复杂任务下的深度学习：作用机制与优化策略*

刘哲雨 王 红 郝晓鑫



复杂任务下的深度学习：作用机制与优化策略*

刘哲雨 王 红 郝晓鑫

（天津师范大学 教育科学学院，天津 300387）

文章基于“任务复杂度增加时，深度学习是否更加困难”这一问题进行研究，首先从主观感受与客观表现两方面辨析深度学习中的任务复杂度；然后从深度学习的早期阶段、晚期阶段和情感体验三个维度，探讨复杂任务对深度学习的作用机制。此外，文章还构建了复杂任务中深度学习的实现途径与优化策略，如目标表征、学习动机、认知负荷和学习控制等。最后，文章进行了任务复杂度与目标表征影响深度学习的实验研究，并验证了主要结论：①在中—高复杂度任务中，随着深度学习程度的增加，目标表征的积极作用愈加凸显；②在高水平目标表征下，任务复杂度对深度学习的影响力降到最低，同时以学习者有效提取目标中的加工策略为前提。

任务复杂度；深度学习；目标表征

一 确定研究问题

目前，深度学习评估主要包括深度学习过程评估[1]和深度学习结果评估[2]。其中，深度学习结果包括知识技能与能力素养，而知识技能又可以进一步细分为深度与广度两个维度。面对中低复杂度学习内容或任务，研究者一般都会将深度加工后的知识状态与呈现之初的知识原始状态进行比对，即从知识自身形态和知识网络结构两个维度出发，考察知识发生的变化，以此来反映深度学习的程度。但是，当遇到复杂任务时，随着知识技能的节点增加，知识网络联结密度加大，多样化的知识形态和动态生成的新变式交织在一起，而且新变式产生的概率和速率很可能超出预期，导致认知资源、认知负荷以及工作记忆能力等方面也随之发生波动[3]，这一系列反应都会对复杂认知加工过程产生影响，也会为深度学习增加一定的难度甚至引起阻滞。然而，人类深度学习的原始价值就在于批判性思维和复杂问题解决，因此本研究对“任务复杂度增加时，深度学习是否更加困难”这一问题展开研究，即分析任务复杂度在深度学习过程中的作用机制，寻找中—高复杂度任务中有效促进深度学习的解决途径和优化策略。

二 分析作用机制

1 深度学习中任务复杂度的界定

任务复杂度是对任务提出先验知识的需求度、完成任务所需要的支持度、任务的不确定性及可分析性等进行综合性描述，它与任务结构化、任务紧迫性等共同构成任务的重要属性。一方面，可以基于问题或任务的类型理解任务复杂度，如在深度学习中，复杂型的问题任务涉及多重路径选择；决策型的任务往往隐藏着多个预期结果；而模糊型的任务则兼而有之[4]。另一方面，可以基于主观度量与客观度量的差异，辩证地理解任务复杂度，如表1所示。

Robinson提出“多重资源注意力模型”（Multiple Resources Attentional Model），将任务复杂度分为资源指引方向（Resource-directing Dimension）和资源消耗方向（Resource-dispersing Dimension），两个方向对学习过程和学习结果（任务完成情况）产生不同要求[5]。资源指引对应概念要求，将注意力资源导向结构和形式（如复杂成分、需要推理等），使学习结果更加准确且多元化；而资源消耗产生程序要求（如时间限定、缺少准备等），消耗更多的注意力，工作记忆资源受到限制。

表1 深度学习视角下任务复杂度的客观、主观度量

2 复杂任务与深度学习的相互作用研究

（1）复杂任务影响深度学习的早期阶段

注意和提取、记忆和理解是深度学习发生的基础与前提。在深度学习的早期阶段，复杂任务影响了信息的提取速度、记忆和保持以及新知理解。因此，任务复杂度将对个体能否进入深度学习阶段产生影响。同时，复杂任务涉及不同的脑加工区域，也带来了多通道负载，当这些资源负载同步发生时，注意力资源分配会发生较大调整，目标定向时间会增加，概念协商会变得更加多元复杂，知识网络节点数呈指数级增长，直接限制了深度学习早期阶段对信息的提取速度，但同时也提高了语义加工产出的数量和质量。任务复杂度还直接影响了任务内容之间以及任务内容与原有认知结构之间的联系，而有意义关联的复杂材料更利于元记忆与记忆效果[6]。但在时间有限、加工资源有限的情况下，无意义关联的材料越复杂，认知加工占用的资源越多，留给意义存储的资源越少。

