分类:教育系统科学研究中心第六次活动纪要

来自Big Physics
PsyWu讨论 | 贡献2021年3月14日 (日) 11:41的版本 →‎吴俊杰 汉字理解型学习的特征脑活动
(差异) ←上一版本 | 最后版本 (差异) | 下一版本→ (差异)


本次讨论主要目的是给几位合作者介绍一下中心核心理念、研究方向和几个具体研究。

主持人:吴金闪

时间:2021年3月2日 下午2-5点。

地点:科技楼B608,ZOOM(692 5867 3111)

吴金闪,中心整体研究理念

介绍了中心在教育系统科学方面的研究的核心理念和基本概念,以及整体几个研究方向的布局。 具体信息,见讲稿中心研究鸟瞰。 其中主要介绍了:知识之间的系联,知识的层次,人类知识高速公路,知识生成器和高层知识生成器,理解型学习,机械式学习,创造体验式学习,促进教和学的系统性解决方案——新教育学模型等核心概念,以及以下各个研究问题:

  1. 在个体概念和个体学习者被试层面,以高层知识生成器为目标的理解型学习的好处及其神经基础
  2. 人类知识高速公路构建,包含概念层次标注和习题到概念的标注
  3. 高速公路上的学习顺序算法和诊断性检测算法
  4. 理解型学习在师生教学活动中的实现,考虑用特征性脑活动当做师生单脑以及多脑的指标
  5. 教和学的层次标注和辅助标注系统

在讨论中,郑永和、卢春明、张婧婧等老师对于知识和能力的区分和界定,知识的层次的定义,提出了“应该考虑和当前普遍使用的习惯相联系”的建议(我在更新以后的将高中做了补充,见中心研究鸟瞰)。其实,在内涵上,能力大概是什么是没问题的,例如,用某个知识或者某个思维来解决某个问题叫做能力,用某个思维和已经会的知识创造出来新的知识叫做能力。但是,其实,如果对这个解决问题的过程和创造知识的过程作进一步的分解和理清,非常可能(不敢保证)我们会发现,其实,这里面就是因为用到了某个思维、思想、知识,然后配合上解决问题创造知识的意愿,才达到了解决问题创造知识的结果。因此,所谓的“可以用某知识和思维来解决问题的能力,可以用某知识和思维来创造知识的能力”其背后仍然有一个知识或者思维的载体。这个载体,只要我们可以明确出来,则称为进一步的知识,也就是高层知识。

例如,在欧几里得几何的框架下,勾股定理的证明可以采用割补的思想,其中要用到矩形面积和边长的关系的知识。你就会发现,所谓的运用“矩形面积和边长的关系”来“证明勾股定理”的能力,不过就是割补的思想。更一般地来说,概念地图的基本理念,就是,任何关系都必须明确给出来关系的内涵,也就是连词。同样,任何对知识的运用,都体现为一种知识之间的联系,这样的联系必然有具体的连词载体,只要找出来这个连词载体,则这样的过程或者说所谓的能力,还是一种思维、思想、知识。

在讨论中,卢春明老师还提出来,在理解型学习和机械式学习之间对比的研究是有比较统一的结论的(那肯定是理解型学习优于机械式学习)。就我调研的结果,在记忆效果上,确实正面结论多一些比较可靠,但是,在其他方面,还是一个在争论之中的问题。见[1][2](Karpicke有一篇比较新的文章,结论类似)。吴俊杰请向卢老师请教这方面的文献。

讨论中的一个核心问题是到底“新教育模型”新在哪里,模型是什么意思。这个问题非常深刻,有关整个教育系统科学的核心思路:我们是企图建立一个可以描述教和学现象和更好解决教和学问题的数学模型,做到如果真的有了这个模型,那么教育问题的解决就成了这个模型之上的一个数学问题和求解这个数学问题的算法问题,然后进一步通过做实验来检验这个算出来的答案和算法。那么,这样的模型长什么样呢?我们希望把这个模型可以描述教和学的相关主体以及相关主体的关系。于是,沿着这个数据、问题和算法分开的思路,沿着这个描述教和学主体以及主体关系的思路,我们提出来构建人类知识高速公路,以及高速公路上的知识的层次标记。从这个角度来说,教和学的直接目标是,帮助学习者也建立起来这个人类知识高速公路(之中这个学习者感兴趣的部分),尤其是其中的高层知识生成器。因为一旦掌握了这个高层知识生成器,学习者就可以自己来进一步生成和创造知识。教和学的另一方面是认知过程。也就是从人类知识高速公路我们可以和学习者一起来解决学什么,大概按照什么路径的问题,但是,到底如何把教和学的细节实现,需要认知过程的知识。当然,我们可以认为,首先,也是需要局部的知识之间的联系,才能促进理解。但是,是不是认知过程的研究可以证实这一点,甚至给出来这样做有效的机制呢?这就需要做认知科学的研究。因此,所谓的“新教育模型”就是指,用标记了知识的层次的、习题和项目的层次的人类知识高速公路,配合上认知科学对教和学的过程的研究得到的知识,当做教和学问题的描述基础,然后在这个描述基础之上,任何的教和学的问题转变成一个数学问题,接着寻找这个数学问题的解法和解,最后做实验验证,这样一个研究教育问题的体系。当然,如果研究成功,下一步还有推广的问题。

