The Research Hotspots and Future Trends of Adaptive Learning in the Age of Artificial Intelligence: A Bibliometric Analysis From 2014 to 2024
Notice bibliographique
Résumé
Aims: To examine the research status and developmental trend within the adaptive learning. Background: Adaptive learning provides personalized learning paths based on the unique needs of each learner. However, a comprehensive bibliometric analysis of this field remains limited. Methods: A bibliometric analysis was conducted. Our search within the Web of Science database targeted articles on adaptive learning published from January 1, 2014, to November 16, 2024. The dataset encompassed publication counts, participating countries, institutions, authors, cited journals, references, and keywords, with CiteSpace facilitating the bibliometric analysis. Results: The review encompassed 561 articles by 288 authors across 240 institutions in 68 countries. These publications showed an upward trend over the decade, with the United States of America leading with 214 articles (38.15%). The University of Toronto topped institutional contributions with 16 articles (2.85%). Computers and Education emerged as the most cited journal in adaptive learning, with 244 articles. Timeline analysis and burst detection identified key research hotspots, including the theoretical and technological underpinnings of adaptive learning, its educational applications, and its efficacy. Emerging trends suggest a shift toward intelligent optimization and outcome‐focused adaptive learning, as well as its integration with higher education. Conclusions: The study provides a comprehensive view of adaptive learning research from the past decade, offering insights and indicating future research directions within the field. Implications for Nursing Management: Nursing administrators leverage adaptive learning mechanisms to intelligently identify knowledge gaps in nursing practice, develop personalized training programs and simulation exercises, and optimize nursing management models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,108 | 0,143 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».