Robinson[7]的研究指出，任务复杂度越高，执行者对复杂任务输入信息的深度理解效果越明显，这一现象要归结于执行者对复杂任务的特殊评估。执行者往往会主动上调注意力，更多地关注输入信息，以寻求更多的帮助，因而会对信息传递系统的功能与结构提出更高的需求。来自二语学习研究领域的证据也表明，复杂任务的理解率和完成率均高于简单任务[8]。综上所述，复杂任务本身阻碍了深度学习，但有效加工复杂任务却促进了深度学习。

（2）复杂任务影响深度学习的晚期阶段

复杂任务给深度学习带来的困难与挑战，使研究者容易错误地认为，通过“降维”或减少变量的方法使复杂任务变成简单任务会有利于深度学习的发生。实际上，迁移作为深度学习中最重要的评价标准，需要复杂任务中多元化的信息关联作为支撑。同时，高复杂度的知识加工依赖于内隐学习，而内隐学习中的规则性与策略性的知识最有利于迁移，可以直接体现为复杂任务的内隐加工促进深度学习[9]。因此，复杂任务带来的挑战对深度学习的过程和结果产生了积极作用，复杂问题简单化或简单问题复杂化都不利于深度学习。

（3）复杂任务影响深度学习的情感体验

任务复杂度与学习过程中的情感策略密切相关。遇到复杂任务时，学习者将会感受到困难与挑战，学习动机、自我效能感等学业情绪受到影响，积极情绪被抑制，取而代之的是负向情绪。与此同时，有研究表明复杂任务下不同情绪对个体注意与学习结果的影响差异并不显著[10]，也就是说，任务复杂度在情绪与学习结果之间起到了调节作用[11]。

三 构建优化策略

1 优化目标表征

优化目标表征，可以调节任务复杂度对深度学习的影响。在复杂任务中，目标定向通过临场动机影响元认知监控策略，进而影响深度学习策略选择；同时，目标表征本身可以承载深度加工策略，学习者成功捕捉并运用这些隐含在目标中的策略，实现目标表征对深度学习的促进作用。遇到特殊情况时，如被限定学习时间或先前经验准备不足等，就更需要掌握型目标。

2 优化学习动机

学习动机是影响复杂任务中深度学习水平的重要因素。作为一个复合型因素，学习动机与是否感兴趣、是否有价值以及是否能胜任关系密切。深度学习代表较高阶的思维技能，任务复杂、难度高、失败或遭遇风险的可能性大，会降低学生的学习动机。要改善这种现状，必须使促进深度学习的教学模式始终能够激发学习动机。优化动机改变了学习者对复杂任务的主观评估，改变学习投入意愿。一种极端的假设是，当学习者的动机足够充分，任务复杂度就不再成为深度学习的影响因素。

3 优化认知负荷

当任务复杂度较低时，学习者通常利用自动化的知识完成任务，此时认知负荷较低，知识结构的变化程度也未达到深度学习的水平。任务复杂度较高时，学习者将会启动更多的策略性知识，深度学习绩效水平提升，但也带来了认知负荷的增加。因此，可以优化认知负荷、调控任务复杂度对深度学习抑制作用的做法是，借助与任务要素的交互操作，引入更多的支持相关认知负荷的加工策略。

4 优化学习控制

在不同任务复杂度下，学习控制对学习效果的影响作用不同[12]。步调控制原理指出，单一步调的控制程度低，不会增加外在认知负荷，并且学习者自我调控的学习进度与任务复杂度的匹配程度更高，在最复杂的节点上可以投入较多的时间用于深度理解和知识整合，而时间投入又为降低内在认知负荷提供保障。通常，交互型学习控制还会带有支持反馈和提供策略的功能。有效的、适度的学习控制是调节复杂度对深度学习影响的有效途径。

