分类:认知和教育中的系统科学

来自Big Physics


研究目的

在这里,我们通过系统科学的思维方式和分析方法,例如系联、学科融合、数学建模和计算分析、实验检验等,把教者的教、学习者的学、研究者的研究这三个方面的研究融合起来,寻找帮助教者教的更好,学习者学得更好,研究着研究的更好的方法,并且坚持走科学化的道路——可计算、实验可检验。思辨性的研究的思辨必须是可以转变成实验后者数学计算的思辨,实验研究的实验必须是紧密联系具体学科的,对教、学、研究行为有深刻理解的,有脑科学实验和行为实验验证的。

为什么需要系统科学

首先,这个更好的“教、学、研究”的研究是一个交叉科学问题,不属于现有的任何领域。这个研究需要学科领域、教和学的经验、脑科学这几个学科的结合,同时需要一个粘合剂来把这些领域联系起来。系统科学是一个天然的多学科粘合剂。

其次,在这个方向的大量具体的研究中,需要运用“系联性思考”(例如概念是相互联系的),“从个体到整体,从整体看个体”(例如从具体概念的学习到体会到这个概念体现的学科思维等学科大图景,可以迁移到其他概念其他问题的),这些系统科学的典型思维方式。

再次,在研究方法,研究工具的层面,正好“人类知识高速公路”,或者说“学科概念地图”,扮演了一个中心的角色。例如,个体教和学的行为,应该围绕着这个学科概念地图来设计和实行(学习一个新概念,要联系旧概念);整体课程设计也应该围绕着这个“人类知识高速公路”,以具体知识的学习为媒介帮助学生学到学科大图景;研究者的研究也应该围绕着这个学科概念地图,在这个地图的边缘上来提出问题促进这个学科的发展,或者在这个地图的核心基础部分来让这个学科的基础更加结实学科更加具有系统性。而这个“人类知识高速公路”的构建、上面的计算分析,一方面有各自学科的特性,一方面也肯定有共性——至少可以把它看做网络来研究。例如,学习顺序,高效诊断算法,这些都是具有共性的算法问题。

当前研究的主要问题

目前,实际上一个叫做“教育神经科学”的学科正在做相关的研究:搞清楚不同的教和学活动和脑活动的区域的关系(例如,乘法计算主要激活哪些区域二哪些区域通常被认为具有什么功能,对迷思的成功破解主要激活哪些区域哪些区域通常被认为具有哪些功能)。但是,非常遗憾也可以理解的是,这些研究大部分缺乏对学科的深刻认识(例如,认为能够正确回答物理题的学生就是专家学生,而任何真正的物理学研究者、物理老师都会知道,能够答对题到是否学到之间还有一个巨大的空间)和缺乏对教和学的深刻认识(例如,深层次的学习,以知识为媒介学会学科大图景,学习学习,学会提出和面对问题,才是真正的学习,而不是背诵、会算)。例如,大多数学习是记忆、计算操作流程等过程的脑区活动。当然,从感知觉和情感的脑活动研究走到记忆和计算,从脑科学的角度已经是很大的一步跨越了。但是,既然这个领域的目标是教和学,则就必须做更高级的学习活动的脑科学研究。因此,如果我们要科学地研究教和学,我们必须把对学科领域的深刻理解、教和学的经验体会和思辨、脑科学实验、行为实验,这几个方向结合起来。并且,这个结合的粘合剂是系统科学,而且这个研究的共性的探索和利用,也需要依靠系统科学的思维方式和分析方法。

当前,理解型学习和机械式学习的对比,在教学策略、课堂实验层面的研究其实不少。但是,由于教学策略和课堂实验的研究相对来说比较粗糙,很难真的度量出来理解型学习的效果,甚至都很难做到确实实现了理解型学习,所以,正面和反面的结论都有。在这里我们希望考察更加细节的学习过程以及更加可靠的学习效果的度量(例如,脑活动的证据)

此外,理解型学习作为学习策略目前主要被用于具体知识的学习环节,而不是做系统性地研究。从教什么的选择(学科大图景、具体知识、具体研究案例、知识之间的联系、教和学的目的)到怎么学的过程的设计(学习顺序、检测算法、知识之间的联系),实际上概念网络和基于概念网络的理解型学习,都可以发挥作用。因此,理解型学习绝对不仅仅是具体知识的学习策略层面的事情,不是一个术,而是一个道。当前的研究主要是把理解型学习当做书来研究,考察其效果。这也是不够的。

