青少年在线深度学习的影响因素及提升策略研究
上QQ阅读APP看书,第一时间看更新

第二节 概念界定及内涵辨析

深度学习(Deep Learning,DL)作为一个概念术语,在很多领域被广泛运用,不同领域的“深度学习”往往具有不同的学科运用场景和概念内涵,尤其在人工智能领域和教育领域,深度学习的含义明显不同。人工智能领域的深度学习主要研究“机器”如何更好地学习,而教育领域的深度学习主要研究“人”如何更好地学习。

(一)人工智能领域的“深度学习”

人工智能的一个重要分支是机器学习。机器学习就是通过算法和模型,让机器从大量历史数据(训练样本)中学习规律,从而对新的样本进行智能识别或对未来做出预测。机器学习已经产生很多实际应用。谷歌的Brain项目曾用一个拥有16000个CPU内核的并行计算平台训练一种被称为“深度神经网络”(Deep Neural Networks,DNN)的机器学习模型,用于语音和图像识别,取得了很大的成功。微软曾在天津展示了一个全自动同声传译系统,演讲者在用英语演讲时,后台计算机自动完成语音识别、翻译和中文语音合成,效果非常流畅。这个系统的后台支撑关键技术是DNN和DL。

机器学习的技术发展轨迹可分为“浅层学习”和“深度学习”两大阶段。相对于“浅层学习”阶段,机器学习的“深度学习”阶段通过构建更复杂、更强大的机器深度学习模型,运用海量的大数据作为训练样本,让机器从中学习更有用的特征,深刻挖掘海量大数据中所蕴藏的丰富信息,提升特征分类的准确性,对未来的未知事件做出更精准的预测。在机器的深度学习中,深度模型是手段,特征学习是过程,预测能力是目的。

(二)教育领域的“深度学习”

教育领域的“深度学习”,很多文献认为国外最早可以追溯到20世纪50年代费伦斯·墨顿(Ference Marton)和罗杰·萨尔乔(Roger Saljo)开展的有关学习过程的实验研究。在这项研究中,40名大一学生被随机分为两组,用某本书中的三个不完整章节(每章节约两三千字)作为学习资料。参与实验的学生事先都不知道自己要从资料中学什么,但被告知每读完一个章节就需要回答一些跟学习资料有关的问题。在读完两个章节后,每组学生会收到针对不同类型问题的要求。一个组被要求回忆这两个章节中的一些细节和事实,另一个组被要求对这两个章节中的事实和观点有全面深刻的理解。在读完第三个章节后,两个组都会被问到两种类型的问题。最后对被试回答问题的表现进行分析和比较,并且使用一个半结构化的访谈来收集被试在学习过程中的心理和行为变化资料。

费伦斯·墨顿和罗杰·萨尔乔(1976)联名发表了上述研究成果——《学习的本质区别:结果和过程》,根据学习者获取和加工信息的方式将学习者分为深度水平加工者和浅层水平加工者,首次提出并阐述了深度学习和浅层学习(Surface Learning)这两个概念。在这项研究中,除了发现深度学习和浅层学习的区别,费伦斯·墨顿和罗杰·萨尔乔还发现学习者会根据外部学习要求调适自己的学习模式和学习策略。这意味着学习评价方式会影响学生在深度学习和浅层学习之间的选择。

国内较早介绍深度学习的文献是何玲和黎加厚(2005)发表的《促进学生深度学习》一文。该文短小精悍,以简练、清晰的文笔系统介绍了深度学习的研究源起、概念及内涵。深度学习与布鲁姆教育目标分类的联系,促进了深度学习的教学策略,还比较了深度学习和浅层学习的特点和异同。

(三)教育领域“深度学习”的定义及特征

威廉(William)和弗洛拉·休利特(Flora Hewlett)将深度学习界定为:深度学习是学生在急遽变化的世界里获得成功所需的知识与技能。学生通过批判性思考、问题解决、相互协作、有效沟通、自主学习来掌握学习内容,以及为学会如何学习(如自我导向的学习)做好准备。为了让学生始终保持学习动机,他们需要明白课程内容与真实世界的联系,需要了解新知识与新技能将产生什么影响。

美国国家研究理事会的“深度学习界定委员会”总结到,深度学习是“个体发展认知素养、人际素养和内向素养,逐步将某一情境中所学的知识运用到新情境中(即迁移)的过程”。诺曼·韦伯(Norman Webb)修正了布鲁姆的教育目标分类学,将知识的深度(DOK)标准分为下面四个层次,其中DOK3和DOK4代表深度学习(Herman & Linn,2013)。

(1)DOK1:对事实、术语、概念或过程的回忆——基本的理解。

(2)DOK2:涉及一些心理加工的概念或方法的应用。

(3)DOK3:需要抽象思维、推理或更复杂的推断的应用。

(4)DOK4:需要跨情境综合分析的拓展分析和研究,以及非常规性应用。

贝蒂等人(Beattie et al.,1997)研究认为,深度学习是指学生为理解和应用知识而主动学习,主要表现为对知识进行深度加工和批判性理解,强调与其他知识和经验之间的联系。何玲和黎加厚(2005)在分析布鲁姆的教育目标分类后认为,深度学习是指在理解学习的基础上,批判性地学习新知识,并将知识融入原有认知结构;在知识之间建立联系,并能迁移应用到新的问题情境中去,进而做出决策或解决问题。常立娜(2018)运用文献分析和内容分析方法,对2012年至2017年的深度学习文献进行分析,她概括了多个研究者的观点,认为深度学习是学习者基于理解性学习的目标,采用批判、反思、整合、应用等方式对知识进行同化和深度加工的学习活动。尽管这些定义和描述有一定的不同,但核心要点一致。表1-1显示的是深度学习与浅层学习的不同特点。正如学者保罗·拉姆斯登(Paul Ramsden)所言:“浅层学习是没有质量的数量,深度学习却是质量加数量。”

