深度学习的发生学原理及实践路向

作 者:

作者简介:
罗生全(1976-),男,四川南充人,西南大学西南民族教育与心理研究中心暨教育学部教授,西南大学教育学部副部长,博士生导师,主要从事课程与教学论研究。重庆 400715;杨柳(1989- ),男,河南信阳人,西南大学教育学部博士生,主要从事课程与教学论研究。重庆 400715

原文出处:
教育科学

内容提要:

深度学习作为一种学习样态,是机器学习和学习科学领域普遍关注的核心话题。从发生学视角审视深度学习的历史发展谱系,可以发现机器学习与学习科学视域下的深度学习既存在发生共性,又有概念解析上的认识误区。了解深度学习如何发生,需从脑神经作用机制、“认知神经科学”发生的“身—心”关系、文化与情境互动构建等方面进行发生学原理的关键释义。推动深度学习发生原理的实践转化,助力我国教育现代化发展与学习型社会构建,可以通过建立“学习机制—教学转化”的跨学科应用程序、构建交互式场域的学习共同体、架构“知识获取—意义生成”的立体化与个性化教学设计、创设具有文化品性与生活实在的智慧学习环境来实现。


期刊代号:G1
分类名称:教育学
复印期号:2021 年 05 期

字号:

      [中图分类号]G791 [文献标识码]A [文章编号]1002-8064(2020)06-0021-07

      学习是人类永恒的话题。很难想象,离开学习的社会,其发展样态和组成要素的价值与意义究竟何在,在这样的社会中人将会何去何从。从人类诞生的认知革命到为生存奔波的农业革命,再到进步革新的科学革命,人类区别于其他动物的根本标志在于能制造和使用工具,而这离不开以模仿为基础和以创造为目标的“学习”。[1]深度学习作为一种学习样态,是机器学习和学习科学领域普遍关注的核心话题。深度学习在学生学习的层次上给予了“深”和“度”的理性回答,改变了以往对学习效果评定的固化认识,催生了一场关于学习范式研究的新革命。不过由于对深度学习缺乏内涵边界的清晰认识,使得深度学习从开始便遭遇发生学危机,如脱离发生情境、发生过程不明、发生目的刻板评价等现象。诠解深度学习应从发生学的“历史—现在—未来”视角客观呈现深度学习的本体指向,实现深度学习概念的公共体认,以此来明晰深度学习的发生学原理,为未来学习范式转变、支撑学生的完满发展提供理论支持和实践帮助。

      一、深度学习发生的现象审视

      从发生学的历时态视角检视深度学习的发生机理,是探明深度学习“是什么”“为什么发生”“如何发生”等一系列核心问题的方法论基础。发生学作为一种探究事物发生与演变的研究视角和方法最早运用于生物学领域,伴随20世纪80年代皮亚杰《发生认识论原理》一书的译介,该方法被人文社会科学广泛借鉴与应用,扩大了发生学的研究范畴。“从历史的结果出发,从现实出发,发现其本质的规定性,由此回溯本质要素和条件的历史形态及其相互作用与历史批判关系,发现演变的轨迹及其内在规律”[2]是发生学依循的研究路径。正因为研究对象是既存事物且已经历产生和变化过程,追溯事物构成要素和条件的早期历史形式,关照这些形式在整体上的相互作用过程[3],必然要将因素分析置于同一具体关联情境中,形成历史与现实的时空回应。发生学的解析范式给了回顾深度学习发生与演变历程的方法模型,也让深度学习能从历史回溯的视角再现因何缘起直至今日形态的原理述说。

      (一)深度学习发生的多维镜像

      兼具本体论和方法论的“镜像”之说,可为深度学习的发生提供过程呈现和结果关照,并在动态的发展过程中表明深度学习的研究旨趣和关系建构。通过“透镜”来看,深度学习既存在机器学习领域,又活跃在学习科学领域。

      发展派认为深度学习源于机器学习,机器领域深度学习的基础是人工神经网络,其形成经历了三个重要阶段。一是萌芽阶段。20世纪40年代伊始,“人工神经网络”(artificial neural networks,ANN)得到初步发展,但明斯基(Minsky)教授和派珀特(Papert)教授于1969年指出多感知器模型叠加生成的非线性分类功能却无法从这种多样累加形式找出参数如何被训练和构造的普遍规律。[4]二是发展阶段。1982年,霍普菲尔德(Hopfield)等学者对神经网络模型进行了理论意义上的建构。[5]随后,鲁姆哈特(Rumelhart)教授团队提出反向传播算法(Back Propagation,BP),在解决多层感知器无法训练问题的同时强调神经网络的非线性分类能力,将人工神经网络推向第二次演进高潮。[6]此后,限制性玻尔兹曼机、卷积神经网络以及循环神经网络等神经网络结构模型成型并得以较好发展,不过该时期的神经网络实际只能使用两至三层。[7]三是成熟阶段。2006年,辛顿(Hinton)教授团队提出了深度信任网络(deep belief network,DBN)的无监督学习算法,认为在该网络机制中的隐层神经网络不仅对学习者学习能力及其分类优化有很好帮助,而且借助“逐层初始化”可对学习模型优化遭遇的训练困境有效克服。[8]至此,深度学习(deep learning)成为神经网络发展的一般化指代并受到世界各国关注。从机器学习领域深度学习的发生路径来看,有几个特征值得关注:一是致力于传统人工智能领域的“人—机”智能协同发展;二是多采用设计、开发以搭建新模型或对原有模型改造的方法,借助计算机算法程序升级来解决技术难题;三是机器领域深度学习以不确定性的发展思维迎合着技术的不断更迭和“社会—技术—知识”多维空间的交织与裂变。

      深度学习在机器学习领域的蓬勃发展引起了学习科学领域对其价值的青睐。自20世纪50年代中期起,美国学者费伦茨·马顿(Ference Marton)和罗杰·萨尔乔(Roger Salio)就开始针对学生学习过程进行实验研究,认为学习者在学习过程中获取与加工信息的水平有浅层和深层区分,进而提出了浅层学习(surface learning)和深度学习(deep learning)概念[9]。此后,更多研究者加入了对深度学习的讨论。相较国外,国内开展深度学习的研究起步较晚,2004年美国教育传播与技术协会(AECT)重新释义“教育技术”并认为“结果导向(绩效导向)”的技术和方法不仅能够促进学习、利于学习,而且更关注学习结果,更利于“深度学习”。[10]技术研究理念的转变影响了国内研究的价值取向,有学者认为“深度学习是在理解的基础上,学习者能够批判地学习新思想和事实,并将它们融入原有的认知结构中,能够在众多思想间进行联系,并能够将已有的知识迁移到新的情境中,做出决策和解决问题的学习”。[11]至此,深度学习在我国迎来了研究拐点,特别是2013年以后,国内众多学者、相关领域期刊和研究机构的加入,使深度学习迎来了二次研究浪潮。统整研究来看,学习科学领域的深度学习同样有着鲜明的发展特征:一是根植于课堂教学实践,以课堂教学中学生学习能力与效果的深层次变化为主要信号;二是借助实证研究和混合研究范式,以多重研究手段综合作用到学习过程的始末,力争获得学生深度学习发生的显著性表征;三是借助教学模式和教学策略更新去主动创设“问题域(或事件)”,强调学生学习过程中的问题遭遇与解决和高阶思维能力发展。

相关文章: