论文题目：A Systematic Review of Educational Recommender Systems:
Techniques, Target Users, and Emerging Trends in Personalized Learning
作者：John Telesphory Mhagama, Kanwal Garg（Kurukshetra University）
发布时间：2025（International Journal of Technology in Education Science,
Vol.2, Issue 1）
关键词：教育推荐系统、机器学习、协同过滤、个性化学习、PRISMA综述、数字素养
这是一篇关于**教育推荐系统（Educational Recommender Systems, ERS）**的系统综述论文，
这篇文章的核心任务，回答了几个核心问题：
- 教育推荐系统主要用了哪些技术？
- 应用在什么场景？
- 目前的研究趋势是什么？
- 未来还能往哪里发展？
全文以 PRISMA 系统综述框架为方法基础，最终纳入了 59 篇研究进行分析。
第一章. 研究背景与问题界定
- 教育推荐系统为什么值得研究
文章一开头就把教育推荐系统放在"数字化转型"的大背景下来看。作者认为，随着教育越来越依赖数字平台、在线资源和智能工具，推荐系统已经不只是电商或娱乐平台里的技术，而是逐渐成为教育领域中支持个性化学习、学习决策和资源匹配的重要工具。它可以帮助学习者找到更适合自己的课程、资源、学习路径，甚至职业方向。
- 当前研究存在什么问题
作者指出，虽然相关研究越来越多，但整体上仍然比较分散，至少有几个明显问题。第一，很多研究都把"学生"当成默认用户，导致教师、管理者、终身学习者等群体关注不足。第二，教育推荐系统采用的技术路线很多，从协同过滤到机器学习，再到本体、知识图谱和深度学习，但这些方法在不同场景中的适应性、可扩展性和有效性差异很大。第三，已有的一些综述要么不够系统，要么只盯着某一个技术方向或某一种用户场景，没有从更完整的角度进行综合。
- 本文想解决什么问题
在这样的背景下，作者提出要对现有教育推荐系统研究做一次较全面的系统梳理。文章特别强调，不只是想知道"常用算法有哪些"，还希望看清楚这些系统到底在为谁服务、被用在什么教育情境中，以及它们未来如何支持更广泛的数字学习和终身学习需求。作者因此提出了四个研究问题，围绕技术、目标用户、应用场景、发展趋势与未来方向展开。
2.研究方法与文献筛选流程
- 综述采用的基本方法
这篇文章采用的是 PRISMA 系统综述框架。作者使用这一框架的目的，是让文献筛选过程尽量透明、规范、可复现。也就是说，文章并不是凭主观印象挑几篇论文来讨论，而是按照明确的步骤去检索、筛选、排除、保留和综合文献。
- 文献从哪里来
作者把检索范围限定在 Dimensions 数据库 中的同行评审期刊论文，时间范围是 2016 到 2025 年。最初共检索到 5632 条记录，之后从中导出了 500 条相对相关的记录，作为进一步筛选的基础。整个检索是在 2025 年 3 月 10 日完成的。
- 文献是怎么一步步筛出来的
作者先把导出的文献导入 Rayyan 工具进行初步处理。系统自动排除了 378 条记录，其中 376 篇是综述或调查性论文，2 篇是非英文论文。之后剩下 121 篇进入人工筛选阶段，由两位研究者独立查看标题和摘要，再排除 26 篇不相关研究。最后，剩余 95 篇被导入 Zotero 做全文审查，其中又因为无法获取全文而排除了 36 篇，最终真正进入分析的是 59 篇文章。这一流程在第 5 页的 PRISMA 流程图中也被直观展示出来。
- 纳入和排除的标准
作者规定，只有那些明确研究教育情境中的推荐系统、能获得全文、并且是英文同行评审期刊文章的研究才被纳入。相反，如果推荐内容与教育无关、不是英文、拿不到全文，或者本身就是综述/调查论文，就会被排除。这样做的目的，是让最终样本尽量聚焦于真正有实证内容的原始研究。
图片插入建议：
这一节结尾插入 Figure 2：PRISMA 流程图（第 5 页） 。
推荐插入位置： 放在"最后保留下来的有效研究一共是 59 篇"这句话后面最合适。
配图说明可写： "论文文献筛选流程图，最终纳入 59 篇研究"。
3. 教育推荐系统的主要技术范式
- 机器学习是最主流的方法
文章最核心的一个发现是：在所有被纳入的研究中，机器学习是使用最多的技术路线。作者统计到，机器学习相关方法在 59 篇研究中出现了 25 次，是明显的第一位。这类方法主要包括分类、聚类以及集成学习等形式，比如 K-means、AdaBoost、XGBoost 等。
- 协同过滤与混合方法仍然非常重要
排在后面的技术是协同过滤和混合方法。协同过滤出现了 12 次，混合方法出现了 10 次。这说明即便教育推荐系统开始大量使用机器学习，传统推荐系统中的经典思路仍然有很强影响力。尤其是混合方法，往往把协同过滤、内容过滤和语义方法结合起来，以弥补单一推荐技术的不足。
- 本体、知识图谱和深度学习体现了技术升级趋势
