聯(lián)通主義

［加］史蒂芬·道恩斯/著 肖俊洪/譯

【摘 要】

聯(lián)通主義認(rèn)為知識由實體間各種連接所組成;因為相互連接，一個實體的變化可能導(dǎo)致與之相連的另一個實體的變化;學(xué)習(xí)指的是這些連接的生長、發(fā)展、變化或加強。本文對聯(lián)通主義進(jìn)行概述，闡述聯(lián)通主義學(xué)習(xí)觀，詳細(xì)分析學(xué)習(xí)如何發(fā)生于網(wǎng)絡(luò)中。文章還對聯(lián)通主義進(jìn)行了解讀，從學(xué)習(xí)網(wǎng)絡(luò)角度分析聯(lián)通主義的理論基礎(chǔ)和實踐。文章最后從教學(xué)理論視角全面剖析了聯(lián)通主義。

【關(guān)鍵詞】? 聯(lián)通主義;教育;學(xué)習(xí);發(fā)展;網(wǎng)絡(luò);教育學(xué);評價

【中圖分類號】? G420? ? ? ? ?【文獻(xiàn)標(biāo)識碼】? B? ?【文章編號】? 1009-458x（2022）2-0042-15

導(dǎo)讀：聯(lián)通主義是近年一個高頻詞。然而，毋庸諱言，不少研究者對聯(lián)通主義精髓和要義的理解不甚到位或偏差，甚至純粹是趕時髦，為了引用而引用。比如，有些研究聲稱以聯(lián)通主義為理論框架，而實際做法卻與之相去甚遠(yuǎn)，如果用“背道而馳”言重了的話。眾所周知，聯(lián)通主義是喬治·西蒙斯（George Siemens）和斯蒂芬·道恩斯（Stephen Downes）“搗鼓”出來的，西蒙斯更加符合“典型”研究者的“模式”（我這里用的是聯(lián)通主義的術(shù)語pattern），善于按照既定“學(xué)術(shù)規(guī)范”著書立說，傳播學(xué)術(shù)主張;相比之下，道恩斯顯得有些“異類”，他是一個少見的演說家，迄今已經(jīng)應(yīng)邀到六大洲幾十個國家發(fā)表了500多場學(xué)術(shù)演講，常常“出言不遜”，似乎不拘泥于“模式”，更像是一個網(wǎng)絡(luò)大V，經(jīng)常通過自己網(wǎng)站和社交媒體傳播學(xué)術(shù)主張，其寫作風(fēng)格也常常給人一種“非典型”學(xué)者印象?；蛟S因為如此，西蒙斯幾乎成為聯(lián)通主義的代名詞，而道恩斯的很多觀點卻似乎沒有引起應(yīng)有的重視。

聯(lián)通主義在過去近二十年的發(fā)展歷程并非一帆風(fēng)順。首先，道恩斯和西蒙斯在理解上存在分歧，這些年他們時而公開“論戰(zhàn)”。同時，學(xué)界時而出現(xiàn)質(zhì)疑聯(lián)通主義“合法性”的聲音。比如，聯(lián)通主義強調(diào)知識的連通性和分布式，但有研究者認(rèn)為這不是新觀點，因為社會建構(gòu)主義以及具身、情景和分布認(rèn)知理論也持類似觀點①，也有研究者認(rèn)為它對交互的理解簡單化②，凡此種種，不一而足。因此，兩位創(chuàng)建者還得時而“迎戰(zhàn)外敵”。我認(rèn)為對聯(lián)通主義的一些質(zhì)疑或批駁不同程度上講或許言之有理，值得兩位創(chuàng)建者及其支持者深思，但也有一些“指責(zé)”似乎是因為批評者沒有深刻領(lǐng)會創(chuàng)建者的真實意圖。然而，不管怎么說，這些“論戰(zhàn)”有益無害，道恩斯在本文結(jié)尾也表明態(tài)度：“本文不是在為聯(lián)通主義辯護(hù)，不是要求學(xué)界相信或接受它的觀點。本文的每一個觀點都應(yīng)該接受實證檢查和驗證。文中一些表述可能需要進(jìn)一步完善，甚至通過進(jìn)一步研究予以推翻?！?/p>

基于這些方面的考慮，我一直想請老朋友道恩斯寫一篇文章，闡述他的聯(lián)通主義觀。2021年4月27日，道恩斯應(yīng)邀在馬來西亞理工大學(xué)（Universiti Teknologi Malaysia）舉辦的“聯(lián)通主義學(xué)習(xí)”網(wǎng)絡(luò)專題研討會上演講，我在他演講內(nèi)容基礎(chǔ)上初擬了一個寫作提綱，請他系統(tǒng)闡述他對聯(lián)通主義的理解，因此便有了這篇文章。文章介紹了他的聯(lián)通主義觀，包括聯(lián)通主義的概念、與其他理論的區(qū)別、學(xué)習(xí)如何發(fā)生、對聯(lián)通主義的解讀，以及如何從教學(xué)理論的角度理解聯(lián)通主義等方面。

文章在第一節(jié)指出，雖然這是“一個數(shù)字時代的學(xué)習(xí)理論”，其創(chuàng)建得益于數(shù)字技術(shù)的發(fā)展，“但是它不是對數(shù)字化的回應(yīng)，而是運用來自數(shù)字化的啟示解決長期困擾學(xué)習(xí)與發(fā)展領(lǐng)域問題的一種方法”。與其他學(xué)習(xí)理論不同，它不是“暗箱理論”，而是運用最新的自然和人工智能研究成果闡釋知識和學(xué)習(xí)，揭示學(xué)習(xí)發(fā)生機制，重新定義知識和學(xué)習(xí)，即“知識分布于由連接（connection）組成的網(wǎng)絡(luò)中”，而學(xué)習(xí)則是搭建連接，使得“一個實體的狀態(tài)變化能引起另一個實體的狀態(tài)變化”。學(xué)習(xí)是一個自組織（self-organization）過程，“無須其他干預(yù)”或“領(lǐng)頭”。本節(jié)還闡述了他與西蒙斯對學(xué)習(xí)理解的分歧（包括西蒙斯提出的聯(lián)通主義原則），最后簡要分析聯(lián)通主義在哪些方面不同于學(xué)界所熟悉的其他理論，比如教學(xué)主義、認(rèn)知主義和建構(gòu)主義。

第二節(jié)闡述學(xué)習(xí)的發(fā)生。本節(jié)首先指出現(xiàn)有理論不是“從學(xué)習(xí)者個人角度闡述學(xué)習(xí)如何發(fā)生”，并舉例說明神經(jīng)網(wǎng)絡(luò)視角下學(xué)習(xí)是如何發(fā)生的。文章還分析了西蒙斯一些術(shù)語不甚貼切之處，簡要介紹四種“學(xué)習(xí)理論”，即神經(jīng)元連通性——赫布連通性（Hebbian connectivity）、鄰接性（contiguity）、反向傳播（back propagation）和玻爾茲曼連通性（Boltzmann connectivity）。文章指出，目前的人工神經(jīng)網(wǎng)絡(luò)“已經(jīng)不是根據(jù)這些學(xué)習(xí)理論進(jìn)行分類”，并從拓?fù)?、激活函?shù)和特征檢測三方面分析網(wǎng)絡(luò)特性。本節(jié)最后介紹人類神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)如何學(xué)習(xí)。

第三節(jié)解讀聯(lián)通主義。文章指出網(wǎng)絡(luò)在現(xiàn)實世界隨處可見，在聯(lián)通主義看來教與學(xué)現(xiàn)象也是網(wǎng)絡(luò)現(xiàn)象?！爸R是理解世界的一種方式”，除了我們熟悉的質(zhì)性和量化知識外，還有一種有助于我們理解網(wǎng)絡(luò)現(xiàn)象的聯(lián)通知識。文章分析了與聯(lián)通知識相關(guān)的核心概念：涌現(xiàn)（emergence）、模式（pattern）、知曉（knowing）和辨識（recognition）。聯(lián)通主義是在這些意義上的“一個數(shù)字時代的理論”。本節(jié)還從八個方面討論了網(wǎng)絡(luò)設(shè)計原則：去中心化（decentralization）、分布式（distribution）、去中介化（disintermediation）、分解（disaggregation）、非集成（disintegration）、民主化（democratization）、動態(tài)化（dynamization）和去類別化（desegregation）。最后闡述成功網(wǎng)絡(luò)的語義原則：多樣性、自主性、開放性和交互性。

第四節(jié)討論如何在教學(xué)中實踐聯(lián)通主義。聯(lián)通主義主張“教學(xué)即示范和演示;學(xué)習(xí)即實踐和反思”。這是因為知識不是從一個實體轉(zhuǎn)移到另一個（或其他）實體，知識是“從網(wǎng)絡(luò)的實體，甚至是現(xiàn)實世界中實體的相互作用中生長和發(fā)展起來的網(wǎng)絡(luò)”，因此知識即網(wǎng)絡(luò)。示范和演示旨在激活這種相互作用，而網(wǎng)絡(luò)能否“生長”則取決于個體的實踐和反思。學(xué)習(xí)的最終目標(biāo)是辨識，即“能夠辨識相關(guān)現(xiàn)象，辨識包括對這些現(xiàn)象做出相關(guān)反應(yīng)”，因此知識即辨識。正因如此，聯(lián)通主義強調(diào)搭建連接而不是完整呈現(xiàn)內(nèi)容?！奥?lián)通主義核心技能是辨識信息源之間連接關(guān)系，即使在快速變化環(huán)境下也能做出決策;隨著新現(xiàn)象的呈現(xiàn)，能夠持續(xù)更新和改變我們的知識?！泵總€學(xué)習(xí)者都要成為網(wǎng)絡(luò)的節(jié)點，做網(wǎng)絡(luò)的實體。聯(lián)通主義教學(xué)法可以歸納為A（aggregating—聚合）、R（remixing—重新混搭）、R（repurpose—改變用途）、FF（feed forward—前饋），即ARRFF法。本節(jié)還以第一門慕課為例解釋聯(lián)通主義學(xué)習(xí)環(huán)境。那么，如何評價學(xué)習(xí)（知曉）情況呢？本節(jié)介紹了包含六種模式的聯(lián)通主義素養(yǎng)模型即句法（syntax）、語義（semantics）、語用（pragmatics）、認(rèn)知（cognition）、背景（context）和變化（change），并說明如何實施評價。

與其他理論不同，聯(lián)通主義為我們“提供一個理解學(xué)習(xí)和發(fā)展的框架，而且這個框架不應(yīng)該被當(dāng)成一種工具使用”。換言之，它的目的不是提供具體、可操作、直接用于指導(dǎo)實踐的方法，因此只有深刻領(lǐng)會和準(zhǔn)確把握聯(lián)通主義的網(wǎng)絡(luò)觀、知識觀和學(xué)習(xí)觀以及建立在這些基礎(chǔ)上的教學(xué)觀，才能把它應(yīng)用到自己的實踐中。

