曾明星　吳吉林　徐洪智　黃云　郭鑫

摘要：人工智能正在深刻改變著人們的生產(chǎn)和生活方式，將逐漸成為推動科技與教育發(fā)展的重要力量。深度學習旨在追求學生高階思維能力與創(chuàng)新創(chuàng)造能力的培養(yǎng)，是學習方式的重要變革，已成為教育領域研究與實踐的一個熱點。深度學習是認知結構與思維結構的不斷轉變與縱深發(fā)展的過程，遷移是深度學習的核心特征。堆積與分離是淺層學習的根源;新舊知識相容是同化與順應作用機制發(fā)生的必要條件，同化與順應是深度學習內(nèi)部關聯(lián)遷移的關鍵;重構與迭代是深度學習外部拓展遷移的動力源。人工智能賦能深度學習，可以激發(fā)學習興趣與學習動機，促進新舊知識相容，助力跨領域知識重構與情境重構，提升學習者的整體特性，進而促進深度學習內(nèi)部關聯(lián)遷移與外部拓展遷移，實現(xiàn)學習者認知結構的不斷轉化，大力提升學習的效率與效果。

關鍵詞：深度學習;人工智能;堆積與分離;同化與順應;重構與迭代

中圖分類號：G434 文獻標識碼：A?文章編號：1006-9860（2021）02-0028-08

一、問題的提出

人工智能、大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)等技術正在深刻改變著人們的生產(chǎn)、生活與學習方式。2016年，基于深度學習技術的AlphaGo打敗世界級圍棋選手李世石，顯現(xiàn)出超人的認知水平和能力，再次引爆了人們對人工智能的熱情。近年來，美國、英國、德國、日本等諸多發(fā)達國家和我國等紛紛將人工智能上升到國家戰(zhàn)略層面，標志著人工智能時代的到來。隨著深度學習、知識表示、知識圖譜、數(shù)據(jù)挖掘、模式識別、自然語言處理、情感計算、多模態(tài)分析等智能技術融人教育領域[1]，呈現(xiàn)出智慧校園、智能教室、教育機器人、智能導學、智能答疑、智能評測、學情監(jiān)測和智能教育決策支持系統(tǒng)等諸多應用形態(tài)[2]。人工智能是新時期高素質人才培養(yǎng)的重要載體，將成為推動教育發(fā)展的重要力量[3]。

在數(shù)字化、移動化與泛在化學習時代，在線學習資源呈井噴式擴張，盡管給學習者帶來了諸多的便利性和多樣性，但學習效果沒有明顯提升，學習過程常停留于淺層學習層面4。一是學習者從海量的學習資源中選擇適切資源的難度隨之增大[5]，容易出現(xiàn)“學習迷航”;二是數(shù)字化學習所伴隨的碎片化、多任務與讀圖特征，使學習者常游離于孤立、零散、與學習目標無關的學習資源中，難以專注于學習某一主題，潛移默化地影響知識的構建和思維方式7。盡管諸多高校推行了微課、慕課、翻轉課堂、研討式教學、項目式教學、混合式教學、智慧學習等教學方法與手段的改革，但還是存在學生學習參與度不高，學習的主動性和能動性不足，學習興趣低，批判性思維和創(chuàng)新能力不足8，學習缺乏深度等問題。低效率的淺層學習顯然不能適應當今社會發(fā)展要求，相應地，深度學習作為一種新的教育理念和學習方式，逐漸引起了教育界的廣泛關注，已成為當今研究與實踐的熱點。那么，淺層學習的根源是什么？深度學習如何發(fā)生？人工智能又如何縮短淺層學習過程，實現(xiàn)向深度學習的快速跨越？這些問題將予以重點探討。

二、從SOLO分類理論看深度學習

1982年，澳大利亞著名教育心理學家比格斯（Biggs，J.B）與林斯（Collis，K.F）合作出版了《學習質量的評價：SOLO分類法》91一書，提出了SOLO（StructureofObservedLearningOutcome）分類理論。該理論以皮亞杰的認知發(fā)展階段學說（核心思想是兒童的認知具有階段性，不同階段的認知水平有質的不同）為基礎，是一種以認知等級劃分為特征的學習質量評價方法，能夠根據(jù)學生的反應表現(xiàn)評價思維結構的復雜性，測量學生知識的理解程度和學習深度。他們認為，人的認知不但在總體上具有階段性，而且在具體的學習過程中，同樣也具有階段性。雖然人的總體認知結構難以直接檢測，但在學習中所表現(xiàn)出來的認知階段是能夠檢測的，即是可觀察的學習結果結構。如圖1所示，SOLO分類法將學生個體認知反應水平由低到高或學習結果由簡單到復雜劃分為五個層次。

1.前結構。學生對學習無興趣，思維邏輯混亂，不思進取;注意力分散，遇到問題沒有反應或是無關、無意義的反應;不具備相關知識，找不到解決問題的思路，學生基本處于“無學習”的狀態(tài)。

