超越碎片化學(xué)習(xí)：語義圖示與深度學(xué)習(xí)

顧小清，馮園園，胡思暢

(華東師范大學(xué) 教育信息技術(shù)學(xué)系，上海 200062 )

超越碎片化學(xué)習(xí)：語義圖示與深度學(xué)習(xí)

顧小清，馮園園，胡思暢

(華東師范大學(xué) 教育信息技術(shù)學(xué)系，上海 200062 )

泛在技術(shù)的普及使得信息的獲取更加便捷，與之伴隨地是信息消費中的碎片化、多任務(wù)和淺層讀圖的現(xiàn)象。針對這一問題，該文依托于“語義圖示”所開展的研究，提出一個有助于提高學(xué)習(xí)深度的方案——語義圖示工具模型。作為一種幫助學(xué)習(xí)者達到深層學(xué)習(xí)的工具，語義圖示工具的設(shè)計超越碎片化的知識獲取方式，為學(xué)習(xí)者提供系統(tǒng)而全面的學(xué)習(xí)支持。該文首先追溯機器學(xué)習(xí)和教育領(lǐng)域中深度學(xué)習(xí)的發(fā)展；接著在語義圖示工具的設(shè)計中，借助人工智能技術(shù)，設(shè)計專家系統(tǒng)作為后臺支持，以實現(xiàn)可視化語義建模、語義推薦以及動態(tài)模擬的核心功能，這些功能旨在通過語義圖示幫助學(xué)習(xí)者做出決策、解決問題，以超越碎片化的信息獲取方式；最后，該文以案例的方式呈現(xiàn)語義圖示工具中的幾個核心功能，以示例如何通過可視化的語義圖示超越碎片化的語義獲取。

碎片化；語義圖示；深度學(xué)習(xí)；機器學(xué)習(xí)

一、背景及問題的提出

信息技術(shù)的飛速發(fā)展及其在社會生活中的普及，除了給公眾帶來更多的信息選擇和信息消費方式之外，同時帶來的，是信息獲取和信息消費的“碎片化”——泛在技術(shù)所帶來的副產(chǎn)品。一些調(diào)查顯示，近7成用戶每天通過手機訪問互聯(lián)網(wǎng)[1]，平均每天會查看自己的移動設(shè)備150次[2]，花費在移動設(shè)備上的時間每天長達2小時42分鐘[3]。據(jù)第十一次全國國民閱讀調(diào)查結(jié)果顯示，數(shù)字化閱讀方式的接觸率為50.1%，其中44.4%的讀者通過網(wǎng)絡(luò)在線閱讀，41.9%的讀者通過手機閱讀。并且信息獲取功能越來越受到成年網(wǎng)民的重視，有74.2%的網(wǎng)民將“閱讀新聞”作為主要網(wǎng)上活動之一，有45.0%的網(wǎng)民將“查詢各類信息”作為主要網(wǎng)上活動之一[4]。

以上調(diào)查從不同角度刻畫出信息獲取和信息消費的碎片化特征。碎片化的原因，一方面由于信息來源的多樣性和信息獲取的多渠道。在信息來源方面，小眾媒體、自媒體和大眾傳媒共存；在獲取渠道方面，移動終端成為公眾獲取多種渠道信息的主要載體，主動獲取和推送方式并行。另一方面，信息獲取的圖像化、信息消費的多任務(wù)特征，某種程度上也引起了碎片化的發(fā)生。信息技術(shù)的飛速發(fā)展推動了“讀圖時代”的到來，讀圖以“圖說”形式代替“言說”，符合當(dāng)代人的生活節(jié)奏和閱讀取向[5]。圖像的生動現(xiàn)場感給人們帶來的視覺沖擊，有時是任何語言的描述都無法企及的。雖然說“一圖勝千言”，然而，圖像的出現(xiàn)打斷了文字固有的邏輯性與連貫性，其所呈現(xiàn)的信息難以達到系統(tǒng)性和完整性的知識建構(gòu)要求。而且，當(dāng)面對圖像時，讀者滿足于圖像所提供的直觀信息，被動的接受而喪失了對文字的主動索取以及再造想象的空間。雖然在某種程度上，圖像的信息量大于文字，但是平面的形象缺乏文字所包含的深層含義。另外，典型的信息消費方式，往往也同時體現(xiàn)多任務(wù)的特征，從而加劇了信息消費的碎片化特性。無論是在線的閱讀還是移動中的閱讀，伴隨著多任務(wù)的特征：電腦上同時開啟多個窗口并行著多項任務(wù)；移動中更是如此，甚至是在通勤、對話、會議的間隙中并行著多任務(wù)。

隨著泛在移動技術(shù)成為數(shù)字學(xué)習(xí)的一種重要載體，上述信息消費中的碎片化、多任務(wù)和讀圖現(xiàn)象也開始出現(xiàn)在數(shù)字學(xué)習(xí)領(lǐng)域。當(dāng)學(xué)習(xí)者期冀在生活工作的間隙實現(xiàn)任意時間、任意地點的學(xué)習(xí)，借助移動泛在技術(shù)所實現(xiàn)的碎片化學(xué)習(xí)也就成為頗具潛力的一種學(xué)習(xí)方式。但是隨之產(chǎn)生的碎片化、多任務(wù)和讀圖等特征所帶來的學(xué)習(xí)深度問題也隨之浮出水面。某種程度上而言，人類拾取信息的自然方式本身就是碎片化的，學(xué)習(xí)就是對碎片化的知識、信息等“構(gòu)件”(Building Block)進行加工的過程[6]，但這只是故事的一個方面。故事的另一面，是碎片化的信息獲取所構(gòu)成的學(xué)習(xí)，往往具有淺閱讀的特征[7-10]。學(xué)習(xí)者從圖像中獲取信息，呈現(xiàn)感官化的審美取向，但同時可能帶來的，是文字感悟能力和抽象思維能力的喪失，學(xué)習(xí)者對知識的理解停留在淺表的感受層面，并且圖像作為典型的碎片化信息載體，在形式上難以建立系統(tǒng)的知識結(jié)構(gòu)。與此同時，當(dāng)學(xué)習(xí)者在不同的媒介(電子文檔、電子書、電子課本)、不同的載體(電腦、手機、平板)、不同的任務(wù)之間跳轉(zhuǎn)，人們開始擔(dān)憂這樣的學(xué)習(xí)恐怕缺乏對內(nèi)容的深入思考，不能將信息做廣泛聯(lián)系，學(xué)習(xí)僅僅停留在了獲取知識的淺層面，而缺少了對知識的匯集、過濾、歸納、反饋和創(chuàng)新。因此構(gòu)建“深度”的學(xué)習(xí)環(huán)境就成為突破淺層學(xué)習(xí)的關(guān)鍵。如何在學(xué)習(xí)者的認知突觸中留下軌跡，以便成為知識結(jié)構(gòu)中的組成部分？如何有效地對信息組織加工、構(gòu)建知識結(jié)構(gòu)、引導(dǎo)學(xué)習(xí)者建構(gòu)對整個問題的認識、促進學(xué)習(xí)者進行反思以及知識的遷移與應(yīng)用？成為我們關(guān)注的焦點。