雖然這篇文章篇幅嚴(yán)重超標(biāo)，但是道恩斯說很多地方只是點到為止，尤感意猶未盡。他說要爭取抽時間在這個基礎(chǔ)上寫一本專著。我們期待著。

衷心感謝道恩斯對我們一如既往的信任和支持?。ㄐた『椋?/p>

一、引言

喬治·西蒙斯（Siemens， 2004）把聯(lián)通主義（connectivism）稱為“一個數(shù)字時代的學(xué)習(xí)理論”。雖然數(shù)字技術(shù)的興起對聯(lián)通主義的形成產(chǎn)生了重要影響，但它不是對數(shù)字化的回應(yīng)，而是運用來自數(shù)字化的啟示解決長期困擾學(xué)習(xí)與發(fā)展領(lǐng)域問題的一種方法。

當(dāng)今教育領(lǐng)域不乏“學(xué)習(xí)理論”，比如基于行為、教學(xué)方法、交互距離、知識和意義建構(gòu)等理論、活動理論以及動機理論等。這些理論往往被用作解釋研究問題的工具或“視角”。然而，它們除了對知識和學(xué)習(xí)簡單化分類或描述外，對于何謂知識和學(xué)習(xí)自始至終沒有取得共識，更別說對何謂學(xué)習(xí)“成功”的標(biāo)準(zhǔn)。社會目前對教學(xué)、考試，甚至對教育方方面面普遍不滿，然而盡管如此我們照樣學(xué)習(xí)，而且收獲頗豐。至于為什么這樣，現(xiàn)在仍然無法從根本上進(jìn)行解釋。

傳統(tǒng)教學(xué)理論的弊端在數(shù)字時代暴露無遺。沃特斯（Watters， 2021）指出，雖然教育技術(shù)據(jù)稱有助于開展個性化學(xué)習(xí)和有意義的教育，但是即使采用最先進(jìn)的教育技術(shù)，我們所得到的不過是一個機械化、沒有人性、標(biāo)準(zhǔn)化的過程。換言之，是建立在斯金納箱（Skinner boxes）和行為主義基礎(chǔ)上的教學(xué)機器。聯(lián)通主義的提出不是為了回應(yīng)數(shù)字化，而是為了彌補教育領(lǐng)域與時俱進(jìn)理論的匱乏。它不像其他理論一樣提供“暗箱”（black box）和比喻，而是基于最新自然和人工智能研究成果對知識和學(xué)習(xí)進(jìn)行闡述。

由此可見，聯(lián)通主義不是解釋教學(xué)問題的另一種“學(xué)習(xí)理論”或“視角”，而是理解教與學(xué)的實證基礎(chǔ)，重新定義我們的知識觀和學(xué)習(xí)觀，揭示學(xué)習(xí)行為和評價。

二、什么是聯(lián)通主義？

（一）何謂學(xué)習(xí)？

對于何謂學(xué)習(xí)，可謂眾說紛紜。比如，加涅（Gagne， 1977）說學(xué)習(xí)是人的傾向或才能的一種變化。這個理論反映一種行為主義方法（Ryle， 1949）。梅耶從認(rèn)知角度把學(xué)習(xí)視為一個人知識的變化（Mayer， 1982）。在賓厄姆和康納（Bingham & Connor， 2010）看來，學(xué)習(xí)是吸收信息的一個轉(zhuǎn)變過程。史密斯（Smith， 1982）和布朗等（Brown， Roediger III， & McDaniel， 2014）則把學(xué)習(xí)看成習(xí)得知識和技能。

我認(rèn)為上述理論錯誤理解學(xué)習(xí)，我把它們稱為“暗箱理論”，因為它們沒有揭示學(xué)習(xí)的實際情況。比如究竟什么情況才算是“人的傾向或才能的一種變化”？這個定義說的是學(xué)習(xí)前后行為不一樣，但是為什么會發(fā)生這種變化？變化是如何發(fā)生的？我們一無所知。

聯(lián)通主義認(rèn)為知識分布于由連接（connection）組成的網(wǎng)絡(luò)中，因此學(xué)習(xí)指的是搭建和遍歷這些網(wǎng)絡(luò)的能力。

（二）聯(lián)通主義學(xué)習(xí)觀

學(xué)習(xí)是搭建連接，這不是一個比喻。一個人或某件東西在學(xué)習(xí)時，實際上是把網(wǎng)絡(luò)中兩個節(jié)點（node）或?qū)嶓w（entity）連接起來。連接指的是一個自然事件，不是比喻或“暗箱”。具體而言，如果一個實體的狀態(tài)變化能引起另一個實體的狀態(tài)變化，兩者之間便有連接。學(xué)習(xí)是所有網(wǎng)絡(luò)都在做的事情，即：①網(wǎng)絡(luò)節(jié)點（相互連接實體）的增加或減少;②節(jié)點之間連接的增加或減少或加強或減弱;③節(jié)點或連接的特性發(fā)生變化。第①和②說的是“可塑性”（plasticity）或“神經(jīng)可塑性”（neuroplasticity），即大腦神經(jīng)元有時增加有時減少，神經(jīng)元之間可能發(fā)生連接和斷開連接。第③點講的是連接強度的變化。比如，因為神經(jīng)元激活函數(shù)變化，不同能量輸入模式可能導(dǎo)致神經(jīng)元發(fā)出不同序列信號。

（三）自組織

連接通過一個自組織（self-organization）過程變成學(xué)習(xí)。相互連接、改變彼此狀態(tài)的實體通過自組織能夠?qū)崿F(xiàn)同步或以某種方式組織起來。比如，在一塊木板上擺放一組節(jié)拍器，然后把它放在兩個易拉罐上（如圖1所示），隨機撥動這些節(jié)拍器，即它們不是同時開始擺動，然而，它們的擺動節(jié)奏卻會漸漸同步起來（Bahraminasab， 2007）。

如何解釋這種現(xiàn)象？這些節(jié)拍器彼此相連，一個節(jié)拍器每一次左右擺動都會使木板也跟著移動起來，從而影響其他節(jié)拍器，有的擺動速度加快了，有的則減緩了，直到最后所有節(jié)拍器以相同節(jié)奏擺動。這就是自組織。這個例子說明相互連接的東西，無須其他干預(yù)，也無須一個“領(lǐng)頭”，便能實現(xiàn)同步或自己組織起來。這就是我所說的學(xué)習(xí)。

（四）西蒙斯的聯(lián)通主義理論

“聯(lián)通主義”這個術(shù)語歸功于喬治·西蒙斯，他在《聯(lián)通主義：一個數(shù)字時代的學(xué)習(xí)理論》一文奠定其基礎(chǔ)（Siemens， 2004）。因為有不同網(wǎng)絡(luò)，所以就有不同東西能夠?qū)W習(xí)，比如神經(jīng)網(wǎng)絡(luò)（Kasabov， 2014）和社交網(wǎng)絡(luò)（Oddone， 2018）。聯(lián)通主義講的是神經(jīng)網(wǎng)絡(luò)和社交網(wǎng)絡(luò)的學(xué)習(xí)。

我和西蒙斯最大的分歧之一是對學(xué)習(xí)的理解。西蒙斯認(rèn)為神經(jīng)網(wǎng)絡(luò)和社交網(wǎng)絡(luò)形成一個大網(wǎng)絡(luò)，知識包括大腦的所有連接、大腦與世界上其他一切東西的連接，以及這些東西的相互連接。因此，知識一部分在大腦中，一部分在社交網(wǎng)絡(luò)中（比如各種社交媒體或朋友圈）。

我卻是把它們分開對待，即個人學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）是一個網(wǎng)絡(luò)，社會學(xué)習(xí)（社交網(wǎng)絡(luò)）是另一個網(wǎng)絡(luò)，但是它們通過感知（perception）過程相互作用。在我看來，感知是神經(jīng)網(wǎng)絡(luò)與社交網(wǎng)絡(luò)相互作用的途徑，而交流（communication）或會話（conversation）則是社交網(wǎng)絡(luò)得以跟神經(jīng)網(wǎng)絡(luò)相互作用的途徑（關(guān)于這種相互作用，詳見下文有關(guān)“涌現(xiàn)”[emergence]和“辨識”[recognition]的討論）。

西蒙斯（Siemens， 2004）提出聯(lián)通主義的八條原則是：

· 學(xué)習(xí)和知識體現(xiàn)在多樣化觀點之中（換言之，存在于網(wǎng)絡(luò)中而不是僅集中于一個地方）;

· 學(xué)習(xí)是把特定節(jié)點或信息源連接起來的過程;

· 學(xué)習(xí)可能存在于不是人的事物中（比如一個組織或數(shù)據(jù)庫，因此西蒙斯說個人學(xué)習(xí)和社會學(xué)習(xí)組成一個大的學(xué)習(xí)網(wǎng)絡(luò)）;

· 知曉更多知識的能力比已經(jīng)掌握的知識更加重要（我們對這一點觀點一致，都認(rèn)為學(xué)習(xí)不僅僅是獲得內(nèi)容，還是為了培養(yǎng)認(rèn)識世界和與世界交互的方式）;

· 必須發(fā)展和維護(hù)連接才能促進(jìn)持續(xù)學(xué)習(xí);

· 能挖掘不同領(lǐng)域、觀點和概念之間的連接是一種核心技能（詳見下文討論）;

· 與時俱進(jìn)（準(zhǔn)確、最新的知識）是一切聯(lián)通主義學(xué)習(xí)活動的目的;

· 決策是一個學(xué)習(xí)過程（詳見下文討論）。

（五）聯(lián)通主義與其他學(xué)習(xí)理論的區(qū)別

聯(lián)通主義不同于建立在內(nèi)容基礎(chǔ)上的教學(xué)主義理論（instructivism），比如交互距離（transactional distance）理論。聯(lián)通主義認(rèn)為大腦不是一本書或一個圖書館，我們不是把事實、句子和觀點裝進(jìn)大腦、把它們組織起來并作為一個整體存放在大腦中，猶如書由書頁組成、圖書館存放書籍一樣。大腦不是這樣，只有網(wǎng)絡(luò)和網(wǎng)絡(luò)中不同實體相互發(fā)送的信號。

聯(lián)通主義不是認(rèn)知主義理論（non-cognitivist）。很多關(guān)于知識和學(xué)習(xí)的研究建立在認(rèn)知主義心智理論或認(rèn)知主義學(xué)習(xí)理論基礎(chǔ)上，主要涉及瞬時記憶、工作記憶和長期記憶，以及圖式的編碼和建構(gòu)、認(rèn)知負(fù)荷等。這些理論實際上是用計算機做比喻。大腦猶如計算機信息處理系統(tǒng)，然而工作記憶、認(rèn)知負(fù)荷等并不能反映學(xué)習(xí)的實際發(fā)生過程。