2.單點結構。學生只能對單一事件或概念初步理解，還不能進行深人思考和探究只能調(diào)用已有知識體系中的一個素材或一個理由來支持自己的觀點，只知其一，不知其二;對于新概念、新知識機械記憶，僅能做出簡單、無變化性的陳述。

3.多點結構。學生能同時理解多個孤立事件，但不能建立它們之間的內(nèi)在聯(lián)系;可以從多個方面來回答問題或運用多種方法解決問題，但它們是分散的，缺乏系統(tǒng)性;對問題本質特征有一定程度的理解，但不能舉一反三。

4.關聯(lián)結構。學生能把某一事件的各部分特征整合為一個有機的整體，建立它們之間的內(nèi)在聯(lián)系;能將具體事件抽象化，從整體性、系統(tǒng)性的角度來思考事件;能對同一情境或認知領域內(nèi)的二個或多個具體問題進行關聯(lián)，并可將解決某一具體問題的知識、方法用于解決另一具體問題，實現(xiàn)知識的遷移;能理解多種方法或多個線索之間的聯(lián)系，并將其有機整合，融會貫通，更好地解決問題。關聯(lián)結構沒有突破知識體系結構或學科范疇，是在同一知識領域內(nèi)部完成的遷移，屬于內(nèi)部關聯(lián)遷移[11]。

5.拓展抽象結構。學生能夠建立多個事件之間的聯(lián)系，對知識體系進行歸納、演繹與推理，并能遷移應用到新的情境中;將新知識體系與原有認知結構進行關聯(lián)，還能將關聯(lián)的結構整體抽象到一個更高的水平，或以推理方式類推到其他領域，概括出新的知識體系或新方法，使之適用于新領域劣構問題的解決。拓展抽象結構是學生突破知識結構本身的限制，進行的遠遷移或高級應用過程，又稱外部拓展遷移，屬于高階思維活動。

SOLO層次分類與淺層學習、深度學習之間的關系如圖1所示。前結構層次實質上是一種“無學習”的狀態(tài)，從前結構到單點結構再到多點結構的演進反映了學生的學習從無到有、從少到多的積累過程，是學習水平的量變，屬于淺層學習范疇（“無學習”也可以看成是淺層學習的一種極端情況）。從多點結構到關聯(lián)結構的演進反映了學生學習水平的量變積累與質變躍升的過程，也是從具象性知識的抽象化到抽象知識的具體化應用過程，即從知識理解到知識的內(nèi)部關聯(lián)遷移過程。從關聯(lián)結構到抽象拓展結構的變化則意味著學生進人了下一個更高層次的發(fā)展水平[13]，是學習水平的質變過程，屬于外部拓展遷移。關聯(lián)結構和拓展抽象結構都屬于深度學習范疇，抽象拓展結構是深度學習的高級階段。深度學習是學生在特定情境中認知結構和思維水平的轉變和遷移，是一個縱深變化的過程[14]。隨著學生個體思維結構層次的提升，其所處的SOLO層次也會相應地上升，即學生在SOLO層次上不斷循環(huán)發(fā)展，而SOLO層次的螺旋式上升又體現(xiàn)了學生認知結構的變化，從淺層學習逐漸向深度學習演進。但淺層學習與深度學習常常相互滲透，前者的主要價值在于它是信息的獲取人口，后者是前者的繼承、發(fā)展和超越[15]。

三、深度學習之演進機理

學習如何從前結構演進到單點結構、多點結構再到關聯(lián)結構、拓展抽象結構？如何實現(xiàn)認知結構與思維結構的轉變與跨越，即如何實現(xiàn)深度學習？SOLO分類理論的五個層次體現(xiàn)了學生的學習是一個由淺人深、由表及里、從低到高的循序漸進的認知過程，構成了前后連貫的不同學習階段。從SOLO分類理論可以看出，遷移是深度學習的核心特征，從內(nèi)部關聯(lián)遷移到外部拓展遷移，需要突破現(xiàn)有知識體系結構的限制，形成新知識結構與其它知識結構之間的有機關聯(lián)，將整體認知結構作為解決復雜問題和創(chuàng)新的大知識范疇"。知識遷移如何實現(xiàn)，是從淺層學習向深度學習演進的關鍵。

（一）堆積與分離：淺層學習的根源

堆積（Heap）指把事物堆集成堆或集中成堆放置8。堆積一詞應用于學習領域，是指概念形成初期的一種表現(xiàn)%，常以瀏覽、下載、檢索信息等方式將知識碎片或事件簡單地聚集在一起，尤其在海量的學習資源中漫無目的，僅以接受信息為主，不需要進行太多的認知加工，不能與已有知識或其他事件進行關聯(lián)，習得的知識之間是孤立的，未能理解其本質，此時學習者處于一種機械式記憶與被動學習的狀態(tài)。

