了频次≥3的关键词。
由图1中节点大小可知，关键词大数据出现的频次最高，其次是数据挖掘、个性化学习、教育数据挖掘、在线学习、社会网络分析等，这说明它们具有学习分析领域最高的研究热度。
由图谱还可以发现，数据挖掘、大数据、个性化学习等关键词对应的节点外部年轮为紫色，这表明它们具有高中介中心性，但依据关键词对应的节点在图谱所处的位置不难发现，数据挖掘的中介中心性高于大数据。
这说明与大数据相比，数据挖掘虽然中介中心性高，主题性强，但没有大数据受到的关注度高，这与大数据研究在当前学习分析研究领域中的研究热度有关。
同时，这也说明关键词出现的频次与其中介中心性两者之间并不一定严格呈正相关，关键词的中介中心性并不一定随着其出现频次的增加而增长。
为进一步探究学习分析领域内关键词频次与中介中心性的关系，从而反映出学习分析的当前研究热点和主题性，在对图1知识图谱进行宏观分析的基础上，对关键词的频次和中介中心性进行二次统计，结果如表1所示。
对比表中关键词的频次和其相应的中介中心性发现，关键词数据挖掘出现的频次为20，低于大数据的24，但数据挖掘的中介中心性为0.43，高于大数据的0.36，因此，大数据具有更高的热度，这与从图谱中观察到的结果一致。
同理，通过对比关键词频次排名和其中介中心性排名可知，大数据、教育数据挖掘、在线学习、社会网络分析、智慧教育、教育大数据、MOOCs等关键词相对于主题性而言，都表现出更高的研究热度。
通过对图1和表1中学习分析高频关键词的语义关系做进一步分析发现，教育大数据是大数据的下位词，教育数据挖掘是数据挖掘的下位词。
在学习分析研究中，大数据往往特指教育大数据，数据挖掘也往往特指教育数据挖掘，二者既是独立研究领域，又是学习分析的技术支撑基础，成为除学习分析和学习分析技术之外出现频次最多的关键词，而且具有较高的中介中心性。
个性化学习、智慧教育、智慧学习是学习分析技术的研究目的，个性化学习研究有着悠久的历史，智慧教育、智慧学习是近几年的研究热点，它们与学习分析技术相互促进、相互发展。
学习过程，作为学习分析技术的主要研究对象，在国内学习分析研究中也是备受关注。
MOOCs和MOOC是同义词，二者是在线学习的下位词，在线学习又是在线教育的下位词，从而反映出学习分析的实际应用主要集中在在线教育领域。
特别是MOOC的迅速发展为学习分析提供了大量的真实数据[15]，成为当前学习分析应用的主要实践基地。
社会网络分析[16]作为一种新的分析方法，被应用于学习分析领域，不仅可以将学习者个体作为研究对象，通过社会网络分析算法分析学习者在学习群体中的活跃程度、影响力、与同伴的交互状况等，还可以将学习网络作为研究对象，发现和分析学习社群，关注群体学习过程中的信息产生及流动，成为当前学习分析技术的研究热点。
关键词时序分析为考察国内学习分析研究主题的变化趋势，借助CiteSpace软件绘制国内学习分析研究的高频关键词时序图谱（频次≥3），具体如图2所示。
为便于分析，本文将学习分析技术的研究分为2012年、2013—2014年和2015年三个阶段。
2012年标志着国内学习分析研究的起步，其研究论文的核心关键词为大数据、数据挖掘，它们主题性强，说明二者是国内学习分析技术的研究基础；通过对相关论文的研读分析发现，这一年的研究以理论研究、总结和吸收国外学习分析思想为主。
而另外三个重要关键词为学习行为、学习过程和个性化学习，分别代表学习分析技术的数据来源、分析内容和主要目标，充分体现了学习分析技术研究的内涵。
2013—2014年，学习分析技术开始向细粒度的学习分析主题发展，研究内容由理论研究转向实际应用层面。
在这一阶段，2012年的核心关键词——大数据和数据挖掘演化为教育大数据、教育数据以及教育数据挖掘，充分体现了研究者对学习分析领域的进一步思考和定位。
在此阶段，学习分析逐渐被应用于MOOC、MOOCs、电子书包等实际应用中，由此表明此阶段学习分析的应用与实践主要集中于在线教育领域。
此外，该阶段学习分析技术研究的目的是实现智慧教育，并开始关注学习分析中的关键技术。