建構(gòu)主義理論（constructivism）認(rèn)為學(xué)習(xí)是建構(gòu)知識或表征現(xiàn)實?？墒?，我們依然陷入“暗箱”窘?jīng)r。聯(lián)通主義不是一種表征（representational）理論。根據(jù)表征理論，大腦是某種表征系統(tǒng)，諸如語言系統(tǒng)、邏輯系統(tǒng)、圖形圖像系統(tǒng)或表征客觀世界對象的其他符號系統(tǒng)，而且這個系統(tǒng)實體的創(chuàng)建和操作必須遵循一定規(guī)則。然而，大腦的認(rèn)知并非如此。有趣的是，人的學(xué)習(xí)經(jīng)常被比喻成計算機，而現(xiàn)在即使是人工智能也不再使用這個系統(tǒng)。我們過去經(jīng)常把它稱為人工智能專家系統(tǒng)或基于符號或規(guī)則的人工智能系統(tǒng)?，F(xiàn)在人工智能幾乎全部使用神經(jīng)網(wǎng)絡(luò)模型。我認(rèn)為聯(lián)結(jié)主義（connectionism）不是表征理論，因為不存在知識轉(zhuǎn)移、制造或建構(gòu)這些概念。學(xué)習(xí)和知曉知識（knowing）是發(fā)生于大腦的實際活動。

聯(lián)通主義是一種生長（growth）理論。猶如長肌肉一樣，學(xué)習(xí)和知曉知識是我們在生長和發(fā)展自己的過程。學(xué)習(xí)涉及人體這個由物理屬性構(gòu)成的物理系統(tǒng)，尤其是能夠根據(jù)已有經(jīng)驗、活動和活動結(jié)果生長和發(fā)展的神經(jīng)網(wǎng)絡(luò)。比如，只有通過鍛煉和科學(xué)飲食我們才能強身健體（最典型的例子是運動員）。大腦也一樣，只有通過實踐（并吸收養(yǎng)分）才能得以發(fā)展。學(xué)習(xí)猶如對大腦進(jìn)行“訓(xùn)練”，使之能夠辨識現(xiàn)實中的事物（并做出相應(yīng)反應(yīng)）。

然而，很多教育界人士并不認(rèn)同這種觀點，而是認(rèn)為通過正確“呈現(xiàn)”信息便能夠促使學(xué)習(xí)的發(fā)生，好像我們只要把信息告訴學(xué)生，學(xué)生即使不練習(xí)/實踐也自然而然能夠掌握相關(guān)知識。這種觀點顯然站不住腳，就像強身健體一樣，如果只動口（比如告訴運動員該怎么鍛煉）但聽者不行動，根本不可能取得強身健體的效果。

三、學(xué)習(xí)是如何發(fā)生的？

（一）概述

有不少學(xué)習(xí)理論闡述學(xué)習(xí)的發(fā)生，比如庫伯（Kolb）和杜威（Dewey）的體驗式學(xué)習(xí)理論，認(rèn)為學(xué)習(xí)過程包括具體體驗、觀察、理論和演繹推理等成分（如圖2和圖3所示）（Kolb， 1984）。

這些理論的共同點是闡述產(chǎn)生學(xué)習(xí)的過程，但是關(guān)注的是學(xué)習(xí)者環(huán)境（條件）而非學(xué)習(xí)者本身。比如加涅（Gagne， 1977）的“教學(xué)九大事件”涉及教師如何設(shè)計和組織學(xué)習(xí)活動，而不是從學(xué)習(xí)者個人角度闡述學(xué)習(xí)如何發(fā)生。從學(xué)習(xí)者個人角度看，學(xué)習(xí)應(yīng)該是這樣的（如圖4所示）（Wolchover， 2017）。

這僅是眾多神經(jīng)網(wǎng)絡(luò)的一種。圖4顯示，在向神經(jīng)元輸入分解成像素的圖像之后，接下來各環(huán)節(jié)環(huán)環(huán)相扣，連接在一起。這個處理（processing）過程發(fā)生于大腦后部枕葉的視覺皮層。視覺皮層接收作用于眼睛的所有輸入并進(jìn)行“2.5維圖”（Marr， 1982）檢測、邊緣檢測等一系列處理。這就是神經(jīng)元的工作原理。神經(jīng)元沒有說“我正在尋找邊緣”，它們只是接收輸入，然后產(chǎn)生輸出，僅此而已。它們不是“有意”檢測邊緣等——這是我們強加的理解，從我們的角度闡述神經(jīng)元的工作原理而已。

（二）信號、交互作用、結(jié)構(gòu)

西蒙斯多次談到網(wǎng)絡(luò)特點，但是他使用的術(shù)語不那么準(zhǔn)確。比如，他說網(wǎng)絡(luò)有“內(nèi)容”（content），而說網(wǎng)絡(luò)有“信號”（signal）更準(zhǔn)確，因為不是所有交互作用（interaction）都有意義，而“內(nèi)容”的言下之意是有意義。

西蒙斯討論大腦的“數(shù)據(jù)”（data）和“信息”（information）這些專業(yè)性很強的術(shù)語。一條數(shù)據(jù)代表一個事實（fact），而根據(jù)德雷茨克（Dretske， 1981）的觀點，信息是“從接收者角度看對世界上可能存在的事態(tài)的簡化”。由此可見，它們都不如“信號”準(zhǔn)確。

在西蒙斯看來，“交互作用”指形成連接和通過這些連接發(fā)送信號，由此產(chǎn)生interactivity（交互性）：一個實體把信號發(fā)送給另一個實體，這個信號有可能改變另一個實體的狀態(tài)。但是這個意義上的“交互性”應(yīng)該與大教育背景下所言的“交互性”區(qū)別開來，后者廣泛用于指會話或討論這一類的信息交換。

西蒙斯采用靜態(tài)（static）和動態(tài)（dynamic）知識結(jié)構(gòu)術(shù)語，這些術(shù)語本身也不夠清晰，因為可以指認(rèn)知或表征結(jié)構(gòu)（比如模型或框架）或物理結(jié)構(gòu)（比如社交網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)）。聯(lián)通主義認(rèn)為知識不是指認(rèn)知或表征結(jié)構(gòu)，而是專門僅指這些物理結(jié)構(gòu)中實體連通性模式。

同樣，我們用動態(tài)結(jié)構(gòu)指神經(jīng)網(wǎng)絡(luò)接收新信號的方式。西蒙斯用“新信息”和“新數(shù)據(jù)”術(shù)語，而更準(zhǔn)確的術(shù)語是“新（或剛）接收的感官知覺”（sensory perception）。西蒙斯認(rèn)為情感、動機、接觸、辨識模式、邏輯和體驗等能夠加強網(wǎng)絡(luò)中的連接，這些連接也受到其他因素的影響，包括社會化和技術(shù)（Melrose， Park， & Perry， 2013），甚至是“自我更新的節(jié)點”（self-updating nodes）。但是，這個術(shù)語欠精確，因為它可能只指內(nèi)部感覺（internal sensation）或是把信號發(fā)送給自己的循環(huán)網(wǎng)絡(luò)節(jié)點。

諸如“思想”“信念”“意圖”這些“心靈內(nèi)容”（mental content）術(shù)語，用丹尼特（Dennett， 1987）的話即是表明“意向性立場”（intentional stance），使用起來更加容易。只要不用其內(nèi)涵解釋其所指現(xiàn)象，它們本身沒有不妥之處。比如，說“電腦認(rèn)為（think）其內(nèi)存溢出”，我們并不真的以為電腦會“思考”（think）。同理，說某個人接收了新信息并不意味著這個人真的掌握了新事實。

（三）學(xué)習(xí)理論

有很多方法可以闡述學(xué)習(xí)的發(fā)生，但不涉及“意向性立場”。比如，闡述影響神經(jīng)元之間連接的形成和強度的因素要比討論教學(xué)實踐更恰當(dāng)，因此可以被理解為“學(xué)習(xí)理論”。具體說，我們可以從以下四個方面分析神經(jīng)元的連通性。

· 赫布連通性（Hebbian connectivity），即“一起放電的神經(jīng)元會緊密相連”原則（Hebb， 1949）。比如，兩個神經(jīng)元同時放電同時靜默，那么它們最終會彼此相連。這是形成網(wǎng)絡(luò)的最簡單形式。

· 鄰接性（contiguity），指實體在一定程度上相鄰而處。比如，在一個交互激活和競爭網(wǎng)絡(luò)（Interactive Activation and Competition Network）中節(jié)點相互競爭、與負(fù)權(quán)重相關(guān)聯(lián)，這些節(jié)點形成節(jié)點“池”（McClelland， 1981）。

· 反向傳播（back propagation），指反饋通過網(wǎng)絡(luò)回傳，調(diào)節(jié)連接權(quán)重。雖然人們常說反饋有助于學(xué)習(xí)，但是反向傳播在人類神經(jīng)網(wǎng)絡(luò)中的工作機制仍不清楚。目前，反向傳播應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)上 （Rumelhart， et al.， 1985），長期以來是最被看好的一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)形式。

· 玻爾茲曼連通性（Boltzmann connectivity），指網(wǎng)絡(luò)試圖通過調(diào)節(jié)連接權(quán)重實現(xiàn)最佳熱力學(xué)穩(wěn)定狀態(tài)（Hinton， 2007），類似于金屬的退火過程。比如，把一塊石頭扔進(jìn)水池中，水原子會嘩啦嘩啦翻動碰撞，但是水面最終又會“風(fēng)平浪靜”下來。

今天人工神經(jīng)網(wǎng)絡(luò)已經(jīng)不是根據(jù)這些學(xué)習(xí)理論進(jìn)行分類?，F(xiàn)在界定神經(jīng)網(wǎng)絡(luò)類型的因素包括拓?fù)洹⒓せ詈瘮?shù)和特征檢測。機器學(xué)習(xí)和深度學(xué)習(xí)這兩種使用神經(jīng)網(wǎng)絡(luò)的主要人工智能都可見這些核心概念。機器學(xué)習(xí)需要人的某種干預(yù)以發(fā)現(xiàn)或分類數(shù)據(jù)，深度學(xué)習(xí)則通過各種層次神經(jīng)元獨自發(fā)現(xiàn)和分類數(shù)據(jù)。

（四）網(wǎng)絡(luò)特性

人工智能領(lǐng)域認(rèn)為人工神經(jīng)網(wǎng)絡(luò)通過試錯工作。研究者開發(fā)各種模型解決具體問題。他們可以改變模型參數(shù)對其進(jìn)行調(diào)節(jié)以達(dá)成預(yù)期輸出目標(biāo)，然后用預(yù)定訓(xùn)練集對模型進(jìn)行訓(xùn)練。比如，圖5顯示了一個神經(jīng)元的工作原理（Gavrilova， 2020）。