分離意為分開、離開、隔離、分別之意。從心理學角度來看，分離會讓人的心情產(chǎn)生一種跌落的感覺，如，神游、癔癥性轉換、漫不經(jīng)心的反應以及無根據(jù)地否認自己的言行或情感狀態(tài)等。以堆積的方式學習，知識尚未理解，此時學習者容易失去學習的興趣，產(chǎn)生心理上的分離，即出現(xiàn)學習走神、發(fā)呆、注意力不集中，甚至產(chǎn)生內(nèi)心沖突、厭倦學習與抵觸情緒等現(xiàn)象，為學習帶來負面影響，形成學習障礙。

人們對美好生活的向往或遠大的理想抱負會產(chǎn)生較強的求知欲;考慮到今后將面臨生存與競爭的壓力，也會強迫自己學習，故在概念形成與知識建構的初期會產(chǎn)生堆積式學習的動力。一方面，堆積式學習的動力會促進學習者從前結構向單點結構再向多點結構轉變，另一方面，堆積式學習過程本身又容易導致學習處于分離狀態(tài)，而分離又形成學習障礙，阻礙其轉變進程。如圖2所示，堆積與分離二者相互作用，易使學習陷人惡性循環(huán)，停留在淺層學習層面，難以實現(xiàn)深度學習。學習沒有達到一定的深度和水平，遷移、應用和創(chuàng)造也難以發(fā)生，學習處于前遷移的狀態(tài)。因此，堆積與分離是淺層學習的根源。

（二）同化與順應：深度學習內(nèi)部關聯(lián)遷移的關鍵

從本質上說，學習是一種個體或群體的認知活動[22]，深度學習則要求學生的認知達到一定的深度[23]。深度學習發(fā)生的過程就是認知失衡導致認知結構發(fā)生改變的過程[24]。杜威認為，認知是人類經(jīng)驗活動的一部分，而不是獨立于人類經(jīng)驗或實踐之外的活動，學習者必須把自己納人特定的學習環(huán)境中，并和環(huán)境進行物質與能量的交換[25]。瑞士著名心理學家皮亞杰認為，知識的本源既不是發(fā)生于客體，也不是發(fā)生于主體，而是在主體與客體的相互作用與建構過程中發(fā)生[26]。主體與客體之間的這種相互作用主要通過圖式、同化、順應與平衡等形式呈現(xiàn)。圖式是指一個有組織的、可重復的行為或思維模式。圖式源自于更大范圍的相關例證而非單一的學習經(jīng)驗，故圖式提高了記憶的提取和遷移能力[27]。同化是在認識過程中將外部環(huán)境因素整合于主體已有的認知圖式中去，引起圖式力量的變化，進而改進圖式。而順應正好相反，是通過改變主體內(nèi)部圖式以適應外部環(huán)境因素的變化。當主體的圖式不能同化客體時，主體必須調(diào)整原有圖式或建立新圖式，使之適應外部環(huán)境。人們對世界的認識不外乎兩個方面，一方面是外部事物與環(huán)境同化于內(nèi)部圖式，另一方面是內(nèi)部圖式順應于外部事物與環(huán)境這兩個對立統(tǒng)一的過程。同化與順應既相對立，又相依存。平衡是通過同化與順應兩種機制的動態(tài)調(diào)節(jié)，使個體認知在“平衡-失衡-平衡”循環(huán)往復的通路中發(fā)生作用，形成一個理性演進的認知系統(tǒng)結構，從低級向高級不斷發(fā)展[28]。

學習本身是原有經(jīng)驗的遷移[29]，遷移使得個體認知不斷得到發(fā)展，遷移量是原有知識與新知識或原有學習領域和新領域之間重疊部分的函數(shù)30。同化以內(nèi)容為中心，是信息以個人方式內(nèi)化，或者是內(nèi)容或技能與個人的聯(lián)結。如果新知識和原有知識相容（如，學習拉丁語有助于西班牙語的學習，因為這兩種語言有諸多相似的詞匯和語法），或者新舊知識處于同一情境或認知領域并且關聯(lián)度較高時，則知識容易遷移，同化作用越容易發(fā)生。反之，同化作用難以發(fā)生。因此，新舊知識相容是同化作用發(fā)生的必要條件。通過同化作用，學習者將新知識進行鑒別、分析并整合到原有知識結構中，促進概念轉變、知識建構與遷移，深度學習發(fā)生。這種原有認知結構沒有發(fā)生根本性改變，通過同化作用在同類情境中發(fā)生的遷移，稱為同化性遷移。當學習者接受到的信息與原有認知結構存在較大差異而不能同化時，就會形成認知沖突與失衡，此時，學習者可能會想辦法來調(diào)整自己，對原有認知結構加以調(diào)整或修改，甚至形成一種能適應外界環(huán)境并能包容新知識與經(jīng)驗的認知結構，使新舊知識相容，順應作用發(fā)生，認知結構達到新的平衡，學習者思維不斷深人，深度學習發(fā)生?？梢?，新舊知識相容也是順應作用發(fā)生的必要條件。這種通過順應作用來適應外界環(huán)境變化的遷移，稱為順應性遷移。