当然,等到有一天,这个方面的研究真的比较成熟了,则这些研究用到的系统科学的概念、思维方式、分析方法,都会进入到这个领域里面去,然后大家把教、学、研究这些活动的研究整合起来,就会成为一个专门学科,例如叫做“教学研的科学”,那那个时候,这个领域就不再是系统科学的领域了,就有了自己的学科了。

主要研究方向

沿着“人类知识高速公路”以及其上的算法和分析这个思路,其实,研究者的研究活动,也应该成为我们这个融合学科的研究对象。例如,研究者的研究问题从哪里来,当研究者提出或者回忆当时提出一个研究问题的时候,其脑活动是不是有某种和其他没有提出新问题的时候有定性差别的特异性的活动,这种特异性活动是否具有某些共性,也就是不管什么领域这样的创新都会激活大概类似的脑区。等等等等。

因此,我们把教、学、研究,都当做我们这个融合学科的研究方向。

总结一下,我们这个融合学科的研究的根本目的,或者说核心研究问题是:真正的促进学、教、研究的方法是什么?这样的方法和不用这些方法的时候,从行为效果、脑活动等方面,有什么差别?如果有差别,则如何促进这样的方法的使用,从而实现真正地促进学、教、研究的目的。更进一步可以具体化为理解型学习(通过知识生成器来从高层知识生成浅层知识的深层学习、通过同层次学科内概念间联系来理解概念的学习)和机械式学习(直接记忆浅层知识的学习)的对比研究,也就是:理解型学习是否可以通过脑活动来测量,理解型学习是否可以得到更好的学习效果,如何(例如通过什么样的教来)促进理解型学习。当然我们还可以顺便做现状的调研,例如,当前在做理解型学习(深层教和学)的学生老师有多少,理解型学习是否可以做量表的测量等等。

为了回答这个问题,我们从以下几个方面开展研究。

第一、学科知识领域,我们需要构建学科概念网络,甚至整个人类知识高速公路。我们还需要研究概念网络上的学习顺序和检测等的算法,做这些学习顺序和检测算法的实验研究。顺便,技术上,这需要自然语言处理来帮忙。有了学科概念网络以及学习顺序算法、检测算法之后,我们还可以根据下一项研究的成果来做个体层面的学习行为实验,脑科学实验(例如,经过这样的学习顺序和学习方法的训练之后,在学习新概念的时候,和没有经过这个训练的人的脑活动的差别,是否可以保持比较长的时间等),以及编撰学习材料做课堂实验。

第二、在教和学领域,基于经验和前人研究整理出来可能能够真正促进学、教、研究的方法(例如,运用联系和不运用联系来学习的时候脑活动的差别,例如进入理性思维慢系统的学习和基于快系统的学习的脑活动的差别),做相关的具体知识的个体学习的行为和脑科学实验,做课堂教学实验。这部分研究也需要先对教和学的现状做一个了解,因此,可以开展教和学的层次标注的研究。

第三、在研究活动领域,基于人类知识高速公路,做研究活动的质性研究来整理行之有效的研究方法,做采用这些方法(当时和之后再次)和不采用的行为和脑活动的差别。

除此之外,我们还可以以此为基础做一些交叉科学研究。例如,在人工智能研究中,已经有研究者注意到目前的大部分人工智能算法都是参考的人的经验决策快系统,而不是理性决策慢系统,并且认为人工智能的发展方向在于向理性决策慢系统学习。因此,有了我们的人类知识高速公路,我们还可以来尝试基于人类知识高速公路的人工智能。例如,在经济行为的脑活动研究中,人们关注的事情是做经济决策的时候,例如某种有效的(effective)效用函数的估计,效用函数的某种最大化的过程,人脑的活动。甚至,我们还可以把科学家的科学活动,也用经济决策来描述,也就是科学活动也存在一个大概的行为选择、策略选择,以及这些选择下的效用函数。我们是否可以把科学活动也看做是这样的效用函数的优化问题。我暂时称之为”科学活动的经济学研究“。

最后,在社会服务上,将来我们可以直接开放这个标记了教和学的层次的“人类知识高速公路”,我们还可以有学习材料编撰、教和学的方法以及学习材料的使用方面的教师培训,甚至,我们还可以和一些公益性的商业机构合作来推广这个教和学的方法。