四 检验优化策略：以目标表征的实验研究为例

对优化策略进行实验研究，首先需要选定优化策略并基于该策略设计干预实验。多种策略之间的取舍主要基于时间序列原则，其中，目标表征是学习过程中最先启动的优化策略。本研究将呈现优化目标表征策略影响深度学习的实验研究。

1 实验目的

不同任务复杂度下、不同水平的优化策略影响深度学习的实验研究，旨在发现复杂任务影响深度学习的规律，探究如何优化复杂任务下的学习策略以促进深度学习。以目标表征的实验研究为例，优化策略实验研究主要包括：在不同复杂度的任务中，随着优化策略水平的提升，不同阶段的深度学习效果发生了怎样的变化？在不同水平的优化策略干预下，随着任务复杂度的增加，深度学习的深入加工过程会受怎样的影响？在深度学习的不同阶段，随着优化策略水平的提升，复杂任务的完成效果如何？

2 实验设计

本实验采用两因素2×3实验设计，即自变量1（任务复杂度）包含中复杂度和高复杂度；自变量2（目标表征）包含无目标、文字表征目标（下文简称文字目标）和多媒体表征目标（下文简称媒体目标）。因变量（深度学习效果）包括内部关联迁移效果和外部拓展迁移效果。

实验选取陈述性知识、程序性知识与策略性知识常态化融合的学习内容，符合本课题系列研究的价值定位：促进深度学习的常态化发展。从资源消耗和资源指引两个层面分析任务复杂度：一方面，本实验材料努力控制因资源消耗造成的个体差异，如选取“血液循环”单一任务内容背景知识、不控制学习时间等；另一方面，通过资源指引（如材料规模、推理路径长度、知识点数量及关联等）调控任务复杂度。评估实验材料的任务复杂度（中、高两个水平）和编制深度学习结果测量工具（内部关联迁移效果和外部拓展迁移效果，每个维度测试题各10分），均由3位医学院专业教师与2位深度学习专家（未参加实验）共同完成，努力保障内容效度和表面效度。

本实验的被试为天津地区三所高校本科二年级和三年级学生（其中男生42名，女生48名），均自愿参与实验。通过实验前严格限定被试条件（实验内容兴趣过高过低、相关专业学科背景等）、剔除不合格数据（由于实验态度、突发事件等原因造成）等，确保各组性别比例相同。

3 实验分析

本实验中的被试共分为6组，每组随机分配30名学生，每位被试学生参与同一目标表征水平下的两种复杂度实验，共180次实验。深度学习效果基本情况表2所示.

表2 深度学习效果基本情况统计（M±SD）

（1）在中—高复杂度任务中，优化策略之目标表征的水平影响深度学习效果的研究

目标表征影响深度学习的具体效果如图1所示，主要包括：①在中复杂度下，内部关联迁移成绩为无目标最低，文字目标次之，媒体目标最高，三者之间呈现出阶梯状、非显著性上升（P=0.401>0.05）的特点；外部拓展迁移成绩与内部关联迁移成绩高低趋势一致，三者之间出现了非常显著的差异（P=0.000<0.001）；目标表征作用的差异从不显著到非常显著。②在高复杂度下，内部关联迁移成绩表现为无目标最低，文字目标次之，媒体目标最高，三者水平比较接近（P=0.936>0.05）；外部拓展迁移成绩高低排序与内部关联迁移成绩排序一致，三者之间出现了显著性差异（P=0.032<0.05）；目标表征作用的差异从非常不显著到显著。

图1 目标表征影响深度学习效果统计

图2 任务复杂度影响深度学习效果统计

（2）在优化策略之目标表征的不同水平下，任务复杂度影响深度学习效果的研究

任务复杂度影响深度学习的具体效果如图2所示，主要包括：

①在无优化策略下，中复杂度任务中的内部关联迁移与外部拓展迁移之间的差异极其显著（P=0.000<0.001）；高复杂度任务中的内部关联迁移与外部拓展迁移之间的差异极其显著（P=0.000<0.001）。随着深度学习程度的增加，复杂任务的阻碍作用凸显。

