分类:如何才能促进迁移（抽象化一般化）

来自Big Physics


研究背景和研究问题

深度教和学文档‎的关键是从一个低层次知识通过迁移抽象的过程来得到一个更高层的知识（生成器），从而可以发现和处理逻辑结构相似但是具体问题不同的低层次问题。

知识生成器和创造.png

于是，为了促进更好地教和学，我们需要知道如何帮助学习者来获得这样的迁移、抽象的能力。

前人的研究发现[1] [2][3] [4][5]，老鼠、猴子和三岁以下的孩子的迁移和抽象化能力有限，所有有些需要形成概念的问题不能解决，尽管通过试错可以解决一些不太需要抽象能力的问题。具体实验我们下面会提到。

那么，第一，如果我们可以观察到被试从不具有迁移抽象能力到具有这个能力的变化过程（大脑和行为），那么，我们可能可以帮助学习者更好地发展迁移抽象能力。第二，我们做什么任务前培训，可以更好地使得学习者从不具有这个能力变成具有这个能力呢？

前人研究

[1]述评了几个相关的研究工作（参考文献见书内），发现：下图中的装置A，大部分猴子可以通过试错学会从里面用一根杆子捅出来食物；下图中的装置BC，一部分猴子可以通过试错学会从里面用一根杆子捅出来食物；但是，就算已经学会B的那些，如果马上就做C，绝大多数猴子不能从B迁移到C；更进一步，对于装置D，孩子们是意识不到“从左右捅进去都能得到食物”的。

ApesBookFig42.png

于是，研究的结论，大概就是：猴子是可以通过试错来解决问题的，但是在装置——行为——结果之间建立的基本上属于无脑反射性关联（Blinded Association）。例如“B——从左边捅进去——得到食物”、“B——从右边捅进去——得不到食物”。因此，这样的无脑反射性关联就很难用来迁移解决C问题。当然，D问题更深刻，实际上要建立重力和物体运动之间的关系才行（不一定是这个名词这个语言，只要实际上了解“物体往下落”就行了）。

[2]的研究发现，对于图1这个类比问题，大多数3岁以下的孩子做不对，更进一步，如果给一个例题训练一下（如图2），或者给一个提示词（如图3），则准确率会大幅度提升。

Cogs12099-fig-0001-m.png

ChristieFig3.pngChristiefig2.png

于是论文[2]得到结论：启发学习者思考关系的标记性无意义语言（相同的形式两次出现），以及，类比这个过程，对于提高学生学习到抽象关系是有帮助的。但是，从这三个实验的对比来看，更加可能的解释是：孩子们在问题1中并没有很好地理解任务目标，于是，自然地，加上一个相同的词来提示孩子们，“这个任务是要发现题干和选项的相同哦”，或者做一个例子，自然就准确率更高了。


没有研究脑活动，尤其是能够解决更加抽象的问题之前和之后的脑活动的对比，没有精确地验证每一步和做不同步之间的对比，是上面的研究的主要问题。当然，研究的出发点也不完全一样：我们更加想了解迁移抽象能力形成的过程，这些研究更关注状态。

实验设计

下面的实验设计基于[2]的实验。我们仅仅考虑一个两种形状（方、圆）和两种颜色（红、绿）的版本。

首先，我们来保证孩子们知道这些形状和颜色（注意这部分实验还是需要出现颜色和形状两个因素，但是可以控制另一个因素是否和所要考察的因素携带的信息完全相同）：

  1. 问题1-1: 选出和题干相同的颜色
    1. 颜色形状都相同的问题，例如题干“红色方形”，选项“红色方形”，干扰项“绿色方形”
    2. 颜色形状有一样不同的问题，例如题干“红色方形”，选项“红色圆形”，干扰项“绿色圆形”或者干扰项“绿色方形”
  2. 问题1-2: 选出和题干相同的形状
    1. 颜色形状都相同的问题，例如题干“红色方形”，选项“红色方形”，干扰项“红色圆形”
    2. 颜色形状有一样不同的问题，例如题干“红色方形”，选项“绿色方形”，干扰项“绿色圆形”或者干扰项“红色圆形”

其次，保证孩子们理解类比这个任务（这个任务可以是实验过程本身，也可以是培训过程，注意这里的类比任务是逐渐从具体到抽象的。同样地，这里也要出现两个因素，但是可以控制另一个因素是否完全和其中一个因素相同）：

  1. 问题2-1: 选出和题干关系相似的选项，给例题
    1. 直接类比，例如题干“红:红”，选项“红:红”（干扰项“红:绿”），例题可以是“题干“绿:绿”，选项“绿:绿”（干扰项“绿:红”）”
    2. 关系类比，例如题干“红:红”，选项“绿:绿”（干扰项“红:绿”），例题可以是“题干“绿:绿”，选项“红:红”（干扰项“绿:红”）”
    3. 更抽象的关系类比，例如题干“红:红”，选项“方:方”（干扰项“红:绿”或者“方:圆”），例题可以是“题干“绿:绿”，选项“圆:圆”（干扰项“红:绿”或者“方:圆”）”
  2. 问题2-2: 选出和题干相同的形状，不给例题
    1. 直接类比，例如题干“红:红”，选项“红:红”（干扰项“红:绿”）
    2. 关系类比，例如题干“红:红”，选项“绿:绿”（干扰项“红:绿”）
    3. 更抽象的关系类比，例如题干“红:红”，选项“方:方”（干扰项“红:绿”或者“方:圆”）

接着，在保证孩子们明白信号、理解类比这个任务的基础上，我们来做抽象程度更高的类比实验

  1. 问题3-1: 选出和题干关系相似的选项，给例题
    1. 直接类比，例如题干“红方:红方”，选项“红方:红方”（干扰项“红方:绿圆”），例题可以是“题干“绿圆:绿圆”，选项“绿圆:绿圆”（干扰项“绿圆:红方”）”
    2. 双信号关系类比，例如题干“红方:红方”，选项“绿圆:绿圆”（干扰项“红方:绿圆”），例题可以是“题干“绿圆:绿圆”，选项“红方:红方”（干扰项“绿圆:红方”）”
    3. 单信号直接类比，例如题干“红方:红圆”，选项“红方:红圆”（干扰项“红方:绿圆”或者“绿方:红圆”），例题可以是“题干“绿圆:绿方”，选项“绿圆:绿方”（干扰项“红圆:绿方”或者“红方:绿圆”）”
    4. 单信号关系类比，例如题干“红方:红圆”，选项“绿方:红方”（干扰项“红方:绿圆”或者“绿方:红圆”），例题可以是“题干“绿圆:绿方”，选项“红圆:绿圆”（干扰项“红圆:绿方”或者“红方:绿圆”）”
  2. 问题3-2: 选出和题干关系相似的选项，不给例题
    1. 直接类比（两个信号都完全相同），例如题干“红方:红方”，选项“红方:红方”（干扰项“红方:绿圆”）
    2. 双信号关系类比（题干和选项信号不同，两个信号的关系完全相同），例如题干“红方:红方”，选项“绿圆:绿圆”（干扰项“红方:绿圆”）
    3. 单信号直接类比（一组信号不同，一组信号相同，但是题干和选项完全相同），例如题干“红方:红圆”，选项“红方:红圆”（干扰项“红方:绿圆”或者“绿方:红圆”）
    4. 单信号关系类比（一组信号不同，一组信号相同，题干和选项之间只有关系相同），例如题干“红方:红圆”，选项“绿方:红方”（干扰项“红方:绿圆”或者“绿方:红圆”）

最后，更高级的关系——“互补关系”——类比实验

  1. 问题4-1: 选出和题干关系相似的选项，给例题
    1. 双信号互补类比（两个信号都互补），例如题干“红方:绿圆”，选项“绿方:红圆”（干扰项“红方:绿方”），例题可以是“题干“绿方:红圆”，选项“绿圆:红方”（干扰项“绿圆:红圆”）”
    2. 单信号互补类比（同一个信号互补，另一个相同），例如题干“红方:红圆”，选项“绿方:绿方”（干扰项“红方:绿圆”），例题可以是“题干“绿方:绿圆”，选项“绿圆:红圆”（干扰项“绿圆:红方”）”
    3. 单信号互补类比（其中一个信号互补就行，题干和选项不一定在用一个信号上互补），例如题干“红方:红圆”，选项“绿方:红方”（干扰项“红方:绿圆”），例题可以是“题干“绿方:绿圆”，选项“绿圆:红圆”（干扰项“绿圆:红方”）”
  2. 问题4-2: 选出和题干关系相似的选项，不给例题
    1. 双信号互补类比（两个信号都互补），例如题干“红方:绿圆”，选项“绿方:红圆”（干扰项“红方:绿方”）
    2. 单信号互补类比（同一个信号互补，另一个相同），例如题干“红方:红圆”，选项“绿方:绿方”（干扰项“红方:绿圆”）
    3. 单信号互补类比（其中一个信号互补就行，题干和选项不一定在用一个信号上互补），例如题干“红方:红圆”，选项“绿方:红方”（干扰项“红方:绿圆”）