神經(jīng)元通過網(wǎng)絡(luò)連接接收來自其他神經(jīng)元的信號。每個輸入都有一個權(quán)重，這可能是連接強度的函數(shù)。傳遞函數(shù)對這個權(quán)重進(jìn)行界定，可能提高其輸入值，或取最高值輸入、最高兩個值或中間值，等等。不管傳遞函數(shù)結(jié)果如何，它還得經(jīng)過激活函數(shù)的權(quán)衡，根據(jù)這些輸入是否達(dá)到一個閾值決定這個神經(jīng)元是否發(fā)送自己的信號對輸入進(jìn)行回應(yīng)。人的神經(jīng)元激活函數(shù)取決于電位（electrical potentials），這些都可以在分子層面闡述（Lumen Learning， 2021）。而根據(jù)上述玻爾茲曼原理，人工神經(jīng)網(wǎng)絡(luò)可以在連續(xù)多次的神經(jīng)元相互作用過程中降低，然后逐漸提高閾值達(dá)成激活的目的。

值得指出的是，人工神經(jīng)網(wǎng)絡(luò)的設(shè)計只用到幾種不同的神經(jīng)元，而人腦有數(shù)以萬計的不同神經(jīng)元（Masland， 2004），直到今天我們還在繼續(xù)收集和分類（Hippocampome， 2021）。神經(jīng)元因作用、在大腦所處位置以及對環(huán)境回應(yīng)的不同而具有多樣性。人腦這種多樣性無疑很重要，但是我們目前還遠(yuǎn)未了解不同神經(jīng)元如何相互作用。

神經(jīng)網(wǎng)絡(luò)拓?fù)湟哺鞑幌嗤≒ai， 2020）。上文的赫布網(wǎng)絡(luò)可以被重新說成是“前饋神經(jīng)網(wǎng)絡(luò)”（如圖6所示）或“感知器”（perceptron）。這是最早的人工神經(jīng)網(wǎng)絡(luò)類型之一。信號通過不同的神經(jīng)元層發(fā)送，每一個神經(jīng)元在信號輸入時，其激活函數(shù)便決定是否放電。這些都是簡單的網(wǎng)絡(luò)，只能用于“線性回歸”。它們有助于組織表格數(shù)據(jù)、圖像數(shù)據(jù)或文本數(shù)據(jù)，但是無法解釋復(fù)雜關(guān)系。

循環(huán)神經(jīng)網(wǎng)絡(luò)（如圖6所示）則將一個神經(jīng)元發(fā)送的信號回饋給這個神經(jīng)元，這樣便保存以連串形式輸入的數(shù)據(jù)，比如一個句子的單詞或一連串事件。這種網(wǎng)絡(luò)用于解決與時間序列數(shù)據(jù)和文本數(shù)據(jù)相關(guān)的問題。今天谷歌錄音器之類的應(yīng)用程序能夠在說話的時候把音頻信號轉(zhuǎn)換成文字，它們使用的是復(fù)雜循環(huán)神經(jīng)網(wǎng)絡(luò)。還有一種“卷積神經(jīng)網(wǎng)絡(luò)”，可用于捕捉圖像的空間特征（如圖7所示）。它分析呈現(xiàn)給它的像素排列，分辨不同圖像。這一點與上文的“鄰接性”相似。

因為有很多類型的神經(jīng)元，所以有很多類型的神經(jīng)網(wǎng)絡(luò)。限于篇幅，恕不一一介紹。

（五）網(wǎng)絡(luò)如何學(xué)習(xí)？

一個人工神經(jīng)網(wǎng)絡(luò)即使由數(shù)以萬計或數(shù)以百萬計的連接組成，仍然無法跟人腦相比。人腦有1，000億個神經(jīng)元和數(shù)不盡的連接。神經(jīng)網(wǎng)絡(luò)在接收、傳輸、重新組織和生長、生成有趣且相關(guān)現(xiàn)象以及辨識和回應(yīng)等方面具有強大的能力。這與學(xué)習(xí)有何關(guān)系呢？我們可以說這些網(wǎng)絡(luò)在“處理信息”，但是實際并非如此，網(wǎng)絡(luò)不關(guān)心信號的“內(nèi)容”。賴爾（Ryle， 1949）認(rèn)為學(xué)習(xí)是人的傾向的一種變化，我們認(rèn)為這種變化是神經(jīng)網(wǎng)絡(luò)的變化。網(wǎng)絡(luò)學(xué)習(xí)指網(wǎng)絡(luò)如何獲得其特性，神經(jīng)元如何生長和發(fā)展？它們?nèi)绾蜗嗷ミB接？網(wǎng)絡(luò)拓?fù)淙绾涡纬桑?/p>

顯然，遺傳在這方面發(fā)揮作用，但是僅在構(gòu)建發(fā)生學(xué)習(xí)的物理平臺方面。同樣，一些環(huán)境因素（比如營養(yǎng)和身體創(chuàng)傷）可能影響這個平臺。然而，神經(jīng)網(wǎng)絡(luò)的“學(xué)習(xí)”指的是感知和體驗如何塑造和發(fā)展神經(jīng)網(wǎng)絡(luò)的連通性。換言之，我們?nèi)绾巍吧L”知識。人類神經(jīng)網(wǎng)絡(luò)的塑造和發(fā)展被稱為“生物神經(jīng)可塑性”，即“神經(jīng)系統(tǒng)通過重新組織其結(jié)構(gòu)、功能或連接改變其活動以回應(yīng)內(nèi)部或外部刺激的能力”（Mateos-Aparicio & Rodríguez-Moreno， 2019），而人工神經(jīng)網(wǎng)絡(luò)則通過“訓(xùn)練”（training）達(dá)成這個目標(biāo)。

在教育領(lǐng)域“訓(xùn)練”這個術(shù)語內(nèi)涵不佳，往往表示死記硬背和機械重復(fù)，無須更深層次理解或認(rèn)知，但是在人工神經(jīng)網(wǎng)絡(luò)語境下并沒有這層含義，而是指網(wǎng)絡(luò)為了獲得與其體驗相適應(yīng)的配置（連接和連接權(quán)重）一次又一次所經(jīng)歷的過程。

因為信號通過網(wǎng)絡(luò)發(fā)送，神經(jīng)元特性、神經(jīng)元連接的性質(zhì)和強度，乃至整個網(wǎng)絡(luò)拓?fù)涠际墙?jīng)過上述一種或多種學(xué)習(xí)理論的過程塑造而成的。在訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)時，在一代又一代訓(xùn)練和一次又一次訓(xùn)練中反復(fù)發(fā)送這些信號。簡而言之，給它提供新的感知信號，通過網(wǎng)絡(luò)傳播信號，適應(yīng)這個過程。

四、解讀聯(lián)通主義

（一）現(xiàn)實中的網(wǎng)絡(luò)

對一個理論的不同“解讀”（interpretation）是指理解這個理論并把它應(yīng)用于現(xiàn)實世界的不同方式，解釋世界為何如此運轉(zhuǎn)。解讀不僅僅是陳述理論的內(nèi)容，還要解釋為什么其觀點是對的、相關(guān)的或有用的等。比如，我們可以從三個方面解讀概率理論：概率是“事件發(fā)生的頻率”（Reichenbach， 1949）、“全部可能事態(tài)的數(shù)量”（Carnap， 1950）和“對產(chǎn)生某一個結(jié)果的把握程度”（Ramsey， 1931）。這些不同解讀不但代表對概率的不同思考方式，而且也運用數(shù)學(xué)知識并將之應(yīng)用于不同學(xué)科中。比如，頻率說涉及統(tǒng)計推斷和回歸，事態(tài)說涉及本體論和分類學(xué)，把握說則涉及博弈論、偶然性和社會學(xué)。如同概率一樣，網(wǎng)絡(luò)理論以多種形式存在于現(xiàn)實世界中，比如，數(shù)學(xué)的圖論，計算機科學(xué)的聯(lián)結(jié)主義、人工神經(jīng)網(wǎng)絡(luò)和人工智能，生物學(xué)的生態(tài)論和生態(tài)系統(tǒng)，社會學(xué)的社交網(wǎng)絡(luò)分析和行動者網(wǎng)絡(luò)理論，生理學(xué)的感知說和神經(jīng)科學(xué)。上文提到的節(jié)拍器效應(yīng)是一種網(wǎng)絡(luò)理論，下面的八哥集群飛舞（murmuration）也是一種網(wǎng)絡(luò)理論（如圖8所示）（其他例子，另見：Barabási， 2003;Watts， 2003）。

如圖8所示，一群八哥在翱翔過程中不斷形成新隊形，這是一種網(wǎng)絡(luò)行為，雖然沒有任何形式的領(lǐng)導(dǎo)或指導(dǎo)但卻形成聚合力?！斑@些八哥實際上是自組織的，換言之，八哥集群飛舞正是一只八哥微不足道的行為規(guī)則被推而廣之到一群八哥身上所然的結(jié)果。為了理解這種行為，我們不得不先了解局部（個體在干什么？它遵循什么規(guī)則？）才能明白全局（結(jié)果是什么？）”（Donovan， 2021）。在諸如此類的例子中，“社會性動物間的協(xié)調(diào)要求個體間能夠快速和高效傳遞信息，而這可能主要取決于交流網(wǎng)絡(luò)的底層結(jié)構(gòu)”（Rosenthal， 2015）。隨處可見的網(wǎng)絡(luò)都有類似特性，比如社會組織（公司網(wǎng)絡(luò)或政治網(wǎng)絡(luò)）、基礎(chǔ)設(shè)施（電網(wǎng)或因特網(wǎng)）和社交網(wǎng)絡(luò)（網(wǎng)站、臉書和推特）。

這些（以及諸如此類）現(xiàn)象是可以觀察到的物理現(xiàn)象，用圖論（Euler， 1995）和人工神經(jīng)網(wǎng)絡(luò)描述。聯(lián)通主義把與教與學(xué)相關(guān)的現(xiàn)象看作是諸如此類的網(wǎng)絡(luò)現(xiàn)象，采用相同的基本原則和理論。以網(wǎng)絡(luò)方式看世界的好處之一是簡約（parsimony），即能夠把同一個理論應(yīng)用于多個領(lǐng)域，因此對相關(guān)現(xiàn)象的解釋力更強;另一個好處是轉(zhuǎn)移（transference），即如果不同領(lǐng)域基于相同邏輯，那么一個領(lǐng)域的發(fā)現(xiàn)便可以用于理解另一個領(lǐng)域。比如，計算機網(wǎng)絡(luò)知識可以被用于認(rèn)識人類神經(jīng)網(wǎng)絡(luò)。

（二）一個數(shù)字時代的理論

如上所述，西蒙斯把聯(lián)通主義看作是“一個數(shù)字時代的學(xué)習(xí)理論”。據(jù)此，聯(lián)通主義應(yīng)該旨在回答“知識是什么”這個問題。西蒙斯在后來的專著中指出“知識已經(jīng)從范疇化和層次關(guān)系向網(wǎng)絡(luò)和生態(tài)轉(zhuǎn)變。這使一切發(fā)生變化并強調(diào)改變我們的組織的空間和結(jié)構(gòu)的必要性”（Siemens， 2005， p. v）。這種觀點的提出絕非偶然。