核心理念框架

基于人类知识高速公路(或者,在某个子学科里面),我们把知识分成几个层次:第一层,事实性流程性知识;第二层,生成事实性流程性知识的概念模型;第三层,生成概念模型的学科大图景(典型思维方式,典型分析方法等);第四层,跨越学科的思维方式和学习方法,例如批判性思维、系联性思考、建模和计算、实验检验、知识的系统性、成长型思维等。在第二层科学知识层之内,也有从更基础的概念到更加复杂的概念的“层内生成关系”。例如,从位置矢量和导数到速度矢量(速度是位置对时间的导数),从速度和质量到动量等。

然后,有了这个知识的层次以及同层次内的概念间联系,我们来看教和学的层次,也就是在教和学的过程中,主要通过记忆和重复练习来记住第一层知识这样的浅层学习,还是通过从知识到概念模型从概念模型到知识这样的中层学习,还是通过具体知识到学科大图景从学科大图景到具体知识的深层学习,乃至到从具体学科的学科大图景到跨越学科的一般性思维方式这样的深层次学习。

我们认为,无论学、教、研究,真正的方法都是深层学习在发挥作用。于是,下面的问题就是,从行为、行为结果、脑活动等多个角度,看看这样的深层学习是否和浅层学习不同,是否有效,如果有效,则如何促进深层学习。深层次学习也称为理解型学习。

所谓理解型学习就是,未知概念的学习是通过联系到已知概念,或者把一般性的逻辑或者学科思维方式等高层知识生成器用于生成具体知识,或者从具体关系抽象为逻辑关系从而来更好地理解问题场景和解决问题。迁移学习和迁移问题解决,也就是学习了一个包含某种特定关系的学习材料或者问题解决任务之后,再来学习内在结构关系相似的学习材料和解决内在结构关系相似的问题的时候是否表现更好,是一种很好的理解型学习的检验。

具体实验材料可以是真实的学科概念、人造的知识、不依赖于具体知识的一般逻辑和思维方式,等的理解型学习。物理或者数学概念、汉字、人造符号、逻辑推理,都可以成为实验素材。

关于这个核心理念的更多信息,可见深度教和学

回到行为层面的研究,朱志勇说,其实给学生的学、教师的教,以及我补充的研究者的研究,直接做个层次编码,做个统计分析,这本身也挺有意思。是的。很好的idea。

最底线的贡献

这个研究具有一定的探索性,尽管理念上看起来很合理很有潜力,但是,研究工作还是有做不出来的可能。如果发生了这样的情况,那么,这个研究还能留下什么?至少,我们留下一堆做好了教和学的层次标记的概念词条,甚至概念网络,同时,我们对各级教育的教和学的层次的现状有了一个了解。有了这样一个标注,就算我们对理解型学习的过程和效果的脑科学证据、行为证据、概念网络上的学习顺序和检测算法的研究都失败了,那也可以:第一、帮助一线的教师做更好的具体概念的教和学,回答怎么教的问题;第二、帮助课标制定者回答教什么为什么的问题;第三、帮助下学习者用来找到到底哪里没学会,到底怎样(看到哪些联系)算学会;第四、帮助教材编撰者写更好的学科教材;第五、成为人类知识高速公路的一部分,启发后来人如何构建人类知识高速公路,而不仅仅是人类信息高速公路。

无论如何,这个“教和学的层次标记的概念词条,或者说概念网络”,总比题库——练习题和答案之间的关系的一个数据库——要强很多吧。

因此,无论做到什么程度,踏踏实实做,做基础的数据,梳理学科概念,标记学科知识-习题-思维方式之间的相应的关系,标记教和学的层次,做这些基础工作之上的教和学的研究,总是一个贡献。

一两句话小结

整个研究方向设计的核心点:深层学习(Learning and Study,两重含义),也就是深度学、教、研究,怎么做,如何促进,行为效果脑活动和肤浅学习的区别,要做脑活动实验、行为实验、课堂实验,要在学科上、教和学上、脑科学研究上、行为科学研究上,都达到专家水平,要依靠“系统科学”(系统性——系联性思考、整体和个体分析和综合的结合,科学——建模型做计算做实验相结合)真的打通这些学科领域。

以下是一些具体研究问题。

概念地图

以上内容的概念地图总结(将来变成嵌入可编辑具有超链接的概念地图) 深度教和学研究项目概览.png

子分类

本分类有以下15个子分类,共有15个子分类。