核心科学问题：需要帮孩子们准备好什么，才能促进迁移抽象思维的产生？例如，在这里，我们准备好了“对信号的理解”（知识，通过问题1的训练）、“对类比任务的理解”（知识，通过问题2的训练）、“迁移的意识”（思维，通过问题2的训练，从直接类比到关系类比）之后，是否被试就更容易做迁移抽象了呢？注意，从找相同、到直接类比、到相似关系类比，到互补关系类比，是逐层更加抽象的。

相比前人的实验，这个实验牵涉到更多的抽象层级，避免了被试对任务明确程度不同带来的效果，增加了脑活动研究，提出了一个新问题：当我们把每一个环节（知识和思维）都给学习者准备好之后，是否学习者就可以学会迁移了？如果可以，甚至，我们可以进一步跳过一些环节，例如一旦理解了信号，理解了类比测试是什么，是不是我们不去启发被试做“迁移”，其实，也行。在教和学上，这个问题其实和从知道到运用的距离有关系，也就是，就算把知识基础都准备好了，甚至思维的基础也准备好了，是不是学习者就更容易能够提出和解决问题了呢？

AI版本的实验设计

前面是孩子和猴子当被试的实验。现在，我们来看看，是不是可以把AI当被试，来做类似的实验。AI的好处是，可以打开看里面到底发生了什么，也就是“脑活动”是已知的。当然，其实，由于AI的可解释性有限，就算能打开，也不一定就能得到有意义的结论。不过，至少是一个可能。此外，还牵涉到另一个问题：所谓人类的迁移和抽象能力到底是什么，是不是其实AI完全可以掌握。

我们来试试问这个问题：

  1. 分别训练一个可以识别颜色的机器（由于考虑到只有两个可能的时候训练出来的AI结构太简单，可以考虑识别多个颜色，可能这样才会具有迁移能力），可以识别形状的机器。这对应着前面的第一组实验。
  2. 增加什么东西，可以使得这两个训练好的模型，可以合起来同时识别形状和颜色？

或者，这样做（这里有没有什么办法让AI自己意识到需要做迁移，当然实在没办法，就人工指挥AI来迁移）：

  1. 先训练一个可以识别两种颜色的机器。
  2. 增加什么东西，可以使得这个训练好的模型，可以识别形状，甚至可以同时识别形状和颜色？

在保证了训练出来的AI能够识别形状和颜色之后，我们来做类比题训练：

  1. 仅仅在颜色类比上训练（训练样本完全就是“红:红　:: 绿:绿”这种，不出现“红:红　:: 方:方”），是否可以学会做颜色类比？
  2. 学会做颜色类比的AI，是否可以完成形状AI的类比任务？如果不行，怎么做最少样本的训练就可以了？
  3. 学会了完成颜色或者形状类比的任务的AI，是否可以完成相似类比任务，也就是“红方:红圆　:: 红方:绿方”？如果不行，需要增加什么训练？

参考文献

  1. ↑ 1.0 1.1 Juan Carlos Gomez, Apes, Monkeys, Children, and the Growth of Mind (The Developing Child)
  2. ↑ 2.0 2.1 2.2 2.3 Christie, S. and Gentner, D. (2014), Language Helps Children Succeed on a Classic Analogy Task. Cogn Sci, 38: 383-397. doi:10.1111/cogs.12099
  3. ↑ Linda Hermer-Vazquez, Elizabeth S. Spelke, Alla S. Katsnelson, (1999). Sources of Flexibility in Human Cognition: Dual-Task Studies of Space and Language, Cognitive Psychology, 39(1), 3-36, https://doi.org/10.1006/cogp.1998.0713.
  4. ↑ Linda Hermer-Vazquez, Anne Moffet and Paul Munkholm, (2001). Language, space, and the development of cognitive flexibility in humans: the case of two spatial memory tasks, Cognition,79(3),263-299, https://doi.org/10.1016/S0010-0277(00)00120-7.
  5. ↑ Biegler, R., Morris, R. Landmark stability is a prerequisite for spatial but not discrimination learning. Nature 361, 631–633 (1993). https://doi.org/10.1038/361631a0.

本分类目前不含有任何页面或媒体文件。

取自“https://www.bigphysics.org/index.php?title=分类:如何才能促进迁移（抽象化一般化）&oldid=4612”