本文所介紹的，是我們團隊針對上述現(xiàn)象，嘗試以“語義圖示”來突破碎片化和讀圖所帶來的學(xué)習(xí)深度缺乏問題而開展的研究。語義圖示，作為承載知識信息的新一代圖示媒介，將抽象的知識信息通過帶有語義規(guī)則的圖形、圖像、動畫等可視化元素予以表征，促進知識從認識到理解的過程[11]。本研究在語義圖示的研究實踐過程中關(guān)注“深度”學(xué)習(xí)情境的建構(gòu)，基于語義關(guān)系試圖構(gòu)建“語義圖示”工具，通過建立知識碎片間的語義關(guān)聯(lián)幫助學(xué)習(xí)者形成個人的知識體系，從而突破淺層學(xué)習(xí)，進行更深層面的可視化信息加工和知識建構(gòu)，構(gòu)建類似專家系統(tǒng)的語義模型，實現(xiàn)類似推理功能，幫助學(xué)習(xí)者認識和理解，達到深層學(xué)習(xí)。

二、數(shù)字化學(xué)習(xí)的訴求：深度學(xué)習(xí)

(一)碎片化時代的技術(shù)藥方：機器學(xué)習(xí)/人工智能會是良方嗎

數(shù)字學(xué)習(xí)所伴隨的碎片化、多任務(wù)和讀圖特征，給學(xué)習(xí)方式帶來多樣性及便利的同時，也帶來了學(xué)習(xí)缺乏深度的問題。應(yīng)對的明智方式，肯定不是倒洗澡水地同時也拋掉孩子這樣簡單。那么，在擁抱技術(shù)給學(xué)習(xí)帶來的可能性的同時，是否能夠發(fā)揮技術(shù)的潛力，提供深度的學(xué)習(xí)？如果我們把碎片化的學(xué)習(xí)看作是價值有待挖掘的學(xué)習(xí)信息拾取部分，并把學(xué)習(xí)的深度聚焦于將碎片化的資源加以聚合、將片段性獲取的信息加以邏輯組織，那么，目前發(fā)展勢頭迅猛的自動化技術(shù)，包括機器學(xué)習(xí)/人工智能技術(shù)，會是幫助提升學(xué)習(xí)的深度的良方嗎？

50多年前，人們就開始關(guān)注人工智能技術(shù)，希望有朝一日計算機能夠產(chǎn)生“自我”的意識，具有類人的、同時超越于人類局限的思維[12]。近年來，人工智能和機器學(xué)習(xí)技術(shù)取得了長足的進步，在大量現(xiàn)成數(shù)據(jù)的幫助下，計算機已經(jīng)能夠表現(xiàn)得十分強大。那么，能否借助機器學(xué)習(xí)和人工智能技術(shù)，幫助學(xué)習(xí)者組織碎片化學(xué)習(xí)資源，構(gòu)建自己的知識體系，輔助和促進深度學(xué)習(xí)的發(fā)生？在下面的部分，我們首先對深度學(xué)習(xí)進行綜述，以理清機器學(xué)習(xí)/人工智能技術(shù)與深度學(xué)習(xí)之間的關(guān)系。

(二)深度學(xué)習(xí)的回顧

(1)機器學(xué)習(xí)中的深度學(xué)習(xí)

實際上，搶注了“深度學(xué)習(xí)”這個名詞的，最早就是機器學(xué)習(xí)領(lǐng)域。在機器學(xué)習(xí)中，深度學(xué)習(xí)被定義為“一系列試圖使用多重非線性變換對數(shù)據(jù)進行多層抽象的算法”[13][14]。機器學(xué)習(xí)算法是一類從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進行預(yù)測的算法[15][16]，是對人的意識、思維和信息過程的模擬，是一門人工智能的科學(xué)[17]。而深度學(xué)習(xí)是機器學(xué)習(xí)中表征學(xué)習(xí)方法的一類，其關(guān)系如圖1所示。

圖1 深度學(xué)習(xí)、機器學(xué)習(xí)、人工智能間的關(guān)系

自2006年起，深度學(xué)習(xí)(或者稱為層次學(xué)習(xí))成為機器學(xué)習(xí)研究的一個新領(lǐng)域。深度學(xué)習(xí)技術(shù)采用的方法主要是無監(jiān)督學(xué)習(xí)，取代了人參與的特征選取的過程，自動進行特征學(xué)習(xí)，通過對原始輸入數(shù)據(jù)的處理分析自主發(fā)現(xiàn)一些有效特征[18]。一個典型的設(shè)置：一臺電腦面臨著一個大的數(shù)據(jù)集，需要對這些數(shù)據(jù)進行分類，類似沒有具體指令的情況下讓孩子對玩具進行分類。孩子可能對它們的顏色、形狀或功能，或其他的方面進行分類。機器學(xué)習(xí)者嘗試這樣做，例如對數(shù)以百萬計的手寫體進行大規(guī)模學(xué)習(xí)，把這些手寫體數(shù)據(jù)相互對比，在相似性的基礎(chǔ)上對他們“聚類”[19]。

之所以把這種學(xué)習(xí)稱為“深度”，是相對于之前的機器學(xué)習(xí)方法的“淺層”性。深度學(xué)習(xí)技術(shù)是對人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)的發(fā)展，通過模仿人腦的逐層抽象機制來解釋數(shù)據(jù)，設(shè)計算法對事物進行多層級分布式表示[20]，組合低層特征，自主發(fā)現(xiàn)有效特征，進行特征繼承，而形成抽象的高層級的表示[21]，在更高水平上表達抽象概念，以建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)[22]。

神經(jīng)網(wǎng)絡(luò)可以看作是深度學(xué)習(xí)的基礎(chǔ)。該領(lǐng)域的研究可以追溯到二十世紀五十年代，弗蘭克·羅森布拉特試圖建立模擬人類感知能力的機器，1957年成功完成感知機的仿真，1959年實現(xiàn)基于感知機的神經(jīng)計算機Mark1，在算法上發(fā)展了一種迭代、試錯、類似于人類學(xué)習(xí)過程的學(xué)習(xí)算法，能夠識別一些英文字母。上世紀八十年代，“反向傳播”算法出現(xiàn)，“隱層”概念被提出，解決了原始感知器無法解決的異或功能，構(gòu)建出更復(fù)雜的虛擬神經(jīng)元網(wǎng)絡(luò)。2006年，杰弗里·辛頓提出深度學(xué)習(xí)的概念，對“神經(jīng)網(wǎng)絡(luò)”進行改進，增加隱層的層數(shù)(深度)，發(fā)現(xiàn)如果人工神經(jīng)網(wǎng)絡(luò)的隱層足夠多，選擇適當(dāng)?shù)倪B接函數(shù)和架構(gòu)，并增加一個非監(jiān)督學(xué)習(xí)的“預(yù)訓(xùn)練”網(wǎng)絡(luò)組成，具有更強的表述能力[23]。

深度學(xué)習(xí)的發(fā)展不僅吸引了來自學(xué)術(shù)領(lǐng)域的目光，也吸引了工業(yè)領(lǐng)域的目光。過去的幾年里，谷歌、蘋果、IBM積極參與到深度學(xué)習(xí)技術(shù)的研究當(dāng)中。2007年開始，紐昂斯通訊公司開發(fā)以語音識別技術(shù)為基礎(chǔ)的虛擬個人助手“蘋果語音助手”；2012年6月，谷歌大腦通過模擬神經(jīng)連接來模擬人類學(xué)習(xí)[24]；2012年11月，微軟公開演示全自動同聲傳譯系統(tǒng)，實現(xiàn)自動語音識別、英中機器翻譯和中文語音合成，深度學(xué)習(xí)技術(shù)推動了語音識別精確度的提高[25]；2014年3月，F(xiàn)acebook人臉識別技術(shù)的識別率達到了97.25%，準確率幾乎媲美人類(97.5%)[26]。這些成功背后的技術(shù)支持都來源于機器學(xué)習(xí)領(lǐng)域的深度學(xué)習(xí)技術(shù)。