上文指出知識是對網(wǎng)絡(luò)中連接的組織。比如，說“弗雷德（Fred）掌握某種知識”，實際是在說弗雷德被以某種方式組織起來。弗雷德有某一種神經(jīng)網(wǎng)絡(luò)，他已經(jīng)以某種方式“生長”他的神經(jīng)網(wǎng)絡(luò)，因此他知曉某方面知識，比如數(shù)學(xué)。但是，這不是說弗雷德記住了乘法表或勾股定理。知識和記憶不一樣。記憶猶如客廳游戲（parlor game），只需把聽到的話背誦出來，也如同美國拼詞比賽，只要記住詞匯的拼寫即可，不必知道它們的意思或如何使用（Melby-Lerv?g & Hulme， 2013）。知識顯然不只是記憶。

我們可以說知識是理解世界的一種方式。質(zhì)性知識（比如形狀、顏色或大?。┖土炕R（比如數(shù)量、重量或尺寸）是我們所熟悉的，與它們對應(yīng)的是質(zhì)性研究和量化研究（Creswell， 2020）。聯(lián)通主義認(rèn)為還有第三種知識，即建立在組織和結(jié)構(gòu)基礎(chǔ)上的聯(lián)通知識（Downes， 2008）。

聯(lián)通知識使我們能夠理解諸如八哥集群飛舞現(xiàn)象。這種現(xiàn)象是一個網(wǎng)絡(luò)，但不是大腦或計算機之類的網(wǎng)絡(luò)。八哥們在空中相互作用并形成隊形，但是并沒有領(lǐng)頭八哥，最前面的八哥看不到最后面的八哥，反之亦然。每一只八哥僅對其周圍幾只八哥做出反應(yīng)，但是它們卻產(chǎn)生集體行為，好像所有八哥是一個集體，在空中翱翔。我們可以觀察到隊形是如何變化的：當(dāng)一只八哥改變其位置時，會引起身邊另一只八哥跟著改變其位置，直到全部八哥都相應(yīng)改變位置。這是因為它們只有作為一個整體動起來才能有效應(yīng)對險境。比如，如果這群八哥附近出現(xiàn)捕食者動物，只要有一只八哥有所警覺并做出反應(yīng)，所有八哥都會跟著反應(yīng)。這就是聯(lián)通知識與質(zhì)性知識或量化知識的主要不同：集體知識優(yōu)于個人知識。

聯(lián)通主義另一個核心概念是“涌現(xiàn)”（emergence）。圖9是一位女士頭像，由圓點組成。我們從這幅圖中看到的是一個戴著帽子的女士。但是，并不是說畫中真的有一位女士。我們之所以看到這個畫面，是這些圓點被組織起來的方式所致的結(jié)果。這就是聯(lián)通主義的“涌現(xiàn)”現(xiàn)象?！爸獣灾R”即是“被以某種方式組織起來”，使得我們能夠辨識相應(yīng)現(xiàn)象（比如圖9的女士），而且他人也看得出我們掌握相關(guān)現(xiàn)象（比如女士）的知識——這也是一種涌現(xiàn)。從實體相互作用角度講，在一個網(wǎng)絡(luò)中模式（pattern）是在實體之上“涌現(xiàn)”出來的。

因為“知曉知識”即是“被以某種方式組織起來”，因此學(xué)習(xí)即是習(xí)得模式，頻繁體驗?zāi)撤N現(xiàn)象直到能對其做出習(xí)慣性反應(yīng)。知識即是辨識（recognition）。傳統(tǒng)知識理論認(rèn)為知識即理解事物組成部分或規(guī)則或具體配置。然而，事實并非如此。比如，一個人能夠在公交站人群中看到自己母親，他并沒有對人群進(jìn)行分析也沒有根據(jù)規(guī)則進(jìn)行評判，而是看著人群直到能夠辨識其母親的“模式”。這是一種即時意識，即時對雙眼所見現(xiàn)象與已有網(wǎng)絡(luò)配置進(jìn)行匹配，非常個人化和情景化。

除了“知曉知識”過程外，聯(lián)通主義對知識的要求也是不同的。比如，圖9的點陣圖可能是具體某個人，不一定是一位女士。比如，它可能是阿諾德·施瓦辛格（Arnold Schwarzenegger）。然而，不是所有人都能從中看到施瓦辛格，比如從來沒見過他的那些人。由此可見，辨識取決于個人先前體驗。以前我們用潛意識，比如格式塔心理學(xué)（Gestalt psychology）（Guberman， 2017）解釋聯(lián)通知識，用格式塔設(shè)計原則開發(fā)網(wǎng)絡(luò)（Bufe， 2021）。如今得益于聯(lián)結(jié)主義人工神經(jīng)網(wǎng)絡(luò)和全球交流網(wǎng)絡(luò)這些數(shù)字技術(shù)，我們能夠設(shè)計和開發(fā)大型網(wǎng)絡(luò)，直接觀察它們的運作，提出建立在通用網(wǎng)絡(luò)設(shè)計原則而非潛意識理論基礎(chǔ)上的機制。

（三）網(wǎng)絡(luò)設(shè)計原則

只有結(jié)構(gòu)合理的網(wǎng)絡(luò)才能做出恰當(dāng)反應(yīng)。這涉及人工網(wǎng)絡(luò)的網(wǎng)絡(luò)設(shè)計，而如果是非人工的系統(tǒng)，則是指相互作用的實體如何發(fā)展成為網(wǎng)絡(luò)。比如免疫系統(tǒng)往往呈現(xiàn)一種最佳連通性?！爸匾到y(tǒng)據(jù)說是運作于混沌的邊緣。換言之，處于有序和無序之間最佳的‘平衡狀態(tài)’，即既靈活又穩(wěn)定這種看似不可能的狀態(tài)。實際上，大腦便是如此，其行為模式保持一致時體現(xiàn)的是穩(wěn)定性，而學(xué)習(xí)新模式時則體現(xiàn)多變性。復(fù)雜系統(tǒng)能夠應(yīng)對臨界邊界，從根本上避免受到兩種極端中任何一種的左右?！保≧os， et al.， 2014）

網(wǎng)絡(luò)實體必須以某種方式相互連接，否則不可能發(fā)生交流。本節(jié)從八個方面討論網(wǎng)絡(luò)設(shè)計。這些是作為假設(shè)提出的，不是規(guī)則，雖然它們構(gòu)成聯(lián)通主義學(xué)習(xí)系統(tǒng)設(shè)計的核心。

1. 去中心化

去中心化（decentralization）是網(wǎng)絡(luò)拓?fù)涞囊环N偏好。中心化網(wǎng)絡(luò)只有少數(shù)“中心”實體擁有很多連接，因此是一個“星狀”網(wǎng)絡(luò)。去中心化網(wǎng)絡(luò)減少對“中心”實體的依賴，使實體連接更加均勻分布，比如每一個實體都與鄰近幾個實體相連接的“網(wǎng)狀”網(wǎng)絡(luò)。另一種去中心化的方法是把實體分成層次進(jìn)行組織，形成典型的“深度”學(xué)習(xí)網(wǎng)絡(luò)（如圖10第三種網(wǎng)絡(luò)）。

圖10的第四種網(wǎng)絡(luò)拓?fù)涞墓?jié)點之間不存在相互連接現(xiàn)象，而實際上星狀網(wǎng)絡(luò)的連接也很少，過于集中在幾個神經(jīng)元（實體）上，容易產(chǎn)生單點故障。

2. 分布式

即使大腦神經(jīng)元也不是全部集中在一個部位。大腦分為不同葉，比如海馬和小腦等。同樣，因特網(wǎng)通過分布式網(wǎng)絡(luò)（比如電子郵件這樣的點對點網(wǎng)絡(luò)）或諸如RSS的內(nèi)容聚合網(wǎng)絡(luò)實現(xiàn)可靠性。分布式網(wǎng)絡(luò)比中心化網(wǎng)絡(luò)（如臉書或推特）可靠。認(rèn)知表征系統(tǒng)每一個概念都有一個單獨位置，這就是物理符號系統(tǒng)假說（Physical Symbol System Hypothesis）（Newell & Simon， 1976）。分布式（distribution）可以代替認(rèn)知表征系統(tǒng)。比如，我們對“貓”“狗”或“魚”的概念實際上是我們看到一只貓、狗或一條魚時激活的一組神經(jīng)元。但是這些使用的是相同神經(jīng)元網(wǎng)絡(luò)——這一點很重要。由此可見，貓與狗、狗與魚、貓與魚等都可能重疊（如圖11所示）。因此，我們對貓的知識影響我們對狗的知識、對魚的知識，反之亦然。認(rèn)識到這一點非常重要！

我想強調(diào)的是大腦并不存在“貓”“狗”或“魚”這些詞，不存在它們的形式邏輯結(jié)構(gòu)（或分類）。它們碰巧重疊。神經(jīng)元組織方式使得我們在神經(jīng)網(wǎng)絡(luò)的感知出現(xiàn)重疊。這可以被稱為“亞符號認(rèn)知”（sub-symbolic cognition），即不是使用符號、詞匯或語法規(guī)則等，而是涉及神經(jīng)元激活模式和神經(jīng)元連接。

3. 去中介化

去中介化（disintermediation）即消除信號源與接收者之間的障礙，使信號能暢通無阻地從一個實體傳遞到另一個實體。神經(jīng)網(wǎng)絡(luò)一些結(jié)構(gòu)的作用是為了保證信號順利傳播。比如，髓鞘使電脈沖能夠快速高效傳遞（Morell & Quarles， 1999）。社交網(wǎng)絡(luò)去中介化指的是廢除信息提供者和接收者之間的編輯、出版商等“中介”，但是并不意味著必須掃除所有障礙。沒有某種形式的調(diào)節(jié)中介，信息量會令人不堪負(fù)荷。

4. 分解

分解（disaggregation）類似于分布式表征，旨在把對象設(shè)計成為一個統(tǒng)一、不可再分的整體。比如計算機系統(tǒng)的功能分布于很多相互連接的裝置中。再如，我們不主張把內(nèi)容打包成為一門課程或一本書，而是制作成學(xué)習(xí)對象或開放教育資源，由使用者按需選擇資源并進(jìn)行整合。分解使對相同成分的多種理解成為可能，更加方便新舊成分的整合。

5. 非集成

非集成（disintegration）說的是網(wǎng)絡(luò)實體是獨立的，不是彼此的組成部分。發(fā)送信號實體的結(jié)構(gòu)邏輯上有別于接收信號實體的結(jié)構(gòu)。這是系統(tǒng)論與聯(lián)通主義的一個重要區(qū)別。系統(tǒng)是一個有組織或復(fù)雜的整體，各部分的組合形成一個復(fù)雜或統(tǒng)一整體（Johnson， Kast， & Rosenzweig， 1964）。在系統(tǒng)論看來，不同部分組成一個整體，并共同努力實現(xiàn)某個目標(biāo)或目的。聯(lián)通主義認(rèn)為不存在把整體統(tǒng)一起來的目標(biāo)或目的。