除了主流方法外，文章还特别注意到一些更偏"语义化"和"智能化"的技术。比如，本体方法出现了 8 次，知识图谱出现了 4 次，深度学习出现了 6 次。这些方法通常更适合处理复杂的学习者画像、课程先修关系、知识结构以及推荐解释问题。作者认为，这说明教育推荐系统正在从相对简单的匹配逻辑，逐渐走向更复杂的知识建模和上下文理解。
- 一些方法有潜力，但当前使用还比较少
文章还列出了遗传算法、模糊逻辑、贝叶斯模型等方法，但这些方法的使用频率明显较低。作者并没有否定这些方法，而是认为它们可能仍有潜力，只是当前尚未得到充分探索。第 10 页的 Figure 3 用柱状图展示了不同技术的频次分布，图中机器学习的柱形最长，后面依次是协同过滤、混合方法和本体方法，整体层次非常清晰。
4. 目标用户群体与应用场景分析
- 学生是绝对核心用户
文章在分析目标用户时发现，教育推荐系统研究目前仍然呈现非常明显的"学生中心"特点。表 3 显示，在 59 篇研究中，面向一般学生群体的研究有 40 篇，远高于其他所有类别。第 11 页的 Figure 4 也用图形形式直观呈现出这一点，学生用户的数量远远高于其他用户。
- 教师、咨询人员、管理者和终身学习者也出现了，但数量偏少
相比之下，面向教师/教育者的研究有 7 篇，面向指导/咨询场景的有 6 篇，面向终身学习者的有 5 篇，面向机构/管理者的只有 4 篇。这个结果说明，当前研究虽然开始意识到推荐系统并不只服务学生，但真正落实到文献数量上时，其他群体依然明显处于边缘位置。
- 常见应用情境有哪些
从具体应用上看，这些推荐系统主要被用在几个典型场景中，包括：
职业指导和专业选择
课程或科目选择
学习内容个性化推荐
学习策略支持
课程体系设计和机构决策支持
这些场景说明，教育推荐系统已经从最初的"资源推荐"逐渐发展为一个更广泛的教育支持工具，既能服务学习过程，也能参与学习前的决策和学习后的发展规划。
- 用户结构反映出的研究偏向
作者通过这一部分实际上揭示了一个非常关键的现象：虽然教育系统中有很多参与者，但当前大部分研究还是默认"学生"是最重要、最典型、最优先的用户。这也为后面讨论研究空白和未来方向埋下了伏笔。
5. 教育推荐系统的演进趋势与研究热点
- 技术上的演变
文章指出，从时间维度来看，教育推荐系统的技术正在持续升级。较早的研究更多采用规则式方法和协同过滤，主要完成比较直接的个性化匹配；而近几年的研究则越来越多地转向机器学习、混合模型、深度学习、本体驱动框架和知识图谱。这种变化说明，研究者越来越希望系统不仅能"推荐"，还要能理解语义关系、适应复杂情境，并具备更强的智能化能力。
- 研究主题上的演变
除了技术变化，研究主题本身也在扩展。早期研究主要集中在简单的个性化任务上，例如学习资源推荐；而较新的研究开始更关注自适应学习环境、职业路径推荐、终身学习支持、可解释推荐和用户信任建立。这意味着教育推荐系统的目标已经不只是提高点击率或资源匹配度，而是逐步参与到更复杂的学习过程设计中。
- 发表趋势显示领域在快速升温
作者还统计了 2016 到 2025 年教育推荐系统相关论文的年度增长情况。第 12 页的 Figure 5 展示出一个明显的上升趋势：从 2016 年开始，相关发表数量逐年增加，到 2024 年出现显著高峰。文中解释说，2025 年数据下降并不代表研究退潮，而很可能只是因为当年的数据尚未完全被索引。整体来看，这张图传递出的信息是：教育推荐系统已经成为一个持续升温的研究方向。
- 新热点背后的方向感
作者特别提到，深度学习、知识图谱和可解释 AI 的出现，反映出当前研究越来越重视三个问题：个性化的深度、系统的透明度、以及用户对推荐结果的信任。这和教育场景本身的特殊性有关，因为教育推荐不只是"推你感兴趣的东西"，还涉及学习结果、公平性、发展路径甚至教育机会分配。
6. 研究结论与未来发展方向
- 对主要发现的综合判断
在讨论部分，作者把前面各项结果整合起来，形成了几个总体判断。首先，机器学习、协同过滤和混合方法构成了当前教育推荐系统的主干技术。其次，本体方法和知识图谱的使用表明研究正在走向更强的语义理解和学习情境建模。再次，研究对象长期偏向学生，这说明领域仍然存在较明显的用户覆盖不平衡问题。与此同时，终身学习和数字素养支持正在成为新的增长点。
- 作者指出的研究不足
文章也很坦率地说明了这篇综述本身的局限。首先，它只使用了 Dimensions 一个数据库，可能遗漏了其他数据库中的相关研究。其次，只纳入英文论文，会让某些地区和语言背景下的研究被排除。再次，AI 和教育技术发展很快，某些最新但尚未被索引的研究也可能没有进入本综述。
- 未来研究应该往哪里走
作者认为，未来的教育推荐系统不应只停留在"给学生推荐内容"这一层面，而应进一步朝着更包容、更可扩展、更情境感知的方向发展。具体来说，未来需要更多关注教师、教育管理者、终身学习者以及在职专业人士等群体；要探索深度学习、遗传算法等目前使用较少但潜力较大的方法；要更重视伦理、透明性和可解释性；还要推动跨地区合作和真实教育场景中的系统试点。
- 结论部分的核心收束
在结论中，作者再次强调：教育推荐系统当前的主流仍是机器学习和协同过滤，混合方法和本体模型则呈现增长趋势；研究对象依然主要是学生，但真正值得发展的方向，是面向更广泛的学习者和教育参与者，构建能够支持数字素养、终身学习和工作场景适应的推荐系统。作者最后把未来重点归结为几个关键词：多样化算法、增强个性化、强化伦理与解释性、推动真实落地、促进公平和数字赋能。