(2)教育中的深度學(xué)習(xí)

由于深度學(xué)習(xí)這個概念已被計算機領(lǐng)域“搶注”，我們用深層學(xué)習(xí)來闡述教育領(lǐng)域?qū)ι顚?深度學(xué)習(xí)的研究。與計算機領(lǐng)域的深度學(xué)習(xí)意義不同，教育領(lǐng)域的深層學(xué)習(xí)是一種學(xué)習(xí)方式，目的是為了構(gòu)建有意義的學(xué)習(xí)，在記憶的基礎(chǔ)上理解、歸納、掌握、運用，結(jié)合原有認知結(jié)構(gòu)，批判性地接收和學(xué)習(xí)新知識，建立知識間的相互聯(lián)系，通過分析，做出決策和解決問題的學(xué)習(xí)。與淺層學(xué)習(xí)停留于信息的接收不同的是，深層學(xué)習(xí)關(guān)注于對新知識的批判性吸收，將它們與已有知識建立關(guān)聯(lián)，引起對概念的理解和長期保留，以便于應(yīng)用到解決新的環(huán)境中所遇到的問題[27]。深層學(xué)習(xí)與淺層學(xué)習(xí)的主要特征對比如表1所示。

表1 深層學(xué)習(xí)與淺層學(xué)習(xí)的特征[28]

續(xù)表1

早在20世紀80年代，認知科學(xué)家發(fā)現(xiàn)當(dāng)學(xué)習(xí)者學(xué)習(xí)深層知識并清楚在真實世界和實際情況中如何運用這些知識時，知識會在學(xué)生頭腦中保持得更為持久[29]。最初，深層學(xué)習(xí)的概念由Marton and Saljo(1976)提出，通過測試學(xué)生閱讀文章，發(fā)現(xiàn)采用不同學(xué)習(xí)過程和策略的學(xué)生在理解和記憶中的表現(xiàn)有所不同，而采用深層學(xué)習(xí)還是淺層學(xué)習(xí)主要受到學(xué)習(xí)者意愿的影響[30]。隨后Biggs(1987)沿用深層學(xué)習(xí)和淺層學(xué)習(xí)的概念，指出不同的學(xué)習(xí)動機和學(xué)習(xí)策略的結(jié)合對學(xué)習(xí)效果的影響，同時，個人能力和流程控制影響元認知。為了了解學(xué)習(xí)者理解能力[31]，Pask(1977)將學(xué)習(xí)過程分為序列型(Serialist)和整體型(Holist)，序列型指按部就班閱讀文本，整體型指閱讀所有吸引注意力的文本[32]。研究發(fā)現(xiàn)，整體型更強調(diào)已有知識的構(gòu)建表達，而序列型更加關(guān)注程序細節(jié)，因此在理解力的表現(xiàn)上有很大不同。William & Flora Hewlett Foundation針對深層學(xué)習(xí)做了一系列研究，了解是否有一種實現(xiàn)方法推動深層學(xué)習(xí)的發(fā)生，發(fā)現(xiàn)：(1)通過設(shè)定明確的學(xué)習(xí)目標，設(shè)計基于項目的課程和實踐，改善教學(xué)策略，給予學(xué)習(xí)支持，以及追蹤內(nèi)容評估，可以幫助學(xué)習(xí)者掌握核心知識和批判性思維能力[33]。(2)網(wǎng)絡(luò)環(huán)境為學(xué)習(xí)者提供更多進行深度學(xué)習(xí)的機會，有助于復(fù)雜問題的解決，人際間的協(xié)作與交流，及時反饋，使得學(xué)習(xí)者更好地學(xué)習(xí)如何學(xué)習(xí)，進行跨學(xué)科學(xué)習(xí)，并建立知識與實踐的聯(lián)系，更好地應(yīng)對和解決復(fù)雜問題[34]。索耶(2010)指出深層學(xué)習(xí)需要學(xué)習(xí)者在新舊知識、概念、經(jīng)驗之間建立聯(lián)系，能夠?qū)⑺麄兊闹R歸納到相關(guān)的概念系統(tǒng)中，在學(xué)習(xí)過程中尋找學(xué)習(xí)模式和基本原理，并評價新的想法，能夠?qū)⑦@些想法與結(jié)論聯(lián)系起來。同時，要求學(xué)習(xí)者了解對話的過程，對話的過程就是知識產(chǎn)生的過程，在這個過程中，能夠批判地檢查論據(jù)的邏輯性，并對其理解及學(xué)習(xí)的過程進行反思[35]。

可以看出，深層學(xué)習(xí)的發(fā)生受到學(xué)習(xí)者學(xué)習(xí)動機、個人能力、學(xué)習(xí)流程、學(xué)習(xí)策略、學(xué)習(xí)環(huán)境以及情感和行為投入等因素的影響，強調(diào)高階認知目標層次和思維能力，總的來說，是一種有意義的學(xué)習(xí)，一種主動學(xué)習(xí)。因此，研究團隊希望通過對機器學(xué)習(xí)領(lǐng)域以及教育領(lǐng)域中深度學(xué)習(xí)的研究，找到一個可落地的深度學(xué)習(xí)方案，來輔助學(xué)習(xí)者完成深度學(xué)習(xí)的過程。

(三)尋求可落地的深度學(xué)習(xí)方案

碎片化學(xué)習(xí)中信息的片段化拾取往往是零碎的甚至閑散的，這樣的信息獲取往往缺乏對內(nèi)容的深入思考，不能建立信息的廣泛聯(lián)系，學(xué)習(xí)僅僅停留在淺層面；同時，“讀圖”方式的信息感知往往停留在對信息的感性認知而忽略其內(nèi)部邏輯聯(lián)系，不易進行學(xué)習(xí)的推理。如果學(xué)習(xí)只能停留在這種無組織、孤立的知識片段層面，也就難以超越碎片化導(dǎo)致的淺層學(xué)習(xí)局限。那么，上述的機器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)，抑或教育領(lǐng)域中的深層學(xué)習(xí)策略，是否是超越淺層學(xué)習(xí)的良方？

信息零碎、分散、缺乏邏輯性和連貫性是問題的關(guān)鍵。教育領(lǐng)域下的深層學(xué)習(xí)被視為一種學(xué)習(xí)方式，需要批判性地吸收建構(gòu)知識，強調(diào)新舊知識之間的相互聯(lián)系，通過分析做出決策，解決實際問題。深層學(xué)習(xí)的內(nèi)涵恰好可以填補碎片化學(xué)習(xí)中淺層學(xué)習(xí)的空缺。超越碎片化實現(xiàn)深層學(xué)習(xí)，是探索解決碎片化問題的要義。但是，深層學(xué)習(xí)雖然描述了一種有意義的學(xué)習(xí)，提出了對學(xué)習(xí)的要求，卻并沒有給出可操作的實施方案。那么，機器學(xué)習(xí)/人工智能技術(shù)，是否提供深層學(xué)習(xí)道路？專家系統(tǒng)作為人工智能的重要研究領(lǐng)域，是一類具有專門知識和經(jīng)驗的計算機智能程序系統(tǒng)，其內(nèi)部含有大量的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，通過推理和判斷，模擬人類專家的決策過程，解決那些需要人類專家處理的復(fù)雜問題[36]，可以對人的意識、思維和信息處理過程進行模擬，從而像專家一樣解決學(xué)習(xí)者學(xué)習(xí)過程中遇到的問題。