表1-1 深度学习与浅层学习的不同特点

传统讲授式课堂教学究竟是深度学习还是浅层学习,抑或多大程度上涉及深度学习呢?索耶(Sawyer)在他的著作中比较了深度学习和传统讲授式课堂教学的特征。表1-2显示的深度学习与讲授式课堂教学的不同特征。

表1-2 深度学习与讲授式课堂教学的特征比较

(四)深度学习与高阶思维能力

高阶思维能力(Higher Order Thinking Skills)是依据布鲁姆教育目标分类提出的描述思维层次的概念。安德森(Anderson,2008)修正了布鲁姆最初提出的六个认知过程,形成“记忆、理解、应用、分析、评价、创造”新的六个认知层次。基于此,恩尼斯(Ennis,1985)等学者将高阶思维能力定义为涵盖“理解、应用、分析、评价和创造”五个认知层面的思维能力,这五个认知层次又包含17项更为具体的思维技能。杨翊和赵婷婷(2018)认为批判性思维、分析性思维、逻辑推理能力、反省思维、问题解决能力等的构成核心都是分析、评价及创造这些层面复杂度较高的认知过程,差异在于这些认知过程的组合不同。因此,高阶思维能力是这些复杂思维及能力的总称及上位概念。

如何培养高阶思维能力?高阶思维能力是可以通过教学和练习得到提高的。恩尼斯(Ennis,1989)总结了高阶思维能力教学的三种模式:过程模式(专门开设课程直接教授思维技能)、内容模式(在学科教学中顺其自然地锻炼学科思维能力)、融合模式(将思维技能训练与学科课程教学相融合)。这些教学模式在教育中均有实践,但效果如何,缺乏清晰的证据,而且过程模式和内容模式都有失偏颇。因此科斯塔(Costa,2002)提出,最有效的训练途径可能是将高阶思维技能的特定训练步骤融入学科课程的教学流程中,在教学设计时充分融入高阶思维技能的训练要求,从而使学生在特定学科背景和知识情境中练习思维技能。

(五)深度学习与布鲁姆教育目标分类

布鲁姆在《教育目标分类学第一分册:认知领域》一书中,将教育目标分为六类:知识(Knowledge)、理解(Comprehension)、应用(Application)、分析(Analysis)、综合(Synthesis)、评价(Evaluation)。“理解”注重掌握材料的含义和意义;“应用”注重回忆适当的抽象概念或原理,并把它们运用于特定的情境;“分析”注重把材料分解成各个组成部分,并弄清各个部分之间的构成方式和相互关系”。

安德森等人发展了布鲁姆的教育目标分类框架,用“认知过程”和“知识类别”两个维度来描述教育目标(见表1-3)。认知过程维度包括六大类:记忆、理解、应用、分析、评价、创造;知识维度包括四大类:事实性知识、概念性知识、程序性知识和元认知知识。认知过程的六个类别在认知的复杂程度上依次递增,知识维度的四个类别在抽象程度上依次递增(从具体到抽象)。

表1-3 安德森和布鲁姆教育目标分类

在认知过程层面,记忆是指从长时记忆中提取相关的知识,包括“识别、回忆”两个认知过程。理解是指从口头、书面和图像等交流形式的教学信息中建构意义,包括“解释、举例、分类、总结、推断、比较、说明”七个认知过程。应用是指在给定的情景中执行或使用某一程序,包括“执行、实施”两个认知过程。分析是将材料分解,并确定各部分之间的相互关系以及各部分与总体结构之间的关系,包括“区别、组织、归因”三个认知过程。评价是指基于准则或标准做出判断,包括“检查、评论”两个具体认知过程。创造是将要素组成新颖的、内在一致的整体,或者生成原创性的产品,包括“产生、计划、生成”三个认知过程。

在知识类别层面,事实性知识是指学生通晓一门学科或解决其中的问题所必须了解的基本要素,通常包括术语知识(如技术词汇、音乐符号)、关于具体细节和要素的知识(如重要的自然资源、可靠的信息源)。概念性知识是指在一个更大的体系内共同产生作用的基本要素之间的关系,通常包括分类和类别的知识(如地质时期、企业产权形式)、原理和通则的知识(如勾股定理、供求规律)、理论模型和结构的知识(如进化论、美国国会的组织构架)。程序性知识是指做某事的方法、探究的方法以及使用技能、算法、技术和方法的准则,通常包括具体学科的技能和算法的知识(如绘画技能、整数除法的算法)、具体学科的技术和方法的知识(如访谈技巧、科学方法)、确定何时使用适当程序的准则知识(如何时运用牛顿第二定律、判断使用某一方法估算企业成本是否可行的准则)。元认知知识是指关于一般认知的知识以及关于自我认知的意识和知识,通常包括策略性知识(如使用启发法性的知识、利用概述获得教材的结构)、关于认知任务和知识(包括适当的情境性知识和条件性知识,如知道某一教师实施的测验类型,知道不同任务的认知要求)、关于自我的知识(如知道对文章进行评论是自己的长处,而写作是自己的短处,知道自己的知识水平)。