②在文字目标下，中复杂度任务中的内部关联迁移与外部拓展迁移之间的差异非常显著（P=0.001<0.01）；高复杂度任务中的内部关联迁移与外部拓展迁移之间的差异非常显著（P=0.005<0.01）。与无目标情况相比，文字目标缩小了差异；但是，进入深度学习的高级阶段，复杂任务的阻碍作用仍然明显。

③在媒体目标下，中复杂度任务中的内部关联迁移与外部拓展迁移之间的差异显著（P=0.096＞0.05）；高复杂度任务中的内部关联迁移与外部拓展迁移之间的差异显著（P=0.490＞0.05）。在媒体目标下，中、高复杂度的任务中内部关联迁移与外部拓展迁移之间的差异显著性消失，深度学习的外部拓展迁移阶段保持了与内部关联迁移阶段基本一致的水平。

（3）在不同层次的深度学习阶段、不同复杂度的任务中，优化策略之目标表征的不同水平影响学习效果的研究

①在内部关联迁移阶段，中复杂度任务的三种目标表征水平下的学习效果之间存在非显著性差异（P=0.401>0.05）；在高复杂度任务中，三种目标表征水平下的学习效果之间差异缩小，三者水平接近（P=0.936>0.05）。②在外部拓展迁移阶段，中复杂度任务的三种目标表征水平下的学习效果之间差异极其显著（P=0.000<0.001）；在高复杂度任务中，三种目标表征水平下的学习效果之间的差异有所上浮，但仍处于显著水平（P=0.032<0.05）。深度学习的不同阶段，中复杂度差异都低于高复杂度差异。

4 实验结果

（1）在中—高复杂度的任务中，随着深度学习程度的增加，目标的积极作用愈加凸显

目标从无到有、目标表征水平从低到高，对内部关联迁移效果和外部拓展迁移效果产生不同水平的影响。在中复杂度下，影响差异的显著性从无到有的变化，充分呈现出在中等复杂度下，随着内部关联迁移向外部拓展迁移的深入发展，目标表征促进深度学习的作用逐渐凸显。在高复杂度下，目标作用的差异从非常不显著到显著，充分呈现出在高复杂度下，随着内部关联迁移向外部拓展迁移的深入发展，目标表征促进深度学习的作用也逐渐显现。

（2）随着目标表征水平的提升，任务复杂度对深度学习程度的影响逐渐最低

在无优化策略下，中—高复杂度的任务都会在很大程度上阻碍外部拓展迁移继续保持内部关联迁移的水平，任务难度对深度学习程度的影响十分明显。令人欣慰的是，优化策略的出现，降低了任务难度对深度学习的中—高阶段的阻滞作用，同时，由于优化策略的水平较为初级，复杂任务对深度学习的外部拓展迁移阶段的阻碍作用仍然十分明显。深度学习高阶段中的高水平优化策略，将任务复杂度对深度学习层次的影响降到最低。借助高水平的优化策略，即使是在复杂的任务中，深度学习仍然可以顺利进入外部拓展迁移阶段。

（3）在中复杂度下，优化策略的促进效果更明显，目标表征与复杂任务情境的适切程度决定深度学习效果

目标表征水平越高，携带的支持策略越明显，无论是内部关联迁移阶段还是外部拓展迁移阶段，伴随着优化策略水平的提升，学习效果都呈现出阶梯式上升。与高复杂度相比，中复杂度任务中三种优化策略干预下的深度学习效果差异更大，说明在中复杂度下，表征水平高的优化策略的促进作用更加显著。其原因在于，复杂任务中有限的注意资源优先用于意义加工，对媒体目标表征的形式加工不足，因此媒体目标表征中的策略在尚未被学习者完全捕捉和吸收的情况下，就会对深度学习效果造成异化作用——此异化作用体现为在高水平的目标表征下，高复杂度内容对应的内部关联迁移和外部拓展迁移的成绩不升反降，如图3所示。因此，在中复杂度下优化策略的促进效果更明显，证实了优化策略只有和内容复杂度相匹配时，才能最大程度地发挥促进作用，一旦复杂度超出匹配范围，优化策略的使用效果会受到限制。