非集成對解讀理論非常重要。比如，進(jìn)化（evolution）是沒有目的的。鳥不是為了飛翔才生長翅膀，而是它們能夠飛翔，而在這個隨機選擇的過程，它們生長了翅膀，翅膀又使它們在飛翔方面占有優(yōu)勢。因此，不能從集成化角度看實體，比如不能以為鳥離不開翅膀。在一個不同世界、不同環(huán)境中，鳥可能不會生長翅膀。

6. 民主化

民主化（democratization）源于實體自主和多樣性的需要。這是一條結(jié)構(gòu)性原則，因為自主和多樣性是網(wǎng)絡(luò)運作的必備條件;“運作”指一個實體狀態(tài)變化能夠?qū)е铝硪粋€實體狀態(tài)變化。如果實體不能夠自主，不存在多樣性，所有實體均處于相同狀態(tài)，那么不可能發(fā)生狀態(tài)變化。因此，可以把民主化理解為實體改變彼此狀態(tài)的能力，從這個意義上講還需要兼顧公平和包容。

民主化還涉及下文的“語義原則”（semantic principles），以確保網(wǎng)絡(luò)保持連貫以及能對環(huán)境變化做出反應(yīng)。

7. 動態(tài)化

動態(tài)化（dynamization）與民主化相關(guān)。我們應(yīng)該把網(wǎng)絡(luò)看作是流動、變化和發(fā)展的。網(wǎng)絡(luò)只有通過變化這個過程才能學(xué)習(xí)，才有可能發(fā)展。因此，任何導(dǎo)致網(wǎng)絡(luò)處于靜止?fàn)顟B(tài)之舉都會使網(wǎng)絡(luò)停止學(xué)習(xí)。

8. 去類別化

我們經(jīng)常對實體進(jìn)行分門別類，辨識網(wǎng)絡(luò)中的模式、形狀和簇群，但這些是對網(wǎng)絡(luò)的解讀，不是網(wǎng)絡(luò)本身固有的。比如，根據(jù)共同特性、位置或其他質(zhì)性特征對實體分門別類，這可能導(dǎo)致我們根據(jù)這些共性分析其功能和作用，而實際上網(wǎng)絡(luò)功能取決于實體的實際相互作用。比如，“護(hù)理學(xué)”“社會工作”“皮膚病學(xué)”等往往被視為完全獨立的學(xué)科，然而文獻(xiàn)分析顯示它們彼此相關(guān)，不同學(xué)科研究者彼此互動與交流（Bollen， et al.， 2009）。但是，他們相互聯(lián)系的目的只是產(chǎn)生相互作用，達(dá)到這個目的即可，比如藥物研究者發(fā)現(xiàn)mRNA可以治療新冠病毒，他們把這個成果與網(wǎng)絡(luò)其他實體交流，從而對他們（比如社會工作者）產(chǎn)生影響。不同學(xué)科或研究者均是一個更加復(fù)雜網(wǎng)絡(luò)的一部分，因此學(xué)習(xí)網(wǎng)絡(luò)設(shè)計要去類別化（desegregation）。

（四）語義原則

上文“去中心化”談道，有星狀網(wǎng)絡(luò)和網(wǎng)狀網(wǎng)絡(luò)?！靶〗M”（group）是星狀網(wǎng)絡(luò)，其特點是統(tǒng)一性、協(xié)調(diào)性、封閉性和傳播式。相比之下，“（通常所言的）網(wǎng)絡(luò)”（network）則是網(wǎng)狀網(wǎng)絡(luò)，其特點是多樣性、自主性、開放性和交互性。語義原則從根本上認(rèn)為星狀網(wǎng)絡(luò)（“小組”）的學(xué)習(xí)不如網(wǎng)狀網(wǎng)絡(luò)（“[通常所言的]網(wǎng)絡(luò)”）成功。

成功的網(wǎng)絡(luò)具備多樣性、自主性、開放性和交互性，反之則“不堪一擊”，難以適應(yīng)變化和學(xué)習(xí)、生長。

1. 多樣性

如前所述，如果強調(diào)統(tǒng)一性而非多樣性，就不會有信號交流，不會有交互作用。當(dāng)然，世上沒有完全相同的東西，但是我們不能主張統(tǒng)一性這個價值觀，因為這會削弱韌性。比如，農(nóng)業(yè)的單一培養(yǎng)（monoculture）導(dǎo)致農(nóng)作物抗病能力下降（Ekroth， Rafaluk-Mohr， & King， 2019）。同理，如果人的神經(jīng)元不具有多樣性，這將是一場災(zāi)難。

2. 自主性

在一個成功的網(wǎng)絡(luò)中，實體相互連接、相互影響，但是各自“決策”（各自根據(jù)接收到的輸入和自身狀態(tài)發(fā)送信號）（Raghavachary， 2021）。這樣的網(wǎng)絡(luò)比需要協(xié)調(diào)的網(wǎng)絡(luò)應(yīng)變能力更強。

討論人類神經(jīng)網(wǎng)絡(luò)協(xié)調(diào)性是沒有意義的，因為沒有一個神經(jīng)元“領(lǐng)頭”協(xié)調(diào)其他神經(jīng)元的行動。一個社會越是需要協(xié)調(diào)，應(yīng)對變化的時間則越長;個體越是自主，社會越能更快應(yīng)對變化和新情況。

3. 開放性

成員資格的開放性（網(wǎng)絡(luò)能增加實體）使網(wǎng)絡(luò)有可能生長。對新體驗或概念持開放態(tài)度有助于網(wǎng)絡(luò)辨識現(xiàn)實世界各種可能事態(tài)。相比之下，封閉網(wǎng)絡(luò)則不能適應(yīng)新體驗，辨識能力受制于自身先前體驗。開放性不僅是一種生活態(tài)度或方式，它是網(wǎng)絡(luò)的一種物理特性。當(dāng)然，封閉也可能被設(shè)計成為默認(rèn)狀態(tài)，比如蘋果公司的系統(tǒng)（Worstall， 2012）。這不過是一種“損人利己”的行為。

4. 交互性

交互性指網(wǎng)絡(luò)的知識通過實體間相互作用而產(chǎn)生，不是從一個實體傳送給另一個實體，即知識不是集中于一處產(chǎn)生然后傳送給其他實體。如果知識是傳播式的，那么某個實體的知識只是被傳送給其他每一個實體。這意味著一個網(wǎng)絡(luò)的知識不可能超越它任何一個實體的知識。然而，如果知識是通過全部實體共同交互這個過程而產(chǎn)生的，網(wǎng)絡(luò)的知識便多于任何一個實體的知識。這一點很重要。

交互性對人腦至關(guān)重要，因為單獨任何一個神經(jīng)元都不是很“聰明”，只能接收和發(fā)送信號。但是有1，000億個相互連接神經(jīng)元的大腦則是無與倫比的“聰明”。社會也如此。一個人不管有多大智慧都不可能比整個社會“聰明”（Surowiecki， 2004）。我們可能覺得有些人比全社會更有智慧，這是因為我們把他/她與另外一個個體比較，而不是跟作為整體的社會比較。個人的知識永遠(yuǎn)是殘缺的。

五、作為教學(xué)法的聯(lián)通主義

（一）聯(lián)通主義教學(xué)原則

簡而言之，聯(lián)通主義教學(xué)原則是：教學(xué)即示范和演示;學(xué)習(xí)即實踐和反思。因此，聯(lián)通主義跟其他實證主義教學(xué)理論很相似，比如杜威主張學(xué)校和教室應(yīng)該呈現(xiàn)現(xiàn)實生活情景，使小孩能夠靈活穿梭于各種社會情景參加學(xué)習(xí)活動（Williams， 2017）。

盡管如此，聯(lián)通主義不同于傳統(tǒng)基于信息論和內(nèi)容傳播的遠(yuǎn)程在線教育理論，比如穆爾（Moore， 1997）強調(diào)師生對話的程度和質(zhì)量的交互距離理論。后者的目的是保證信息完整性，即忠實表征相關(guān)信息（University of Waterloo， 2021），因此要求通過同行評審確保內(nèi)容質(zhì)量并通過測驗和考試保證學(xué)生能夠忠實復(fù)制內(nèi)容。

在聯(lián)通主義看來，知識不是從一個人轉(zhuǎn)移給另一個人;知識即網(wǎng)絡(luò)，從網(wǎng)絡(luò)的實體，甚至是現(xiàn)實世界中實體的相互作用中生長和發(fā)展起來的網(wǎng)絡(luò)。因此，教學(xué)旨在通過示范和演示相關(guān)活動激發(fā)這種相互作用。網(wǎng)絡(luò)的實際生長則取決于個體實踐和能夠通過實踐使網(wǎng)絡(luò)進(jìn)一步完善的一種機制。聯(lián)通主義學(xué)習(xí)活動的目標(biāo)是辨識。換言之，能夠辨識相關(guān)現(xiàn)象，辨識包括對這些現(xiàn)象做出相關(guān)反應(yīng)（Simpson， 2013; Boesch， 2021）。因此，知識即辨識。

（二）不整合內(nèi)容

當(dāng)今的教學(xué)法理論，比如IMS全球?qū)W習(xí)聯(lián)盟的“簡單順序標(biāo)準(zhǔn)”（Simple Sequencing specifications），非常重視內(nèi)容和學(xué)習(xí)活動的呈現(xiàn)安排，強調(diào)基礎(chǔ)知識、前提、課程內(nèi)容范圍、完成課程學(xué)習(xí)等，比如慕課學(xué)習(xí)（Jordan， 2015）。強調(diào)完整呈現(xiàn)內(nèi)容的教學(xué)法理論不在少數(shù)（比如：Kirschner， Sweller， & Clark， 2006）。

聯(lián)通主義對這方面的理解是不同的。比如，如果想了解一座城市，不能光看它的地圖，不管這張地圖多么詳細(xì)和準(zhǔn)確（Kukla， 2021）。換言之，有關(guān)這座城市的知識不等于它的地圖所告訴我們的。要知曉它的情況，可以拿著地圖去實地探尋，比如游覽地圖上所標(biāo)示的地方，了解它們的情況以及它們之間的關(guān)系，等等，由此產(chǎn)生的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)便是有關(guān)它的知識。從這個意義上講，“知曉”不是記住地圖知識，而是在暢游這座城市時“識途”。