如上頁圖2所示，同化與順應這兩種機制共同作用，使同一認知領域或同一情境范圍內(nèi)的兩個或多個問題進行關聯(lián)，產(chǎn)生知識遷移，促進學習者認知從多點結構向關聯(lián)結構轉變，這種聯(lián)接所發(fā)生的遷移屬于內(nèi)部關聯(lián)遷移或近遷移。反之，沒有同化與順應兩種機制的作用，就沒有認知結構的不斷建構，也就沒有知識遷移，不會產(chǎn)生高階思維活動。因此，同化與順應是深度學習內(nèi)部關聯(lián)遷移的關鍵。

（三）重構與迭代：深度學習外部拓展遷移的動力源

從上述分析可知，新舊知識相容，是同化與順應發(fā)生的必要條件。不同情境的遷移與任務或知識所具有的共同要素的多寡相關[33]。對于不同情境的知識也可能屬于不同的學科，其共有要素少，相容度可能較低，原有認知結構與情境就變成深度學習的重大障礙。如，基于日常物理經(jīng)驗的設想使學習者理解天文相關概念變得困難[34]。因此，難以直接通過同化與順應機制的作用實現(xiàn)外部拓展遷移。

重構與迭代原本是計算機術語。重構是（Refactoring）是通過調(diào)整程序代碼改善軟件的質量和性能，使設計模式與架構更趨合理，并提高其可擴展性和可維護性[35]。重構一詞應用于教育領域，包括對知識、事件、情境的分解、重組、調(diào)整、凝聚、整合、融合、加工、處理、轉換、優(yōu)化、提煉、抽象等認知活動。當學習者遇到新情境中的問題時，需要重構已提煉出的知識，建構當前問題的意義。根據(jù)內(nèi)容不同可以將重構分為知識重構與情境重構。（1）知識重構。對不同領域知識或技術進行重構，可以生成新的知識與技術，如，將精密機械、信息傳感、人工智能、自動控制以及生物工程等多學科知識、技術融合，可以生成機器人核心技術;將游戲、網(wǎng)絡、戰(zhàn)爭等概念融合，可以形成網(wǎng)絡戰(zhàn)爭游戲這一新概念。重構現(xiàn)有知識體系或任務，并經(jīng)“舉一反三，融會貫通”，擴大基本經(jīng)驗的適用范圍，把所學知識運用于新的情景中以提高現(xiàn)有知識和新知識的相容度，既有利于學習者將其他領域的知識整合到現(xiàn)有知識結構中，促進知識的深度理解與建構，又有利于學習者調(diào)整現(xiàn)有知識關系，更好地適應外界環(huán)境，實現(xiàn)知識的跨情境遷移與應用。也就是說，通過知識、技術重構，促進同化與順應作用機制在跨情境中發(fā)生，實現(xiàn)知識的外部拓展遷移。這種通過重構學習者原有認知結構中某些構成要素，調(diào)整其關系或建立新的聯(lián)系，從而應用于新的問題情境的遷移，稱為重構性遷移，屬于遠遷移。（2）情境重構。學習情境影響遷移，大量的遷移發(fā)生于表層結構大相徑庭且具有共同抽象的結構之中6。知識表征并不是孤立事件，而是更大的相關事件的整合即圖式[37]。當某一知識在單一而非復合情境中學習時，要實現(xiàn)跨情境遷移就相當困難[38]，當在多樣化復合情境中學習時，學生更有可能抽象出概念的相關特征，發(fā)展彈性的知識表征，實現(xiàn)“觸類旁通”與知識的跨情境遷移39。如，使用經(jīng)過挑選的對比案例情境能幫助學生學會新知識的應用。將學習情境進行重構，可以生成新的復合情境，如，在傳統(tǒng)教室的周圍設置創(chuàng)新創(chuàng)業(yè)系列圖書，在教室的中心布置討論桌、加工工具、實驗設備和產(chǎn)品展示平臺等，傳統(tǒng)教室就成為了學生知識學習與創(chuàng)新訓練為一體的新情境。新的復合情境有利于學習者抽象出概念與知識的相關特征，這樣，便于學習者對現(xiàn)有知識和新領域知識進行關聯(lián)，提高其相容度，導致同化與順應作用容易在跨情境中發(fā)生，促進知識的外部拓展遷移。