知識庫和推理機是專家系統(tǒng)的核心，建立知識庫的關(guān)鍵是知識的獲取和表示，通過推理機將獲取的知識進行邏輯化、系統(tǒng)化處理，可以作為輔助人類提升學(xué)習(xí)深度的有力工具。知識庫存放著搜集來的知識，通過系統(tǒng)地表達或模塊化，使得計算機能夠推論和解決問題。知識庫中的知識包含兩種，一種為知識本身，對物質(zhì)及概念的實體分析，并確定彼此關(guān)系；另一種為人類專家特有的經(jīng)驗法則、判斷與直覺[37]。推理機基于某種邏輯規(guī)則，針對當(dāng)前問題的條件或已知信息，反復(fù)匹配知識庫中的規(guī)則，獲得新的結(jié)論，以得到問題的求解結(jié)果。推理模式有正向和反向推理兩種，正向推理是從條件匹配到結(jié)論，反向推理則先假設(shè)結(jié)論成立，看條件是否得到滿足[38]。由此可見，推理機與專家解決問題的思維方式相似，而知識庫通過推理機實現(xiàn)其價值。

如果使用機器學(xué)習(xí)技術(shù)作為專家系統(tǒng)的推理機制，則專家系統(tǒng)主要的功能和任務(wù)就是根據(jù)給出的一系列特征推理出正確的分類結(jié)果。這種專家系統(tǒng)表現(xiàn)為，當(dāng)學(xué)習(xí)者給出知識的特征(或?qū)傩?，如圖2所示x1、x2、x3，專家系統(tǒng)可以依據(jù)數(shù)據(jù)訓(xùn)練而生成的預(yù)測模型進行推理，從而計算出知識目標變量，也就是最后的分類結(jié)果，如圖2中輸出結(jié)果。知識特征可以是一個也可以是多個，不同的知識特征有不同的權(quán)重，代表著對最后結(jié)果的影響程度，如圖2所示w1、w2、w3。例如某個用于辨別鳥的類別的專家系統(tǒng)，可以根據(jù)所給的特征推理出鳥的類別，不同類型的鳥具有不同的特征，如后背顏色、體重、翼展、腳蹼等。當(dāng)學(xué)習(xí)者向該專家系統(tǒng)輸入某一只鳥的特征信息：“體重為3千克，翼展為11厘米，無腳蹼，后背顏色為綠色”，專家系統(tǒng)可以提取問題根據(jù)其中的知識特征推理出知識的目標變量值為“瑰麗蜂鳥”。專家系統(tǒng)這種獨立而準確的“思考”能力是我們需要借鑒利用的。

圖2 專家系統(tǒng)工作原理

利用這樣的專家系統(tǒng)，在學(xué)生學(xué)習(xí)過程中扮演虛擬教師的角色，提供準確、實時的知識推送、信息反饋、動態(tài)模擬、學(xué)習(xí)建議，幫助學(xué)習(xí)者建立知識間的聯(lián)系，促進學(xué)習(xí)者進行學(xué)習(xí)反思，能夠在一定程度上輔助學(xué)習(xí)者實現(xiàn)深層學(xué)習(xí)，滿足數(shù)字化學(xué)習(xí)時代超越碎片化的訴求。本文所介紹的語義圖示研究，正是試圖結(jié)合深層學(xué)習(xí)的方法和深度學(xué)習(xí)的專家系統(tǒng)，設(shè)計一個具有語義關(guān)系的圖示工具，該工具不僅能夠可視化地表征知識語義關(guān)系，便于人們對零散的知識片段形成整體而又形象的認識和理解，還能通過分析語義模型實現(xiàn)推理、反饋、模擬等功能，從而在一定程度上破解碎片化和讀圖所帶來的學(xué)習(xí)深度缺乏問題。

三、語義圖示工具模型

在碎片化學(xué)習(xí)的時代，學(xué)習(xí)者必須突破淺層學(xué)習(xí)的局限，以實現(xiàn)深度學(xué)習(xí)的目標為努力方向，從而真正從數(shù)字化學(xué)習(xí)中受益。作為一種探索中的技術(shù)方案，本研究團隊嘗試以“語義圖示”來尋求突破碎片化和讀圖所帶來的學(xué)習(xí)深度缺乏問題。語義圖示工具模型的核心包括：(1)進行可視化知識表征的語義關(guān)系；(2)語義模型以及專家系統(tǒng)生成的語義推薦；(3)基于語義規(guī)則的語義建模和動態(tài)模擬。工具模型如圖3所示。該語義圖示工具模型使得學(xué)習(xí)者能夠以類似學(xué)科專家的方式，通過對帶有語義規(guī)則的圖形、圖像、動畫等可視化元素的操作，進行知識的建模，通過語義推薦功能，為學(xué)習(xí)者提供反饋和建議，使得學(xué)習(xí)者能夠在有支架的情況下，像專業(yè)人員一樣運用復(fù)雜的表征來進行交流，像科學(xué)家、數(shù)學(xué)家一樣利用具體的可視化模型[39][40]。同時，學(xué)生可以可視化地建立系統(tǒng)的學(xué)習(xí)者知識模型，通過得到的推薦進行反思從而不斷對形成的知識體系更新完善，通過語義的知識動態(tài)模擬直觀清晰地把握概念之間的關(guān)系。

圖3 基于專家系統(tǒng)的語義圖示工具模型

(一)語義關(guān)系的可視化表征

能夠用來進行知識的可視化表征或建立知識模型的語義關(guān)系圖，是語義圖示工具模型的最基本組成部分。深度學(xué)習(xí)的實質(zhì)表現(xiàn)是知識建模，而語義關(guān)系圖的主要功能，正是提供學(xué)習(xí)者進行知識梳理，建立知識對象和屬性、知識關(guān)系及過程的知識模型。語義圖示的這一功能提供了邁向深度學(xué)習(xí)的第一步。

語義圖示強調(diào)將抽象的知識進行可視化表征，在可視化界面，學(xué)習(xí)者看到的不是大段文字，而是攜帶語義的圖形、圖像。當(dāng)圖形、圖像攜帶語義，相比于傳統(tǒng)的讀圖，學(xué)習(xí)者可以更容易地把握知識的邏輯關(guān)系，建立碎片信息間的聯(lián)系。語義圖示對信息的可視化加工，大大增加了閱讀的效率，能夠適應(yīng)當(dāng)代人的生活節(jié)奏與閱讀取向。

學(xué)習(xí)者可以對這些可視化元素進行添加、刪除、編輯等操作，通過拖放它們的位置、改變它們的屬性，最后組成一個組圖，來表征某一知識及其關(guān)系，形成自己的知識體系。為了方便學(xué)習(xí)者的操作，這些可視化元素還可以提煉為語義圖示控件、語義圖示模板，使學(xué)生能夠快捷搭建自己想要的模型。

(二)語義模型以及專家系統(tǒng)