这个教育模型的另一个好处是,研究和实践是统一的,也就是所建立的这样一个标记了知识的层次的、习题和项目的层次的人类知识高速公路不仅仅可以帮助教和学的研究,还可以直接用于教和学,只要在上面的每一个概念和连词上配上学习资源,整体配上学习顺序和检测的算法,等等。

更进一步,这个人类知识高速公路不仅仅可以帮助教和学的研究和实践,甚至,在每个具体知识学科的科学研究上也能起到启发或者说促进作用。这就是人类知识高速公路用于帮助科学家做更好的科学研究,以及帮助科技管理者做更好的促进科学发展的政策和管理。这是中心关注的另一个问题:系统性地帮助科学家和科技管理者,促进科技发展。

张学涛,汉字拆分理据审阅和翻译,凡例

张学涛介绍了汉字结构网络——汉字之间的形音义的联系构成的网络数据的审阅的主要内容,工作中形成的凡例。其中一个原则是,概念(这里是汉字)之间的联系从专家来看一定不能是错的(可以是多选一的,可以是不确定的),在不错的基础上,选择其中那些能够帮助学习者更好地理解到汉字的本义的汉字之间的联系。

类似地,将来在其他学科里面,也会存在这个问题。例如在数学概念网络中,每一个数学概念的解释首先必须是从专家来看一定不能是错的最好连着高层知识生成器的,在此基础上,选择其中那些能够帮助学习者更好地领会到这个概念的含义的解释。当然,也可以保留多个逻辑上不同但是效果上相当的解释。例如,平面几何的基本公理体系就存在多种选择,逻辑都对,难度相当,但是,不同的学习者可能会更容易领会其中的某一种。

吴金闪 教学活动层次标注举例(基于王陆团队的课堂视频)

以知识的层次为依据,我们可以对课堂教学活动做层次标记。例如,某个数学老师可能基本上就是在教怎么算,个位数乘法、多位数乘法、除法、带零的除法等等。那么,这位老师的教和学的活动的层次就是第一层。如果这位老师也会稍微讲一讲从学科概念来得到怎么算,以及从已知的概念来建立新的概念,那么至少是第二层。

吴金闪介绍了对大学青年教师教学大赛的教学内容做的教学活动的层次标注,以及基于王陆团队所拍摄的中小学课堂视频的教学活动标注。

整体不容乐观。

除了教学活动的标注,我们还可以从习题的层次,学习活动的内容,来做学习的层次标注。

吴俊杰 汉字理解型学习的特征脑活动

吴俊杰参加面试,没有报告。

这个研究解决的问题是理解型学习,在汉字这个对象上,和机械式学习相比,有没有某个特征性脑活动。解决了这个问题,就可以把这个特征性脑活动当做汉字理解型学习的指标。有了这个指标,一方面,可以去做更多的对象的理解型学习来看看指标是否有共性。另一方面,可以看看在问题解决的过程中,是否类似的脑活动会重现,或者更近一步,是否可以通过促进或者抑制这个脑活动来帮助或者阻碍理解型学习,或者后续的迁移创造、迁移学习。