（三）ARRFF方法

傳統(tǒng)教學(xué)法經(jīng)常包含這些成分：學(xué)習(xí)傾向、概念設(shè)計、呈現(xiàn)教學(xué)設(shè)計、循序漸進(jìn)引入內(nèi)容、獎懲等（Bruner， 1966）。這些與聯(lián)通主義無關(guān)。聯(lián)通主義教學(xué)法可以歸納為A（aggregating—聚合）、R（remixing—重新混搭）、R（repurpose—改變用途）、FF（feed forward—前饋），即ARRFF法。ARRFF法不是聯(lián)通主義獨有的。但是，從聯(lián)通主義角度講，其獨特之處在于著眼“一個神經(jīng)元能做什么事”這個問題。如果你是某個網(wǎng)絡(luò)中的一個實體，你是怎么做的？如前所述，答案是：接收信號，以某種方式處理這個信號，然后借助激活函數(shù)發(fā)送自己的信號。簡而言之，成為節(jié)點;做網(wǎng)絡(luò)的實體。

從教學(xué)理論的角度講，聯(lián)通主義核心技能是辨識信息源之間連接關(guān)系，即使在快速變化環(huán)境下也能做出決策;隨著新現(xiàn)象的呈現(xiàn)，能夠持續(xù)更新和改變我們的知識。因此，聯(lián)通主義不在乎“你能否把知識背誦出來”，而是強調(diào)“你能適應(yīng)快速變化和動態(tài)的環(huán)境嗎”。

（四）慕課

聯(lián)通主義的學(xué)習(xí)不是發(fā)生于正式課程中，而是在某種學(xué)習(xí)網(wǎng)絡(luò)的環(huán)境下。我和西蒙斯開發(fā)第一門慕課，目的正是要為學(xué)習(xí)者創(chuàng)設(shè)這樣一個學(xué)習(xí)環(huán)境。我們當(dāng)時的想法是創(chuàng)設(shè)一個聯(lián)通主義環(huán)境，使得學(xué)習(xí)者能身處其中學(xué)習(xí)。我們不關(guān)心他們學(xué)習(xí)什么，我們不要求他們學(xué)習(xí)具體內(nèi)容并準(zhǔn)確復(fù)述出來，而是告訴他們只要能在一個網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)，能夠從這個網(wǎng)絡(luò)學(xué)到東西，自己感到滿意就行。

（五）聯(lián)通主義的素養(yǎng)模型

從聯(lián)通主義角度講，literacy不是“識字”，不是語法規(guī)則，而是辨識常見模式和現(xiàn)象。（literacy既可以指“識字”“讀寫能力”，也可以指某個領(lǐng)域或方面的能力，通常譯為“素養(yǎng)”——譯注）“素養(yǎng)”多種多樣，包括文本（或傳統(tǒng)）素養(yǎng)、數(shù)學(xué)素養(yǎng)（基本算術(shù)能力）、信息素養(yǎng)、文化素養(yǎng)、情感素養(yǎng)、數(shù)字素養(yǎng)等。這些素養(yǎng)往往被說成是知識（事實、規(guī)則等）和技能的集合。任何領(lǐng)域或?qū)W科的知識都是如此?！爸獣浴币粋€學(xué)科或領(lǐng)域不僅僅是記住一些相關(guān)事實，而是要能夠與本學(xué)科或領(lǐng)域其他專家進(jìn)行熟練的社會交互，他們辨識你是跟他們一樣的專家。

本節(jié)介紹構(gòu)成一個學(xué)科或領(lǐng)域“素養(yǎng)”的六種主要模式——句法、語義、語用、認(rèn)知、背景和變化（聯(lián)通主義把它們視為神經(jīng)網(wǎng)絡(luò)辨識的模式，不是其他學(xué)習(xí)理論所述的基本概念），可能還有其他模式，本節(jié)僅是拋磚引玉。

1. 句法

“句法”（syntax）指形式或結(jié)構(gòu)的模式，但不局限于喬姆斯基（Chomsky， 1957）所言的語法和規(guī)則。雖然語法可被視為語言的重復(fù)模式，但并不是建立在規(guī)則基礎(chǔ)上，比如Cobuild（Collins， 2017）所呈現(xiàn)的語法。句法還可以包括柏拉圖的形式理論和榮格的原型。相似性是一種句法形式，操作、程序或動作技能也是一種句法形式。

2. 語義

“語義”（semantics）包括各種真理理論、意義、目的和目標(biāo)，在聯(lián)通主義素養(yǎng)模型中這些不是嚴(yán)格意義上的“理論”，而是不同模式。語義包含涵義和所指、解讀、聯(lián)想等?，F(xiàn)實中語義還體現(xiàn)在決策、表決、尋求共識和涌現(xiàn)之中。

3. 語用

“語用”（pragmatics）包含使用、行為和影響的模式。在奧斯?。ˋustin）和塞爾（Searle）看來，語用是言語行為（speech act）和以言行事，比如斷言（assertives）、指令（directives）、承諾（commissives）、表情（expressives）和宣布（declarations）（“宣布”還可能傷害、騷擾或凌辱他人）。語用還包括質(zhì)疑和預(yù)先假定。

4. 認(rèn)知

雖然我們可以說必須有“認(rèn)知”（cognition）才能知曉和學(xué)習(xí)，但是聯(lián)通主義認(rèn)為認(rèn)知本身是一種復(fù)雜的模式辨識形式。認(rèn)知可以被分為四種主要推斷類型，即描述、定義、論證和解釋，每一種都可以通過其特有形式予以辨識，各自能夠引發(fā)相應(yīng)反應(yīng)，促進(jìn)和評價推斷。

5. 背景

“背景”（context）即某個活動或事件的環(huán)境、發(fā)生地或外部條件。背景辨識是模式辨識不可或缺的一步。比如，范·弗拉森（van Fraassen， 1980）指出解釋是為了回答“為什么”，但是只有同時說明其他可能的情況才能解釋“為什么”?？颍≦uine）認(rèn)為意義具有背景敏感性。在哲學(xué)家雅克·德里達(dá)（Jacques Derrida）討論詞匯和語言學(xué)家喬治·雷可夫（George Lakeoff）有關(guān)框架（frames）的闡述中“背景”是一個核心概念。

6. 變化

談?wù)撃Ｊ骄褪怯懻撟兓Ｊ??！兑捉?jīng)》、馬歇爾·麥克盧漢（Marshall McLuhan）和黑格爾（Hagel）都述及“變化”（change），實際上是在討論發(fā)現(xiàn)和理解世界變化的不同方法。變化還涉及博弈論、發(fā)展、計劃等。

（六）評價

任何學(xué)科的“素養(yǎng)”都可以根據(jù)上述模型呈現(xiàn)。比如“表演專業(yè)”的“句法”包括其形式、規(guī)則、操作、模式或相似性等方面的內(nèi)容，我們可以據(jù)此分析表演這個概念，比如有一些基本成分（如背臺詞的能力），也有一些復(fù)雜理論（如斯坦尼斯拉夫斯基[Stanislavski]“方法演技”體系），還有一些是儀式化的（如婚禮和葬禮）。所有這些都是對表演不同方面情況的辨識，構(gòu)成一場成功演出的內(nèi)容（指南或?qū)φ涨鍐危?，但是如何評價卻是另一回事。

舉個例子，我們要考核在高危環(huán)境下工作的高技能人才，比如外科醫(yī)生、飛行員、部隊指揮官，甚至是律師，我們不會只要求他們答一份試題，不會叫他們復(fù)述所學(xué)知識，而是會安排他們到一個真實環(huán)境中并由本領(lǐng)域?qū)＜矣^察他們的表現(xiàn)?？脊賯兪稚峡赡苡幸环菘己藢φ涨鍐?，但是他們不會根據(jù)所給的規(guī)則或原則或甚至是評價對象所掌握的知識評判這個人是否合格，而是會對他/她進(jìn)行綜合評價，即“我會把這個人當(dāng)成醫(yī)生、飛行員或律師嗎？我能從其表現(xiàn)中辨識醫(yī)生、飛行員或律師的模式嗎？”

換言之，考核對象在所處環(huán)境中能夠辨識周圍現(xiàn)象嗎？能夠恰當(dāng)反應(yīng)、用詞準(zhǔn)確、提問中肯、表現(xiàn)出應(yīng)有技能嗎？等等。現(xiàn)實中不可能把考官需要考慮的問題一一列出來。某一個學(xué)科或領(lǐng)域的專門技能（知識）包括很多細(xì)節(jié)和細(xì)微變化，根據(jù)新情況做出新反應(yīng)，或者實際行為與先前實踐相似但不雷同?？脊賯儠嬖u價一個人的表現(xiàn)，判斷在此情此景中其表現(xiàn)是否清晰可辨。

六、結(jié)束語

聯(lián)通主義強調(diào)把學(xué)習(xí)置于大環(huán)境下理解，認(rèn)為學(xué)習(xí)不是為了背誦事實和信息，而是取決于一個人在一個互聯(lián)互通大社區(qū)中生活、工作和發(fā)展的能力。評判學(xué)習(xí)成功與否不是分?jǐn)?shù)、成績等級或是否畢業(yè)，而是社會指標(biāo)，比如犯罪率是否下降、健康水平是否提高、民眾是否更幸福等。我認(rèn)為這些才是衡量學(xué)習(xí)成功的恰當(dāng)標(biāo)準(zhǔn)，也是評價一個學(xué)習(xí)理論的恰當(dāng)方法。

本文不是在為聯(lián)通主義辯護(hù)，不是要求學(xué)界相信或接受它的觀點。本文的每一個觀點都應(yīng)該接受實證檢查和驗證。文中一些表述可能需要進(jìn)一步完善，甚至通過進(jìn)一步研究予以推翻。本文旨在提供一個理解學(xué)習(xí)和發(fā)展的框架，而且這個框架不應(yīng)該被當(dāng)成一種工具使用，而是應(yīng)該把它視為提出一系列觀點以幫助學(xué)界開始發(fā)展真正的教育科學(xué)。

[參考文獻(xiàn)]

Bahraminasab， A. （2007）. Synchronisation. Retrieved from https：//www.youtube.com/watch？v=W1TMZASCR-I

Barabási， A-L. （2002）. Linked： The New Science of Networks. Cambridge， MA： Perseus Books Group.

Bingham， T.， & Conner， M.? （2010）. The New Social Learning. ASTD： American Society for Training and Development.

Boesch， G. （2021）. What is Pattern Recognition？ A Gentle Introduction. Retrieved from https：//viso.ai/deep-learning/pattern-recognition/

Bollen， Johan， et al. （2009）. Clickstream Data Yields High-Resolution Maps of Science. PLOS One. https：//doi.org/10.1371/journal.pone. 0004803

Brown， P. C.， Roediger III， H. L.， & McDaniel， M. A. （2014）. Make It Stick： The Science of Successful Learning. Cambridge， MA： The Belknap Press of Harvard University Press.

Bruner， J. S. （1966）. Toward a Theory of Instruction. Cambridge： Harvard University Press.