能夠用來進行基于規(guī)則的知識結(jié)構(gòu)化的語義模型，以及以語義模型為基礎(chǔ)的專家系統(tǒng)，是語義圖示工具模型實現(xiàn)深度學(xué)習(xí)的核心功能。語義模型是以模型為媒介來實現(xiàn)數(shù)據(jù)語義關(guān)系形式化描述的一種方式。狹義的語義關(guān)系可以理解為文本的詞義關(guān)系。Kintsch and van Dijk (1978)在他們的早期模型中提出，文本的意義可以被解析為語義單元，它們依據(jù)連貫的語義關(guān)系互相聯(lián)系[41]。閱讀理解被視作是匯總語義單元的過程，推理被視作具有搭建文本連貫性缺口的橋梁作用。而廣義的語義關(guān)系表示概念間的單向潛在聯(lián)系[42]。常見的重要語義關(guān)系有：因果關(guān)系、上下位關(guān)系、所屬關(guān)系、同義關(guān)系、反義關(guān)系、能動關(guān)系、被動關(guān)系等。語義圖示中的語義關(guān)系是對語義的廣義理解。通過賦予圖形圖像一定的語義規(guī)則，為建立語義模型提供基礎(chǔ)。

語義模型可以通過兩種途徑產(chǎn)生：(1)人類賦予；(2)通過計算模型產(chǎn)生[43]。語義圖示中的語義包含了這兩種產(chǎn)生方式：學(xué)習(xí)者建立的語義模型由人來定義，而專家系統(tǒng)中的語義模型則通過計算機生成。語義圖示工具模型中的專家系統(tǒng)，其核心正是由計算機生成的特定知識領(lǐng)域的預(yù)測語義模型。基于語義模型，專家系統(tǒng)能夠進行基于規(guī)則的推理。需要說明的是，作為一種可落地的深度學(xué)習(xí)方案，這里所運用的專家系統(tǒng)采用的是基于經(jīng)驗專家的模型，而非通過機器學(xué)習(xí)獲取。兩種途徑的語義根據(jù)彼此的語義模型進行溝通。通過在學(xué)習(xí)者的知識需求和專家系統(tǒng)的知識庫之間搭建一座橋梁，將兩者從語義的角度建立關(guān)聯(lián)，對抽象的知識/信息進行基于語義模型的解析，以滿足學(xué)習(xí)者對深度學(xué)習(xí)的需求。

(三)語義模型的反饋

語義圖示工具模型的一項核心功能是專家系統(tǒng)通過獲取來自學(xué)習(xí)者的知識特征變量，利用預(yù)測語義模型進行分析推理，最后得到輸出，即知識的目標變量。當(dāng)學(xué)習(xí)者通過可視化界面的交互操作完成知識表征時，所形成的可視化圖像并不能直接被計算機理解，所以需要根據(jù)其語義將其解析成計算機可理解的語義模型。此時專家系統(tǒng)根據(jù)學(xué)習(xí)者在可視化界面建構(gòu)的知識模型，基于專家系統(tǒng)的知識庫生成相對標準的、正確的專家預(yù)測語義模型。專家系統(tǒng)得出的知識目標變量，很可能就是學(xué)習(xí)者遺漏的知識點，不確定的問題答案，這些反饋的信息就代表著學(xué)習(xí)者還需努力進步的方向，并反饋到用戶操作界面上。

學(xué)習(xí)者獲取碎片化知識片段時，很容易造成與先期知識之間的連接不足，專家系統(tǒng)可以推送相應(yīng)的知識來提示學(xué)習(xí)者進行關(guān)聯(lián)；學(xué)習(xí)者完成一次知識的建模后，可以與專家系統(tǒng)中較為標準完善的知識模型進行比對，專家系統(tǒng)給出反饋，提示知識的疏漏或者錯誤，學(xué)習(xí)者從而進行更深層的知識加工；在進行多次知識模型的比較后，專家系統(tǒng)根據(jù)總體的數(shù)據(jù)分析給出學(xué)習(xí)建議。這些反饋結(jié)果的形式多樣，可以是一些數(shù)據(jù)，例如兩種語義模型的匹配百分比、錯誤知識節(jié)點的數(shù)量；可以是知識節(jié)點，例如推送的學(xué)習(xí)者未能聯(lián)系起來的知識節(jié)點；也可以是知識模型，例如專家系統(tǒng)生成的標準語義模型。

學(xué)習(xí)者在使用基于專家系統(tǒng)的語義圖示工具時，不僅可以通過可視化的方式進行知識建模，幫助自己梳理知識，建立知識間的聯(lián)系，并對知識有整體而形象的認識理解，還可以在學(xué)習(xí)的過程中不斷得到提示、評估、建議，從而促進在學(xué)習(xí)中不斷反思，鍛煉高階思維能力，進行知識的深度加工，實現(xiàn)深度學(xué)習(xí)。

(四)語義建模與動態(tài)模擬

當(dāng)學(xué)習(xí)者在面對一些現(xiàn)實問題無法進行親身經(jīng)歷和實踐時，或者希望通過已知條件和現(xiàn)有數(shù)據(jù)，分析及預(yù)測趨勢時，對學(xué)習(xí)場景“情境化”是很好的解決方案，實現(xiàn)情境性學(xué)習(xí)環(huán)境設(shè)計是深度學(xué)習(xí)關(guān)注的一個核心，也是語義圖示工具設(shè)計的關(guān)鍵。

語義建模和動態(tài)模擬是語義圖示工具的核心功能。學(xué)習(xí)不僅僅是傳遞和獲得概念，學(xué)習(xí)者參與到類似學(xué)科專家研究的日?；顒又杏欣讷@得深度學(xué)習(xí)的發(fā)生[44]。語義圖示工具為學(xué)習(xí)者提供一個交互式的、解決復(fù)雜問題的環(huán)境，超越單一的對知識進行記憶，在這里，學(xué)習(xí)者可以像學(xué)科專家一樣建模、分析，將學(xué)習(xí)過程中的思維可視化，將學(xué)習(xí)者的內(nèi)在認知過程外化，幫助知識建構(gòu)和思路整理。同時，工具對真實存在的對象關(guān)系進行描述，建構(gòu)相似的、有意義的、可被操作的場景。在建模的基礎(chǔ)上，語義圖示工具實現(xiàn)過程的動態(tài)模擬：(1)針對群體型。群體型的動態(tài)模擬建立在數(shù)量的變化上，透過變化曲線，可以分析數(shù)據(jù)的變化和走向，例如羊群中的羊的數(shù)量變化。(2)針對個體型。在個體型的動態(tài)模擬中，需要對粒度進行劃分，這影響著整個系統(tǒng)的運算能力和靈活性，每個個體遵循各自的規(guī)則和算法調(diào)節(jié)自己的狀態(tài)。通過個體型動態(tài)系統(tǒng)可以模擬群體中每個個體的運動和軌跡，以實現(xiàn)真實場景的模擬，從而解決現(xiàn)實生活中遇到的實際問題，例如羊群中闖進一只狼，每只羊的運動狀態(tài)。

學(xué)習(xí)者通過建模，以及直觀可視化的情境模擬，參與到學(xué)習(xí)場景中，在反復(fù)不斷對系統(tǒng)進行建構(gòu)和修改的過程中，鍛煉學(xué)習(xí)者思維和邏輯能力。同時，工具的可視化結(jié)果為學(xué)習(xí)者提供反饋，形成一個學(xué)習(xí)閉環(huán)。

四、語義圖示應(yīng)用案例解析

死記硬背和簡單的記憶對個人的知識建構(gòu)的作用是淺顯的，起主要作用的是有意義學(xué)習(xí)的發(fā)生[45]。因此，本研究設(shè)計的語義圖示工具試圖幫助學(xué)習(xí)者實現(xiàn)深度的學(xué)習(xí)。以下的案例是現(xiàn)有的、能夠借用來從不同角度闡釋語義圖示功能，包括達到實現(xiàn)語義層級結(jié)構(gòu)模式的WordNet、實現(xiàn)語義推薦并與專家模型比對的Cmaptools，以及實現(xiàn)知識表征模擬過程的Insightmaker。