迭代開發(fā)是一種軟件開發(fā)方法。迭代是一種重復反饋漸進的活動，其目的通常是為了逼近人們所期望的結果。對開發(fā)過程的每一次重復稱為一次迭代，每經(jīng)過一次迭代，軟件開發(fā)質量將得到提升。迭代包含三層含義：重復、改進和升級，重復是基礎，改進是過程，升級是目的。在迭代中要不斷質疑、反思、試錯、判斷和驗證，突破新舊知識結構的臨界點，實現(xiàn)從量變到質變的迭代性進化。將迭代應用于教育領域，注重非關聯(lián)領域知識的應用、創(chuàng)新與創(chuàng)造，是一種更徹底的重構。隨著社會需求的快速變化，人們往往會面臨諸多復雜問題的解決，需要將多學科知識、多渠道信息、多元化技能、多層次能力與素質等進行有機整合，提升創(chuàng)新創(chuàng)造能力與高階思維能力，強化整體特性（如，STEAM教育提倡培養(yǎng)學生的綜合素養(yǎng)與整體能力，從而可以提高其他諸多非相關領域知識的學習效果），再遷移、應用至新領域與新情境，這種遷移稱為迭代式遷移，是外部拓展遷移的高階形態(tài)。通過迭代，優(yōu)化現(xiàn)有知識結構、能力結構以適應非關聯(lián)領域，其實質也是提高現(xiàn)有知識與非關聯(lián)領域知識的相容度，使同化與順應機制在非關聯(lián)領域間更好地發(fā)生作用，實現(xiàn)知識的遠遷移。

如圖2所示，重構與迭代都可以增加不同領域的兩個或多個問題的共有元素或提高新舊知識的相容度，促進同化與順應作用機制發(fā)生，易于實現(xiàn)跨領域知識遷移;迭代可以強化總體特性或廣義上的相關知識，提高學習者學習能力與跨領域遷移能力。重構與迭代都有利于促進學習者個體認知快速發(fā)展及高階思維能力的飛躍式提升，是更高層次的同化與順應，是關聯(lián)結構向拓展抽象結構轉變的動力源。

四、深度學習之人工智能賦能

人工智能具有計算智能、感知智能和認知智能，可以模擬人的思維過程與行為（如學習、推理、思考、規(guī)劃等），創(chuàng)設豐富、逼真的學習情境，與學習者進行交互，增強學習體驗，誘發(fā)學習動機，提供個性化學習服務，促進學習者認知結構的變化。如圖2所示，人工智能激發(fā)學習興趣，產(chǎn)生“堆積與分離”的正面效應和“同化與順應”的持續(xù)動力，縮短淺層學習的時間，促進學習者從淺層學習向深度學習快速跨越。人工智能促進新舊知識相容，為同化與順應作用機制的發(fā)生創(chuàng)造條件，實現(xiàn)知識的內(nèi)部關聯(lián)遷移。人工智能助力重構與迭代，一方面，為跨領域新舊知識相容度的提升提供動力源，促進同化與順應作用機制在不同領域之間發(fā)生，促進知識的外部拓展遷移，實現(xiàn)學習者認知結構由關聯(lián)結構向拓展抽象結構轉變;另一方面，促進學習者整體特性提升，提高學習者的認知能力與遷移能力。

（一）人工智能激發(fā)學習興趣與學習動機

興趣是學習者學習的內(nèi)在動力，直接影響學習的主動性、投人程度與保持力，是深度學習的內(nèi)源保障。學習動機包括學習者對學習的態(tài)度、價值觀、求知欲、自我效能感和成就歸因等方面。充分調(diào)動學習者的學習興趣，可以引發(fā)深層學習動機，克服“堆積與分離”所帶來的負面效應，實現(xiàn)從淺層學習向深度學習的快速跨越，也是同化與順應作用機制發(fā)生的持續(xù)動力。人工智能可以提供多樣化、個性化、智能化的服務，提高學習者的學習興趣，增加并維持學習者的學習動機，主要體現(xiàn)在以下方面：（1）基于智能搜索，建立數(shù)據(jù)倉庫，結合數(shù)據(jù)挖掘和機器學習等人工智能技術，構建知識圖譜，為學習者設計、推送個性化、豐富化、適切化的學習資源運用自然語言處理、語音識別、圖像識別等技術，深層次挖掘富媒體資源的內(nèi)在關聯(lián)，結合人機交互、增強現(xiàn)實等技術將復雜、抽象的學習資源以結構化、情境化、直觀化、游戲化的表征方式呈現(xiàn)，提升資源的交互性、體驗性、娛樂性，激發(fā)學習興趣。（2）運用機器學習、深度學習、圖像識別、語音識別、情感計算等人工智能技術設計智能學習系統(tǒng)（如百度智能機器人），可以為學習者提供知識學習、提問、答疑、導航、推薦和社交等全方位的智能化服務，并針對學習者的學習行為和效果分析、挖掘學習者關注點和興趣點，用自然語言與學習者進行實時、擬人化的深度互動，激發(fā)學習者的認知和情感。（3）利用增強學習、深度學習、可視化分析等人工智能技術建立智能測評系統(tǒng)，對學習者進行自動、客觀的過程評價，并給予實時的反饋與建議42），幫助學習者改進學習方法與策略，提高滿意度。4.運用在線學習算法、可視化方法呈現(xiàn)學習者成長曲線，基于用戶畫像進行情趣管理，基于個性化推送來定制游戲闖關，構建層層遞進的學習方式，讓枯燥無味的學習過程變得生動有趣，引導、鼓勵學習者去探索未知世界。