其实,是不是能进一步把这个特征性脑活动分成关于情感的、认知的等等各种子功能也是一个有意思的问题。


关于知识和能力讨论的评论: 我重新看了一下3月2号的讨论视频和吴老师整理的活动纪要,非常非常精彩的讨论,很多观点都很有启发,这样的讨论应该多来几次。关于“能力”和“知识”的辨别,我理解的吴老师提出的四个层次的知识可以不包含能力,能力可以作为多个层次的知识在人脑硬件工作下的结果。从流体智力和晶体智力的角度来看,前者决定于天赋,后者依赖知识经验(比如说韦氏智力测验也问“中国的首都是哪里”之类的问题)。换句话来说,流体智力更像人脑的硬件(cpu、内存条等硬件的信息处理能力),晶体智力更像硬盘里存储的数据和算法。回到吴老师的那四个层次的知识,我感觉前两个层次的知识更像数据,后两个层次的知识更像算法(算法可以根据输入的数据产生新的数据)。在知识(数据、算法)和硬件的配合下,人们表现出“可以干什么事情”的能力。当数据越丰富、算法越高效强大,在同等硬件条件下,就会表现出更高的能力。机械式学习是机械的存储数据(甚至把算法但做数据来存储)再机械地提取数据,来匹配环境中的问题;理解型学习(可迁移的学习),是使用算法,将已存储的数据和环境中新收集的数据结合起来,来产生新的数据,以解决当前环境下的具体问题。解决问题效果的好坏,体现为能力。

陈路遥 深层类比的特征性脑活动

这个研究关注的问题是,高层类比,相比于浅层类比,是否有某个特征性脑活动。为什么要关注这个问题呢?因为类比,尤其是高层类比,是一种非常重要的学习方式。实际上,数学家就有非常明确的说法,“一般的数学家看到相似性,一流的数学家看到相似性的相似性”,以及我补充的“真正的科学家看到相似性的相似性的相似性”,而这些最后都会落实到数学结构。正是通过看到了这样的相似性,我们才能使得知识和学科融会贯通,才能解决本来就没有说非得属于哪一个学科的来自于现实世界的问题。

吴金闪/杨丽姣 阅读理解分级和字词难度测量

中文阅读材料的阅读难度分级是一个目前非常急需的但是还没有解决好的问题。一般来说,正确率可以当做难度的一个指标。但是,正确率本身收到随机样本的影响很大,因此需要大量的样本来平衡掉这个随机性。另一个课难度非常相关的就是反应时[3]。这个时候,我们可以仅仅针对完全答对的被试来做统计分析。也就是,在所有都答对的情况下,用时比较长的对应的难度比较大。

沿着这样一个思路,我们可以让被试来做字词的读音和含义的选择,来做篇章的知识型问题(信息提取型,每个问题的答案藏在文本中)或者理解型问题(WHWM四问)的选择,然后通过测量反应时来度量难度。

甚至,另一方面,如果我们还可以用阅读理解机来当被试就更好了:我们训练一个能够基本做对题的阅读理解机,然后我们在这个机器完成答题之后,想办法把这个机器的黑箱子打开,看看对于每个篇章,其消耗的资源,例如神经网络的权重结构、答题时间、内存、CPU消耗等等是否也有不同。这是不靠谱的研究,但是值得尝试。

吴俊杰、杨丽姣,请教一下卢春明老师,通过准确率和反应时测量难度的问题。

郑丽芬 理解型学习的程度和多脑同步程度的相关性

前人的研究,包含郑丽芬和卢春明他们团队,已经发现,不同的教和学的方式,多脑同步的程度不一样,而多脑同步的程度和学习效果存在相关性。于是,在理解型学习的背景下,一个自然的问题就是,是否这样的多脑同步程度的不同,学习效果的不同,是由理解型学习的程度的不同造成的。当然,这个理解型学习的程度的不同又是不同的教和学的方式的结果。

郑永和:除了数学模型和科学化的框架之外的系统科学在哪里?

郑老师期待听到一些中心在系统科学的典型分析方法,而不仅仅是在典型思维方式的层面,在教育研究上的应用。确实,这次没有开展。敬请期待后续的讨论。同时,我也在更新以后的讲稿中做了一个例子。见中心研究鸟瞰

参考文献

  1. Jeffrey D. Karpicke, Janell R. Blunt, Retrieval Practice Produces More Learning than Elaborative Studying with Concept Mapping. Science, 331(6018), 772-775 (2011). 10.1126/science.1199327.
  2. M. Teresa Lechuga, Juana M. Ortega-Tudela, Carlos J. Gómez-Ariza, Further evidence that concept mapping is not better than repeated retrieval as a tool for learning from texts, Learning and Instruction, 40, 61-68 (2015), https://doi.org/10.1016/j.learninstruc.2015.08.002.
  3. Balota, D.A., Yap, M.J., Hutchison, K.A. et al. The English Lexicon Project. Behavior Research Methods (2007) 39: 445. https://doi.org/10.3758/BF03193014

本分类目前不含有任何页面或媒体文件。