Bufe， A. （2021）. Gestalt Principles： The Complete Overview - Use the subconscious to create delightful experiences. BlueSpace. Retrieved from https：//uxcam.com/blog/gestalt-principles/

Carnap， R. （1950）. Logical Foundations of Probability. Chicago： University of Chicago Press.

Chomsky， N. （1957）. Syntactic Structures. Mouton & Co.

Collins. （2017）. Collins Cobuild （4th edition）. Retrieved from https：//www.harpercollins.com/products/cobuild-english-grammar-collins- cobuild-grammar

Creswell， J. W. （2020）. Educational Research： Planning， Conducting， and Evaluating Quantitative and Qualitative Research （Global Edition）. Pearson Education Limited.

Dennett， D. C. （1987）. The Intentional Stance. Cambridge， MA： MIT Press.

Donovan， J. （2021）. The Secrets and Science Behind Starling Murmurations. HowStuffWorks （Blog）. Retrieved from https：//animals.howstuffworks.com/birds/starling-murmurations.htm

Downes， S. （2008）. An Introduction to Connective Knowledge. In T. Hug （ed.）， Media， Knowledge & Education - Exploring new Spaces， Relations and Dynamics in Digital Media Ecologies. Innsbruck University Press.

Dretske， F. （1981）. Knowledge and the Flow of Information. Cambridge， MA： MIT Press.

Ekroth， A. K. E.， Rafaluk-Mohr， C.， & King， K. C. （2019）. Diversity and disease： evidence for the monoculture effect beyond agricultural systems. BioRxiv. doi： https：//doi.org/10.1101/668228

Euler， L. （1995）. From the Problem of the Seven Bridges of K?nigsberg. In R. Calinger （Ed.）， Classics of Mathematics. Englewood Cliffs， NJ： Prentice Hall.

Gagne， R. M. （1977）. The Conditions of Learning. New York： Holt， Rinehart and Winston.

Gavrilova， Y. （2020）. A Guide to Deep Learning and Neural Networks. Retrieved from https：//serokell.io/blog/deep-learning-and-neural-ne twork-guide

Guberman， S. （2017）. Gestalt Theory Rearranged： Back to Wertheimer. Frontiers in Psychology. Retrieved from https：//www.frontiersin.org/articles/10.3389/fpsyg.2017.01782/full

Hebb， D. O. （1949）. The Organization of Behavior. New York： Wiley & Sons.

Hinton， G. （2007）. Boltzmann Machines. University of Toronto. Retrieved from https：//www.cs.toronto.edu/～hinton/csc321/readings/boltz 321.pdf

Hippocampome. （2021）. v1.9 - Released： 03/31/2021. “The goal of the Hippocampome is dense coverage of available data characterizing neuronal types.” Retrieved from http：//hippocampome.org

Johnson， R. A.， Kast， F. E.， & Rosenzweig， J. E. （1964）. Systems Theory and Management. Management Science， 10（2）， 367-84.

Jordan， K. （2015）. Massive Open Online Course Completion Rates Revisited： Assessment， Length and Attrition. International Review of Research in Open and Distributed Learning， 16（3）. Retrieved from https：//files.eric.ed.gov/fulltext/EJ1067937.pdf

Kasabov， N. K. （2014）. NeuCube： A spiking neural network architecture for mapping， learning and understanding of spatio-temporal brain data. Neural Networks， 52， 62-76.

Kirschner， P.， Sweller， J.， & Clark， R. E. （2006）. Why minimal guidance during instruction does not work： An analysis of the failure of constructivist discovery， problem-based， experiential， and inquiry-based teaching. Educational Psychologist， 41， 75-86.

Kolb， D. A. （1984）. Experiential Learning： Experience as the Source of Learning and Development. Prentice-Hall.

Kukla， Q. R. （2021）. The Epistemology of Maps. PhilArchive. Retrieved from https：//philarchive.org/archive/KUKTEO-2

Lumen Learning. （2021）. How Neurons Communicate. Boundless Biology （Online course）. Retrieved from https：//courses.lumenlearning.com/boundless-biology/chapter/how-neurons-communicate/

Marr， D. （1982）.Vision. W. H. Freeman and Co.

Mateos-Aparicio， P.， & Rodríguez-Moreno， A. （2019）. The Impact of Studying Brain Plasticity. Frontiers in Cellular Neuroscience. Retrieved from https：//doi.org/10.3389/fncel.2019.00066

Masland， R. H. （2004）. Neuronal cell types. Current Biology. Retrieved from https：//www.cell.com/current-biology/fulltext/S0960-9822（04）0 0440-3

Mayer， R. E. （1982）， Learning. In Encyclopedia of Educational Research （Vol. 2）. New York： The Free Press.

McClelland， J. L. （1981）. Retrieving general and specific information from stored knowledge of specifics. Proceedings of the Third Annual Meeting of the Cognitive Science Society， 170-172.

Melby-Lerv?g， M.， & Hulme， C. （2013）. Is working memory training effective？ A meta-analytic review. Developmental Psychology， 49（2）， 270-291.

Melrose， S.， Park， C.， & Perry， B. （2013）. Teaching Health Professionals Online： Frameworks and Strategies. Retrieved from https：//read.aupress.ca/projects/teaching-health-professionals-online

Moore， M. G. （1997）. Theory of Transactional Distance. In D. Keegan （Ed.）， Theoretical Principles of Distance Education （pp. 22-38）. Routledge.

Morell， P.， & Quarles， R. H. （1999）. The Myelin Sheath. Basic Neurochemistry： Molecular， Cellular and Medical Aspects （6th edition）. American Society for Neurochemistry.

Newell， A.， & Simon， H. A. （1976）. Computer Science as Empirical Inquiry： Symbols and Search. Communications of the ACM. 19（3）， 113-126.

Oddone， K. （2018）. PLNs： Theory and Practice. Linking Learning. Retrieved from https：//www.linkinglearning.com.au/plns-theory-and-p ractice/

Pai， A. （2020）. CNN vs. RNN vs. ANN-Analyzing 3 Types of Neural Networks in Deep Learning. Analytics Vidhya. Retrieved from https：//www.analyticsvidhya.com/blog/2020/02/cnn-vs-rnn-vs-mlp-analyzing-3-types-of-neural-networks-in-deep-learning/

Quine， W. V. O. （1960）. Word and Object. Cambridge， MA： MIT Press.

Quine， W. V. O. （1970）. On the Reasons for Indeterminacy of Translation. The Journal of Philosophy， 67 （6）， 178-183.

Raghavachary， S. （2021）. Intelligence - consider this and respond！ ArXiv. Retrieved from https：//www.rxiv.org/pdf/2012.0092v1.pdf

Ramsey， F. P. （1931）. Truth and Probability. In R. B. Braithwaite （Ed.）， The Foundations of Mathematics and other Logical Essays （pp. 156-198）， London： Routledge and Kegan Paul.

Reichenbach， H. （1949）. The Theory of Probability： An Inquiry into the Logical and Mathematical Foundations of the Calculus of Probability. Berkeley： University of California Press

Ros， T.， Baars， B. J.， Lanius， R. A.， & Vuilleumier， P. （2014）. Tuning pathological brain oscillations with neurofeedback： a systems neuroscience framework. Frontiers in Human Neuroscience， 8（1008）， 1-22.

Rosenthal， S.， Twomey， C. R.， Hartnett， A. T.， Wu， H. S.， & Couzin， I. D. （2015）. Revealing the hidden networks of interaction in mobile animal groups allows prediction of complex behavioral contagion. Proceedings of the National Academy of Science （USA）， 112（15）： 4690-4695.

Rumelhart， D. E.， Durbin， R.， Golden， R.， & Chauvin， Y. （1995）. Backpropagation： The basic theory. In Y. Chauvin & D. E. Rumelhart （Eds.）， Backpropagation： Theory， Architectures， and Applications （pp. 1-34）. Hillsdale： NJ. Lawrence Erlbaum.

Ryle， G. （1949）. The Concept of Mind. London： Hutchinson.

Siemens， G. （2004）. Connectivism， A learning theory for the digital age. International Journal of Instructional Technology & Distance Learning， 2（1）. Retrieved from http：//www.itdl.org/journal/jan_05/article01.htm

Siemens， G. （2005a）. Knowing Knowledge. Retrieved from https：//ia801300.us.archive.org/7/items/KnowingKnowledge/KnowingKnowledge.pdf

Siemens， G. （2005b）. Connectivism： Learning as Network-Creation. Retrieved from https：//web.archive.org/web/20051226233003/http：//www.elearnspace.org/Articles/networks.htm

Simpson， J. （2013）. Cognition is Recognition： Literary Knowledge and Textual “Face”. New Literary History， 44 （1）： 25-44.

Smith， R. M. （1982）. Learning how to learn： Applied theory for adults. Chicago： Follett Publishing Company.

Surowiecki， J. （2004）. The Wisdom of Crowds： Why the Many Are Smarter Than the Few and How Collective Wisdom Shapes Business， Economies， Societies and Nations. New York： Doubleday.

UCLA. （2013）. Spontaneous Synchronization. Retrieved from https：//www.youtube.com/watch？v=T58lGKREubo

University of Waterloo. （2021）. Information Integrity Controls. Retrieved from https：//uwaterloo.ca/uwaterloo-centre-for-information-system- assurance/resources/information-integrity-controls

van Fraassen， B. C. （1980）. The Scientific Image. Clarendon Press.

Watters， A. （2021）. Teaching Machines： The History of Personalized Learning. Cambridge， MA： MIT Press.

Watts， D. J. （2003）. Six Degrees： The Science of a Connected Age. New York： W. W. Norton & Company.

Williams， M. K. （2017）. John Dewey in the 21st Century. Journal of Inquiry & Action in Education， 9（1）， 91-102.

Wolchover， N. （2017）. New Theory Cracks Open the Black Box of Deep Learning. Quanta Magazine. Retrieved from https：//www.quantamagazine.org/new-theory-cracks-open-the-black-box-of-deep-learnin g-20170921/

Worstal， T. （2012）. The Problem With Apple’s Closed Apps Universe. Forbes. Retrieved from https：//www.forbes.com/sites/timworstall/2012/08/31/the-problem-with-apples-closed-apps-universe/

收稿日期：2021-09-06

定稿日期：2021-09-06

作者簡介：史蒂芬·道恩斯（Stephen Downes），加拿大國家研究委員會 （National Research Council of Canada）高級研究員，聯(lián)通主義和慕課始創(chuàng)者之一。

譯者簡介：肖俊洪，汕頭開放大學(xué)教授，Distance Education （《遠(yuǎn)程教育》）（Taylor & Francis） 期刊副主編，SpringerBriefs in Open and Distance Education（《遠(yuǎn)程開放教育SpringerBriefs系列叢書》）聯(lián)執(zhí)主編。<C：＼Users＼DELL＼Desktop＼202202-翁4改＼Image＼yxccfl2.tif>https：//orcid.org/0000-0002-5316-2957

責(zé)任編輯 韓世梅