（二）人工智能助力新舊知識相容

新舊知識相容，是同化與順應作用發(fā)生的必要條件。在網(wǎng)絡化、移動化學習時代，學習者常獲取的是碎片化的知識，容易導致新舊知識之間的連接不足[43]。學習者受已有經(jīng)驗與知識的局限或遺忘等因素的影響，也可能導致新知識與先期知識之間的連接不足，知識遷移與應用受阻?？梢赃\用圖像識別、生物特征識別、語音識別、情境感知和大數(shù)據(jù)等人工智能技術，采集、感知、捕獲學習者的學習行為、學習習慣、學習狀態(tài)、學習動機和學習情感等數(shù)據(jù)，再綜合運用信息提取、認知診斷、知識圖譜、學習分析、數(shù)據(jù)挖掘、情感計算和數(shù)據(jù)可視化呈現(xiàn)等技術44，對學習者進行畫像，精準定位學生的學習短板，再結合當前學習內(nèi)容，系統(tǒng)通過關聯(lián)分析、角色分析，挖掘新舊知識之間的橋接知識，自動從海量的學習資源中提取并精準推薦學習內(nèi)容、學習路徑，供學習者自主學習，拓寬新舊知識融合渠道;通過學習者之間的社交網(wǎng)絡分析，可以定位學習者在網(wǎng)絡中的角色，進行朋輩學習，促進知識互補，完善知識體系，提高新舊知識相容度。如，Knewton公司開發(fā)的自適應學習平臺，可以讓學生更容易、準確地自動找到適切的學習內(nèi)容與資源。一是自適應學習系統(tǒng)為學習者精準推薦學習內(nèi)容與資源，分配學習任務，鞏固已有相關知識，實現(xiàn)新舊知識的連接;二是自適應學習系統(tǒng)為學習者自動推薦多層次、多類型的復合型練習，加深和拓寬當前知識與已有知識之間的聯(lián)通通道，建立新知識與已有知識的聯(lián)系;三是自適應學習系統(tǒng)為學習者推薦更廣泛的背景信息材料，重構知識之間的質性關系而展開回憶和聯(lián)想，建立新舊知識之間的內(nèi)在聯(lián)系45），為知識遷移創(chuàng)造更廣泛的條件。

（三）人工智能助力跨領域知識重構與情境重構1.人工智能助力跨領域知識重構。運用跨媒體智能檢索、語義分析等技術對來自不同領域、不同媒體的知識、技術或海量繁雜的知識碎片進行檢索、收集，再應用大數(shù)據(jù)、數(shù)據(jù)挖掘等技術構建知識倉庫，然后，運用跨媒體分析推理、語義分析、關聯(lián)分析、機器學習等人工智能技術進行知識的挖掘、分析、關聯(lián)、演化、重組、表征、推理與整合，構建跨媒體知識圖譜，重構跨領域知識體系，生成新的知識與技術，適應復雜的跨領域環(huán)境需求，實現(xiàn)知識的跨領域遷移與應用。

2.人工智能助力情境重構。具身認知、具身學習和具身課堂的本質與陶行知先生提出的“知行合一”有異曲同工之妙，需要將學習空間和其它物理空間、虛擬空間、社交空間、心理空間融合，打造師生之間、生生之間互動體驗的可視化平臺。人工智能可以實現(xiàn)多情境融合，有利于學習者抽象出概念的相關特征，促進新舊知識關聯(lián)，實現(xiàn)知識的跨領域遷移與應用。

運用系統(tǒng)動態(tài)模擬仿真、虛擬現(xiàn)實、智能識別、智能感知、自然語言理解等技術，可以高度模擬現(xiàn)實世界，提高學習者學習環(huán)境的情境性和沉浸度4，產(chǎn)生多種感官反應，讓學習者在虛擬世界中感受“真實”與現(xiàn)實問題，增加注意的廣度與深度，如，運用人工智能技術創(chuàng)建沉浸式語言訓練環(huán)境，模擬大量真實生活中的文字、圖像、語音和視頻，讓學習者沉浸于類似的母語環(huán)境中自主學習[47]。

運用增強現(xiàn)實、人機交互等技術把圖像、視頻、音頻等數(shù)字信息融人現(xiàn)實空間，將真實世界與虛擬環(huán)境相混合，學習者可以在虛擬與真實環(huán)境中無縫切換與交互，提高臨場感，提升學習者對知識的理解力和有意義信息的辨認力等[48]。