(一)語義關(guān)系：WordNet

語義關(guān)系的構(gòu)建是設(shè)計語義圖示系統(tǒng)最關(guān)鍵和基礎(chǔ)的部分?，F(xiàn)有的工具中，WordNet的類似功能能夠很好地對此予以闡釋。WordNet是由普林斯頓大學(xué)的心理詞匯學(xué)家和語言學(xué)家于1985年開始承擔(dān)開發(fā)的一個基于心理語言學(xué)理論的在線詞典參照系統(tǒng)。系統(tǒng)中的名詞、動詞、副詞和形容詞聚類為代表某一基本詞匯概念的同義詞集合，并在這些同義詞集合之間建立起各種語義關(guān)系[46]。

傳統(tǒng)字典通常根據(jù)詞形，標準的按字母順序?qū)υ~匯排序，而WordNet試圖根據(jù)詞義而不是詞形來組織詞匯信息，更像是作為人的智能結(jié)構(gòu)一部分的“內(nèi)在詞典”[47]，那么能夠表達詞匯概念的性質(zhì)和組織方式就顯得十分重要。在詞匯語言學(xué)中采用詞匯矩陣的概念來表示詞匯的組織方式，將詞按照“詞形”和“詞義”映射，“詞形”特指詞語或主題詞，“詞義”表示詞形所代表的詞匯概念[48]。如表2所示說明了詞匯矩陣的概念，假定列代表詞形，行代表詞義。如果同一表中，列中有多個表項，則該詞形為多義詞；行中有多個表項，則對應(yīng)的詞形是同義，相應(yīng)的詞為同義詞。

表2 詞匯矩陣[49]

詞形與詞義之間的映射是多種多樣的，有些詞形有多個不同的詞義，有些詞義可以用幾種不同的詞形來表達，WordNet中表示詞與詞之間的關(guān)系眾多，以同義、反義、上下位關(guān)系、整體部分關(guān)系為例進行介紹。

(1)同義關(guān)系

因為判斷詞之間關(guān)系的能力是在詞匯矩陣中表達詞義的先決條件，其中同義關(guān)系是WordNet中最重要的關(guān)系。將同義關(guān)系與上下文相關(guān)聯(lián)，如果兩種表達方式在語言文本中相互替代又不改變其真值，則這兩種表達就是同義的[50]。

(2)反義關(guān)系

反義關(guān)系并不是一種簡單的對稱關(guān)系，有些詞概念上相對，卻不能稱為反義詞。反義詞是一種詞形間的詞匯關(guān)系，而不是詞義間的語義關(guān)系，區(qū)分詞形之間的語義關(guān)系和詞義之間的語義關(guān)系十分必要。

(3)上下位關(guān)系

上下位關(guān)系是對詞義之間語義關(guān)系的描述，又稱為從屬/上屬關(guān)系、子集/超集關(guān)系或ISA關(guān)系。通常情況下，下位詞繼承上位詞的一般化概念的所有屬性，并且至少增加一種屬性，以區(qū)別于上位詞以及上位詞的其他下位詞。同時，上下位關(guān)系具有不對稱的關(guān)系，通常情況下，一個詞只有唯一的上屬關(guān)系，產(chǎn)生一種層次語義結(jié)構(gòu)[51]。對于名詞來說，最終的根節(jié)點都是實體[52]。

(4)整體部分關(guān)系

整體部分關(guān)系指某一個詞集是整體，而另一個詞集在含義上是該詞集的部分，“部分”可以進行繼承。

(二)可視化推薦：Cmaptools

語義圖示系統(tǒng)試圖實現(xiàn)的語義推薦功能，能夠通過CmapTools予以闡釋。CmapTools是人機識別研究院IHMC(the Institute of Human & Machine Cognition)開發(fā)的軟件，用戶可以利用它創(chuàng)建、導(dǎo)航、共享和分析評價以概念圖形式表示的知識模型[53]。學(xué)習(xí)者可以通過Cmaptools整合網(wǎng)絡(luò)資源、課堂資源、實驗資源以及領(lǐng)域知識，進行課程安排，記錄相關(guān)閱讀，整理數(shù)據(jù)，支持小組協(xié)作，整理畫圖、照片、視頻，進行多學(xué)科整合，用于演講、研究和課前、課后評價等活動，同時Cmaptools為學(xué)習(xí)者提供腳手架支持，帶來一種新的教育模式[54]。

Cmaptools包含“節(jié)點”“連線”和“連接詞”。節(jié)點代表某一命題或知識領(lǐng)域的關(guān)鍵知識概念，節(jié)點間的連線表示概念間的邏輯關(guān)系，連線上的連接詞表示概念間通過何種方式進行連接，如圖4所示。

圖4 Cmaptools要素組成

1977年，Novak提出知識組成的關(guān)鍵要素是概念以及概念間的關(guān)系的命題[55]，當(dāng)關(guān)鍵概念和概念間的相關(guān)關(guān)系通過概念圖呈現(xiàn)給學(xué)習(xí)者時，Novak發(fā)現(xiàn)這對學(xué)習(xí)者學(xué)習(xí)十分有效[56]。因此Cmaptools包含一個重要的功能，即學(xué)習(xí)者以“專家骨骼”為基礎(chǔ)，通過對“專家骨骼”修改或者重構(gòu)，來幫助構(gòu)建自己的知識體系。Cmaptools中包括近300種概念圖合理涵蓋1到12年級，6到18歲的科學(xué)領(lǐng)域，很多科學(xué)家專注于某一領(lǐng)域，并且不斷改進概念圖以達到更好的效果[57]。Camptools可以進行語義結(jié)構(gòu)比對，以及根據(jù)節(jié)點的語義關(guān)系及相關(guān)節(jié)點進行推薦，但是這種推薦并不是機器學(xué)習(xí)的結(jié)果，而是之前人為的已經(jīng)做好的一個穩(wěn)定的語義結(jié)構(gòu)，如圖5所示。

圖5 Cmaptools語義推薦

這種“概念圖式”的知識建模過程，幫助學(xué)習(xí)者理清思路，梳理概念間相互關(guān)系；語義自動推薦功能為學(xué)習(xí)者提供腳手架，引導(dǎo)并支持學(xué)習(xí)者進行下一步學(xué)習(xí)；語義比對功能，與專家結(jié)構(gòu)的對照能夠快速發(fā)現(xiàn)自主學(xué)習(xí)中的不足并及時矯正。

(三) 可視化模擬：Insightmaker

語義圖示作為超越碎片化的最重要功能，是實現(xiàn)基于語義的知識判斷，而現(xiàn)有的工具中，Insightmaker所具有的知識表征模擬過程能夠?qū)Υ擞枰允纠?。Insightmaker是一個基于Web的可視化建模和模擬工具，包含兩種通用的建模方法，分別為系統(tǒng)動力的建模和基于代理的建模，具有同樣的建模要素和規(guī)則[58]。Insightmaker的模擬功能將知識間的關(guān)系和變化進行動態(tài)展示，超越了停留在靜態(tài)理解層面上的認知，有助于達到深度學(xué)習(xí)的發(fā)生。

系統(tǒng)動力的建模，關(guān)注系統(tǒng)的整體集合。比如水桶漏水，將水視為一個整體，關(guān)心的是水的數(shù)量，而不是某一滴水。系統(tǒng)動力的建模主要運用四類基本元素，集合/原料(Stocks)、流程(Flows)、變量(Variables)和鏈接(Links)。Stock是儲存原料的集合，例如一個銀行賬戶是一個Stock儲存貨幣。Flow表示Stock中存儲的原料的移動，例如從存款到取款的過程，可以看做銀行賬戶中存儲的貨幣的移動。Variable是動態(tài)計算值或常量，例如一個銀行賬戶模型中，可以設(shè)一個變量表示利率，這個變量既可以是固定的，也可以是隨時間而變動的。Links表示不同原料之間的信息傳輸，如果兩個原料鏈接，那么它們以某種方式相關(guān)。如圖6和7所示，通過集合/原料、流程、變量和鏈接對羅亞爾島上狼和鹿的相互作用進行建模，用真實的數(shù)據(jù)可視化模擬狼和鹿數(shù)量的變化。

圖6 系統(tǒng)動力的建模案例—狼和鹿數(shù)量關(guān)系建模

圖7 系統(tǒng)動力的建模案例-狼和鹿數(shù)量關(guān)系模擬

基于代理的建模，關(guān)注集合中的對象。對群體中的個體進行模擬時，我們需要獨立的代理來代表人群中的每一個個體，每一個代理都需要一系列的屬性來定義它的狀態(tài)。例如，當(dāng)對一個捕食模型進行建模時，追捕者應(yīng)當(dāng)設(shè)置“饑餓”和“飽食”兩個狀態(tài)，當(dāng)捕食者狀態(tài)為“饑餓”時找尋獵物，當(dāng)狀態(tài)為“飽食”時保持靜止，如圖8所示?；诖淼慕ＶС謨煞N空間結(jié)構(gòu)，分別為地理結(jié)構(gòu)和網(wǎng)絡(luò)結(jié)構(gòu)。地理結(jié)構(gòu)即通過給定每一個代理x，y坐標，代理間的互動基于坐標進行移動。網(wǎng)絡(luò)結(jié)構(gòu)表示代理與代理間的關(guān)聯(lián)，代理間的互相關(guān)聯(lián)會影響到它們的行為。如圖8和9所示，這是一個果園。消費者圍繞果園尋找果樹，當(dāng)他們發(fā)現(xiàn)了肥沃的果樹，他們消滅掉所有的水果，即轉(zhuǎn)換為不肥沃的果樹。然而，隨著時間的推移，不肥沃的果樹漸漸長出新鮮的水果，又成為肥沃的果樹。

圖8 基于代理的建模案例—果園采摘與生長模型建模

圖9 基于代理的建模案例—果園采摘與生長模型模擬

五、小結(jié)與展望

以上即為研究團隊正在努力開發(fā)的語義圖示工具。Novak曾在一次訪談中說過，學(xué)習(xí)新知識的方式有兩種：一是機械學(xué)習(xí)，學(xué)習(xí)者將概念與命題隔離開；二是意義學(xué)習(xí)，學(xué)習(xí)者積極將已有概念與命題相結(jié)合，并對已有知識進行組織。然而，機械學(xué)習(xí)無法使得知識被長時記憶，只有意義學(xué)習(xí)可以應(yīng)用在解決新問題的情境中，促進以后的相關(guān)學(xué)習(xí)[59]。語義圖示工具設(shè)計的目的就是促進意義學(xué)習(xí)的發(fā)生，與以往概念圖、思維導(dǎo)圖不同，學(xué)習(xí)者通過語義圖示工具建立知識模型，實現(xiàn)思維方式的可視化；借助工具的語義推薦和比對，實現(xiàn)對學(xué)習(xí)過程的支持輔助；運用系統(tǒng)動態(tài)模擬仿真，實現(xiàn)真實場景的模擬，提高學(xué)習(xí)環(huán)境的情境性和沉浸性。學(xué)習(xí)的發(fā)生正在從外部環(huán)境設(shè)計向內(nèi)在認知過程和思維水平的培養(yǎng)進行過渡。

想要弄清楚深層學(xué)習(xí)“黑箱”的內(nèi)部過程，需要借助技術(shù)手段，更多地關(guān)注學(xué)習(xí)者的內(nèi)在學(xué)習(xí)過程，促進有意義學(xué)習(xí)的發(fā)生，使得超越碎片化成為現(xiàn)實。雖然新技術(shù)的發(fā)展，有利有弊，為教育帶來更多可能性的同時，也帶來了教育的困擾。但本研究在探究不同類型技術(shù)的過程中，剔除冗雜信息，旨在實現(xiàn)促進深層學(xué)習(xí)的功能，達到深層學(xué)習(xí)的教育價值，同時，處理好技術(shù)和教學(xué)的融合關(guān)系，更好地引發(fā)學(xué)習(xí)者深度學(xué)習(xí)的發(fā)生。

正如Berliner(2002)所說，教育是最難的科學(xué)，它和人相關(guān)；但同時也是最樸實的，其最終目的是為了促進人的發(fā)展。這也正是本研究團隊的立足所在，關(guān)注教育，發(fā)展教育，期待技術(shù)不斷地推動教育的發(fā)展[60]。

[1]Google.Our Mobile Planet:China [EB/OL].https://think.withgoogle.com/mobileplanet/zh-cn/,2014-12-31.

[2]Meeker M,Wu L.KPCB Internet Trends 2013[EB/OL].http://www.docin.com/p-659833489.html,2014-12-31.

[3]Flurry.Apps Solidify Leadership Six Years into the Mobile Revolution[EB/OL].http://www.flurry.com/bid/109749/Apps-Solidify-Leadership-Six-Years-into-the-Mobile-Revolution#.VIwA6_mUdvs,2014-12-31.

[4]“第十一次全國國民閱讀調(diào)查”成果發(fā)布[EB/OL].www.chuban.cc,2014-12-31.

[5]楊松芳.解析“讀圖時代”[J].沈陽師范大學(xué)學(xué)報(社會科學(xué)版),2006,30(3):49-51.

[6]Gagne E D,Yekovich C W,Yekovich F R.The cognitive psychology of school learning [M].New York:HarperCollins College Publishers,1993.

[7]王佑鎂.國內(nèi)外數(shù)字化閱讀發(fā)展及閱讀服務(wù)創(chuàng)新研究[J].中國信息界,2012,(12):42-43.

[8]王佑鎂.數(shù)字化閱讀對未成年人認知發(fā)展的影響研究[J].中國電化教育,2013,(11):6-11.

[9]潘雙林.網(wǎng)絡(luò)閱讀深度化的實踐探索[J].中國電化教育,2012 ,(4):110-112.

[10]李曉源.論網(wǎng)絡(luò)環(huán)境中的“碎片化”閱讀[J].情報資料工作,2011,(6):84-87.

[11]顧小清,權(quán)國龍.以語義圖示實現(xiàn)可視化知識表征與建模的研究綜述[J].電化教育研究,2014,(5):45-52.

[12]Turing A M.Computing machinery and intelligence [J].Mind,1950,(49):433-460.

[13]Bengio Y.Learning deep architectures for AI [J].Foundations and trends?in Machine Learning,2009,2(1):1-127.

[14]Bengio Y,Courville A,Vincent P.Representation learning:A review and new perspectives [J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2013,35(8):1798-1828.

[15]Mitchell T M.Does machine learning really work? [J].AI magazine,1997,18(3):11-20.

[16]Alpaydin,Ethem.Introduction to machine learning [M].Cambridge:MIT press,2004.

