The field grew, the programme did not: differential growth and substrate portability in artificial intelligence and education research, 2016–2026
本研究通过证明，尽管人工智能在教育领域的文献总量从2016年到2026年增长了五倍，但特定子领域经历了由“基质可移植性”（即研究构念对新数据环境的适应能力）而非功能性过时所驱动的差异化增长，从而挑战了“出版份额下降意味着领域衰退”这一误区。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几十年来，研究人员一直试图利用计算机来理解人类是如何学习的。他们构建了系统来追踪学生的行为、预测谁可能会遇到困难，并实时调整课程。这项工作在很大程度上依赖于能够记录每一次点击和按键的数字化平台，从而创造出海量的可供分析的数据轨迹。大约在 2022 年，一种新型技术问世：能够生成文本、回答问题并即时创建内容的语言大模型。这一转变激发了教育工作者和研究人员的想象力，引发了新研究的激增。但随着研究数量的爆炸式增长，一个令人困惑的模式出现了。致力于旧有的、以数据为重的方法的研究论文占比似乎消失了，导致许多人认为这些领域已经消亡。问题在于：研究学习的旧方法是被抛弃了，还是仅仅被新浪潮的规模所淹没了？
一个研究小组着手通过观察实际发表的研究数量，而非仅仅看它们的比例，来回答这个问题。他们收集了从 2016 年到 2026 年中期的近 1,200 篇学术论文，并将时间线分为两个时代：生成式人工智能兴起之前和之后。他们的目标是将文献的构成与其中的实际活动区分开来。想象一座城市从 100 人增长到 1,000 人。如果某个社区原本居住着 30 人，而现在依然是 30 人，那么它在城市中的占比就会从 30% 下降到仅 3%。对于只观察百分比的观察者来说，那个社区似乎萎缩或消失了。但实际上，住在那里的人数并没有改变；城市只是变得更大了。研究人员将同样的逻辑应用于教育人工智能领域。他们发现，虽然关于教育数据挖掘和学习分析等旧主题的论文占比确实大幅下降，但这些主题的论文实际数量并未完全消失。事实上，对于某些主题，研究的数量保持稳定甚至有所增长，只是没有新生成的专题增长得那么快。
这项研究揭示了一个差异化增长而非完全更替的故事。整个领域在十年间扩张了五倍以上。那些依赖于收集学生长期行为数据的旧研究项目，并没有以同样疯狂的速度增长。两个特定领域——教育数据挖掘和学习分析——每年的新论文发表数量确实出现了下降。而另一个领域——智能辅导系统——则守住了阵地，发表的研究数量与以前大致持平，尽管它在总领域中的占比显著缩小。与此同时，诸如学术诚信、伦止以及使用生成式工具创建课程材料等新话题的受欢迎程度呈爆炸式增长，其增速远快于该领域的平均水平。研究人员发现，一个研究课题能否生存，与其名称关系不大，而更多取决于其存在所需的条件。那些需要复杂的、具备监测功能的平台来收集多年学生数据的课题举步维艰。而那些可以通过简单的文本或即时交互进行探索的主题，例如讨论伦理或生成教案，则蓬勃发展。
这种区别对于任何试图了解该领域现状的人来说都至关重要。今天进入该领域的新研究人员可能会观察热门话题列表，并得出结论认为分析学生数据的能力已被放弃。然而，数据表明，这种能力仍在被开发，只是其速度比围绕新工具的炒作要慢得多、稳得多。旧的工作并未被抹去，而是被超越了。研究表明，这种转变并非旧方法的失败，而是一种新技术的自然结果，因为这种技术对每个人都是即时可用的，它创造了大量不需要沉重基础设施即可回答的新问题。对于希望采用这些技术的机构或教育工作者来说，教训是明确的：最显眼的话题并不代表唯一的存在。通过数据理解学习的基础性工作仍在继续，即使它不再占据头条新闻。该领域并未失去它的过去；它只是在围绕着过去进行扩张，将旧的与新的共同向前推进，只是速度截然不同。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。