綜合運用人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)和自動控制等技術，創(chuàng)建一種集情境感知、自適應學習、思維可視化表征、實踐體驗、人機交互、分享展示、智能評價、環(huán)境自動調(diào)節(jié)等諸多功能為一體的智能復合學習情境，從而為學習者帶來全新的學習體驗。

（四）人工智能助力整體特性提升

1.人工智能助力信息感知與知識建構效率提升。一方面，運用可穿戴設備及自然語言處理、云計算、數(shù)據(jù)交互等技術延展效應器官（如眼、耳、手等），使多重感官受到刺激并交流，可以提高與外部信息交流的可達性[49]。另一方面，運用智能感知、數(shù)據(jù)挖掘、知識圖譜、智能推理、多模態(tài)反應生成器與虛擬現(xiàn)實等技術將來自不同渠道、不同領域的知識進行采集、整理、挖掘與整合，將知識以圖形、動畫、游戲、虛擬仿真等多種形態(tài)信息呈現(xiàn)，讓學習者用視覺、聽覺、觸覺等全感官感受新信息，以全方位的方式全身心投人學習過程，提高學習者對信息的感知與知識建構的效率[50]。

2.人工智能助力高階思維能力提升。借助增強現(xiàn)實、人機交互和深度學習等技術構建“真實”案例交互場景，可以供學習者進行訓練，促進學習者在實踐體驗中應用與建構知識，實現(xiàn)對知識的深層理解5。運用增量學習、虛擬現(xiàn)實等人工智能技術可以實現(xiàn)直觀可視化的情境模擬，讓學習者參與系統(tǒng)建構和動態(tài)調(diào)整，可以鍛煉學習者的邏輯思維能力與創(chuàng)新創(chuàng)造能力[51]。運用表征學習、情感分析等人工智能技術可以幫助學習者對知識進行搜集、提取、整合、創(chuàng)生和表達等，形成推理、抽象與反思等心智模式，助力學習者自主加工與創(chuàng)造知識[53]，提高高階思維能力?；趯＜蚁到y(tǒng)的語義圖示工具，以可視化的方式進行知識建模，幫助學習者梳理信息與知識，建立知識之間的內(nèi)在聯(lián)系，并不斷得到提示、評價與建議，進而促進學習者反思，訓練高階思維，促進知識的深度加工[54]

3.人工智能助力元認知能力提升。學習者可以與人工智能（如教育機器人）形成學習共同體，如，通過與人工智能實時交互，為學習者及時解答學習中的疑難問題，甚至共同探討與研究，促進學習者發(fā)生更高層次的認知，提高解決復雜問題的能力。人工智能還可以幫助學習者鑒別、診斷其學業(yè)水平、認知過程、認知結構與認知風格等，為學習者提供個性化改進策略，提升學習者的自我檢驗、自我反思和自我調(diào)控等元認知能力與水平[55]。

五、結語

學習是一個由淺人深、由表及里、從低到高的循序漸進的認知過程，深度學習是認知結構與思維結構的不斷轉變與縱深發(fā)展的過程，即從前結構向單點結構、多點結構再向關聯(lián)結構、拓展抽象結構的轉變。遷移是深度學習的核心特征，遷移使得個體認知不斷得到發(fā)展，遷移量是原有知識與新知識或原有學習領域和新領域之間重疊部分的函數(shù)。堆積與分離的相互作用既形成由無學習向淺層學習再向深度學習轉變的動力，又形成其轉變的阻力，是淺層學習的根源，易使學習停留在深度學習前遷移的狀態(tài)。新舊知識相容是同化與順應作用機制發(fā)生的必要條件，同化與順應這兩種機制的共同作用是深度學習內(nèi)部關聯(lián)遷移的關鍵，實現(xiàn)學習者認知從多點結構向關聯(lián)結構轉變。重構是更高層次的同化與順應，迭代是一種更徹底的重構，重構與迭代都可以增加不同領域的兩個或多個問題的共有元素或提高新舊知識的相容度，促進同化與順應作用機制在跨領域間發(fā)生，是深度學習外部拓展遷移的動力源。人工智能賦深度學習，一是人工智能激發(fā)學習興趣與學習動機，產(chǎn)生“堆積與分離”的正面效應和“同化與順應”的持續(xù)動力;二是人工智能促進新舊知識相容，為同化與順應作用機制的發(fā)生創(chuàng)造條件;三是人工智能助力重構與迭代，不但為跨領域新舊知識相容與外部拓展遷移提供動力源，而且可以強化總體特性，提高學習者的認知能力與跨領域遷移能力。

參考文獻：

[1]李海峰，王煒.國際領域“人工智能+教育”的研究進展與前沿熱點——兼論我國“人工智能+教育”的發(fā)展策略[J].遠程教育雜志，2019，（2）：63-73.

[2]李歡冬，樊磊.“可能”與“不可能”：當前人工智能技術教育價值的再探討——《高等學校人工智能創(chuàng)新行動計劃》解讀之一[J].遠程教育雜志，2018，（5）：38-44.

[3]李宏堡，袁明遠等.“人工智能+教育”的驅動力與新指南UNESCO《教育中的人工智能》報告的解析與思考[J].遠程教育雜志，2019，（4）：3-12.

[4]曾明星，李桂平等.從MOOC到SPOC：一種深度學習模式建構[J].中國電化教育，2015，（11）：28-34+53.

[5]李浩君，張征等.深度學習視角下的個性化學習資源推薦方法[J]現(xiàn)代遠程教育研究，2019，（4）：94-103.

[6][43][46][21][54]顧小清，馮園園等.超越碎片化學習：語義圖示與深度學習[J].中國電化教育，2015，（3）：39-48.

[7][16][40]康淑敏.基于學科素養(yǎng)培育的深度學習研究[J].教育研究，2016，（7：111-118.

[8]陳蓓蕾，張屹等.智慧教室中的教學交互促進大學生深度學習研究[J].電化教育研究，2019，（3）：90-97.

[9][澳]約翰B.彼格斯，凱文F.科利斯.高凌飚等譯.學習質量評價：SOLO分類理論（可觀察的學習成果結構）[M].北京：人民教育出版社，2010.

[10]Smith，T.W.，Colby，S.A..TeachingforDeepLearning[J].TheClearingHouse，2007，80（5）：205-209.

[11][12][17]劉哲雨，郝曉鑫.深度學習的評價模式研究[J].現(xiàn)代教育技術，2017，（4）：12-18.

[13]張浩，吳秀娟等.深度學習的目標與評價體系構建[J].中國電化教育，2014，（7）：51-55.

[14][24][28]殷常鴻，張義兵等.“皮亞杰-比格斯”深度學習評價模型構建[J].電化教育研究，2019，（7）：13-20.

[15]秦瑾若，傅鋼善.基于深度學習理論的MOOC學習活動設計以“現(xiàn)代教育技術”課程為例[J].現(xiàn)代教育技術，2017，（5）：12-18.

[18]百度百科.堆積EB/OL].https：//baike.baidu.com/item/%E5%A0%86%E7%A7%AF/32564？fr=Aladdin，2020-06-22.

[19]李剛，呂立杰.基于SOLO分類理論的學校課程轉化：水平劃分與教師角色[J].基礎教育，2017，（6）：50-59.

[20]百度百科.分離[EB/OL].https：//baike.baidu.com/item/%E5%88%86%E7%A6%BB/6369610.2020-10-23.

[21][2][29][30[33][34][6][37][38][39][美]約翰.D.布蘭思福特.程可拉等譯.人是如何學習的：大腦、心理、經(jīng)驗及學校（擴展版）[M].上海：華東師范大學出版社，2013.

[22]汪玲，郭德俊等.元認知要素的研究功心理發(fā)展與教育，2002.（1）：44-49.[23]李小濤，陳川等.關于深度學習的誤解與澄清[J].電化教育研究，2019，（9）：19-25.

[25]閻乃勝.深度學習視野下的課堂情境[J教育發(fā)展研究，2013，（12）：76-79.

[26]丁玲玲.大學英語教學中的知識內(nèi)化機制研究[J].教育探索，2012，（7）：63-64.

[31]EricJensen，LeAnnNickelsen.深度學習的7種策略[M].上海：華東師范大學出版社，2010.

[32]張國仁，楊金花.認知結構的概念形成及其理論發(fā)展探索[J].吉林教育學院學報，2010，（2）：100-101.

[35]百度百科.重構[EB/OL].https：//baike.baidu.com/item/%E9%87%8D%E6%9E%84/2182519.2019-05-07.

[41]曾明星，徐洪智等.人工智能賦能實踐教學：軟件工程“游泳池”實訓空間設計與應用[J].現(xiàn)代遠程教育研究，2020，（4）：48-56

[42]任毅，吳瑤等.人工智能技術對成人自主學習的影響[J].中國成人教育，2019，（9）：3-5.

[44]李振，周東岱等“人工智能+”視域下的教育知識圖譜：內(nèi)涵、技術框架與應用研究[J].遠程教育雜志，2019，（4）：42-53.

[45]高東輝，于洪波.美國“深度學習”研究40年：回顧與鏡鑒[J].外國教育研究，2019，（1）：14-26.

[47][48][49][50][51][53][55]郭炯，郝建江.人工智能環(huán)境下的學習發(fā)生機制[J].現(xiàn)代遠程教育研究，2019，（5）：32-38.

作者簡介：

曾明星：研究員，碩士生導師，研究方向為現(xiàn)代教育技術。

吳吉林：副教授，博士，研究方向為信息技術與地理信息系統(tǒng)。

徐洪智：副教授，博士，研究方向為人工智能理論。黃云：副教授，博士，研究方向為機器學習與深度學習算法。

郭鑫：副教授，碩士，研究方向為設計模式。

收稿日期：2020年11月6日

責任編輯：李雅琯