[17]Langley P.Elements of machine learning [M].San Francisco:Morgan Kaufmann,1996.

[18][21]Deng L,Li J,Huang J T,et al.Recent advances in deep learning for speech research at Microsoft [A].Rabab Ward.2013 IEEE International Conference on Acoustics,Speech,and Signal Processing[C].Vancouver:IEEE,2013.8604-8608.

[19]Marcus G.Is“Deep Learning”a Revolution in Artificial Intelligence?[EB/OL].http://www.newyorker.com/news/news-desk/is-deeplearning-a-revolution-in-artificial-intelligence,2014-12-31.

[20]Bengio Y.Deep learning of representations:Looking forward[A].Adrian-Horia Dediu.Statistical Language and Speech Processing[C].Berlin,Heidelberg:Springer Berlin Heidelberg,2013.1-37.

[22][24]Jones N.THE LEARNING MACHINES[J].NATURE,2014,(505):146-148.

[23]Hinton G E.Learning multiple layers of representation [J].Trends in cognitive sciences,2007,11(10):428-434.

[25]Scientists see promise in deep-learning programs[EB/OL].http://www.nytimes.com/2012/11/24/science/scientists-see-advances-in-deeplearning-a-part-of-artificial-intelligence.html?pagewanted=all&_r=0,2012-11-23.

[26]Facebook’s DeepFace software recognizes faces as well as humans do[EB/OL].http://www.nydailynews.com/life-style/facebook-hightech-deepface-article-1.1728372,2014-12-31.

[27]Houghton W.Engineering subject centre guide:Learning and teaching theory for engineering academics [M].Loughborough:Higher Education Academy Engineering Subject Centre,2004.

[28]Lublin J.Deep,surface and strategic approaches to learning [R].Dublin:Centre for Teaching and Learning,2003.

[29][36][40][44]R.Keith.Sayyer.The Cambridge handbook of the learning sciences [M].New York:Cambridge University Press,2006.

[30]Marton F,S?lj? R.On Qualitative Differences in Learning:I—Outcome and process*[J].British journal of educational psychology,1976,46(1):4-11.

[31]Biggs J B.Student approaches to learning and studying [M].Melbourne:Australian Council for Educational Research,1987.

[32]Pask,G.Third Progress Report on SSRC Programme HR2708[R].Richmond:System Research Ltd,1977.

[33]Mette Huberman,Catherine Bitter,Jennifer Anthony,Jennifer O’Day.The Shape of Deeper Learning:Strategies,Structures,and Cultures in Deeper Learning Network High Schools[R].Washington:American Institutes for Research,2014.

[34]Catherine Bitter,James Taylor,Kristina L.Zeiser,Jordan Rickles.Providing Opportunities for Deeper Learning[R].Washington:American Institutes for Research,2014.

[35]Kristina L.Zeiser,James Taylor,Jordan Rickles,Michael S.Garet,Michael Segeritz.Evidence of Deeper Learning Outcomes[R].Washington:American Institutes for Research,2014.

[37]Liao S H.Expert system methodologies and applications—a decade review from 1995 to 2004[J].Expert systems with applications,2005,28(1):93-103.

[38]畢學(xué)工,杭迎秋,李昕等.專家系統(tǒng)綜述[J].教育技術(shù)導(dǎo)刊,2009,7(12):7-9.

[39]Hayes-Roth F,Waterman D A,Lenat D B.Building expert system[J].Addison-Wesley Pub,1983,(1):405-420.

[41]Kintsch W,Van Dijk T A.Toward a model of text comprehension and production [J].Psychological review,1978,85(5):363.

[42]Blanco E,Cankaya H C,Moldovan D.Composition of semantic relations:Model and applications[A].Aravind K.Joshi.COLING '10 Proceedings of the 23rd International Conference on Computational Linguistics:Posters[C].Stroudsburg:Association for Computational Linguistics,2010.72-80.

[43]牟冬梅,陳倩,王麗偉.基于語義模型的數(shù)字圖書館知識組織信息抽取策略[J].圖書情報工作,2009,53(15):21-25.

[45][54][56][57]Novak J D,Ca?as A J.Building on new constructivist ideas and CmapTools to create a new model for education[A].Jaime Sanchez Ilabaca.IX Taller Internacional de Software Educativo TISE 2004[C].Santiago:Universidad de Chile.2004.

[46][49][50][51]Miller G A,Beckwith R,Fellbaum C,et al.Introduction to wordnet:An on-line lexical database*[J].International journal of lexicography,1990,3(4):235-244.

[47]姚天順,張俐,高竹.WordNet 綜述[J].語言文字應(yīng)用,2004 (1):27-32.

[48]Miller G A.Dictionaries in the Mind [J].Language and Cognitive Processes,1986,1(3):171-185.

[52]WordNet Relations [EB/OL].http://wordnet.princeton.edu/wordnet/,2014-12-31.

[53]Ca?as A J,Hill G,Carff R,et al.CmapTools:A knowledge modeling and sharing environment [A].Alberto J Can?as.Concept maps:Theory,methodology,technology.Proceedings of the first international conference on concept mapping [C].Pamplona:Direccion de Publicaciones de la Universidad Publica de Navarra,2004.125-133.

[55]Novak,J.D.A Theory of Education [M].NY:Cornell University Press,1977.

[58]Fortmann-Roe S.Insight Maker:A general-purpose tool for webbased modeling & simulation [J].Simulation Modelling Practice and Theory,2014,(47):28-45.

[59]希建華,趙國慶.“概念圖”解讀:背景,理論,實踐及發(fā)展——訪教育心理學(xué)國際著名專家約瑟夫· D· 諾瓦卡教授[J].開放教育研究,2006,12(1):4-8.

[60]Berliner D C.Comment:Educational research:The hardest science of all [J].Educational researcher,2002,31(8):18-20.

顧小清：博士，教授，研究方向為教育信息化理論與實踐、CSCL、學(xué)習(xí)技術(shù)系統(tǒng)用戶行為研究(xqgu@ses.ecnu.edu.cn)。

馮園園：在讀碩士，研究方向為知識可視化表征(irisfeng11@gmail.com)。

胡思暢：在讀碩士，研究方向為知識可視化表征(cc_fairy@hotmail.com)。

2015年1月12日

責(zé)任編輯：李馨 趙云建

Go beyond the Fragmentation:Semantic Diagram and Deep Learning

Gu Xiaoqing,Feng Yuanyuan,Hu Sichang
(Department of Education Information Technology,East China Normal University,Shanghai 200062)

Wide use of technology in education enables the convenient access to much richer information,while on the other hand,produce the so called phenomenon of“fragmented learning”,when the learners frequently engage in multi-task and pick up fragmented information,among which visual are always preferred.This phenomenon resulted in shallow learning is the problem that this paper tried to focused on.A“semantic diagram”model was proposed in this study as a way to help learners achieve deep learning,which can provide learners with a systematic and comprehensive learning support,to integrate the fragmented knowledge into a systematic knowledge base.This paper reviewed the development of deep learning in the field of machine learning and education at fi rst; then introduce the design of the semantic diagram tools based on the arti fi cial intelligence technology,using expert system as a back-end support to visualize semantic modeling,semantic recommendation and dynamic simulation,in order to help learners make decision and solve problems.At last,this paper listed three semantic tools as examples to represent core functions and illustrate how it works to help resolve the issue of learning fragmentation.

Fragmented learning; Semantic Diagram; Deep Learning; Machine Learning

G434

A

1006—9860(2015)03—0039—10