图3 目标表征适应复杂度影响深度学习效果研究统计

五 结语

针对教育者担心复杂任务下如何实现深度学习的问题，本研究认为，在复杂任务背景下，学习者体验的是开放性的、结构不良的加工过程[13]，这为深度学习的批判性、整合性以及创造性的加工行为提供了条件，但也不可避免地带来了挑战；当深度学习遇到复杂任务，为复杂任务提供与其复杂度适配的目标表征时，支持学习者获得策略支架便成为了实现深度学习的有效途径。

[1]Biggs J. Individual differences in the study process and the quality of learning outcomes[J]. Higher Education, 1979,(4):381-394.

[2]刘哲雨,郝晓鑫.深度学习的评价模式研究[J].现代教育技术,2017,(4):12-18.

[3]刘鹏,吕曦,李志忠.任务复杂度对自动化意识的影响[J].航空学报,2015,(11):3678-3686.

[4]Campbel D J. Task complexity: A review and analysis[J]. Academy of Management Review,1988,(1):40-52.

[5][7]Robinson P. Task complexity, cognitive resources, and syllabus design: A triadic framework for examining task influences on SLA[M]. Cambridge: Cambridge University Press, 2001:287-318.

[6]翟雪松,董艳,胡秋萍,等.基于眼动的刺激回忆法对认知分层的影响研究[J].电化教育研究,2017,(12):51-57+72.

[8]黄骞.任务复杂度对学生英语阅读理解和词汇习得的影响[J].外语界,2013,(3):22-30、76.

[9]葛操,白学军.材料规则难度对内隐与外显协同学习的影响[J].心理与行为研究,2009,(2):121-126.

[10]Fox E, Yates A, Ashwin C. Trait anxiety and perceptual load as determinants of emotion processing in a fear conditioning paradigm[J]. Emotion, 2012,(2):236-249．

[11]马元广.情绪对注意灵活性的影响:任务难度的调节效应[J].心理研究,2016,(3):29-35.

[12]龚少英,张盼盼,上官晨雨.学习者控制和任务难度对多媒体学习的影响[J].心理与行为研究,2017,(3):335-342.

[13]倪其育,刘丽丽.基于认知负荷理论的复杂学习整体任务设计探讨[J].现代教育技术,2009,(3):39-41、77.

Deep Learning in Complex Tasks: Mechanisms and Strategies

LIU Zhe-yu WANG Hong HAO Xiao-xin

The focus of this study is to discuss the question—will deep learning become more difficult when task complexity increases? Firstly, the task complexity in deep learning is analyzed from the aspects of subjective feeling and objective performance. Then, the article explores the mechanism of complex tasks on deep learning from the three dimensions of deep learning, including the early stage, late stage, and emotional experience. Meanwhile, the research constructs the realization approaches and optimization strategies of deep learning in complex tasks, such as goal representation, motivation, cognitive load and learning control. Finally, an experimental study is carried out to examine the influence of task complexity and goal representation on deep learning, and some important conclusions are verified: in medium to high complexity level of tasks, the positive role of goals becomes more prominent with the increasing degree of deep learning; in high-level goal representation, the influence of task complexity on deep learning is minimized premised on learners’ effective extraction of the processing strategies in the goals.

task complexity; deep learning; goal representation

G40-057

A

1009—8097（2018）08—0012—07

10.3969/j.issn.1009-8097.2018.08.002

本文为国家社会科学基金“十三五”规划2017年度教育学课题“信息化教育资源优化设计的语言工具：‘多媒体画面语言学’创新性理论与应用研究”（项目编号：BCA170079）的阶段性研究成果，并得到了北京大学教育学院学习科学实验室的支持。

刘哲雨，讲师，博士，研究方向为深度学习及多媒体画面语言学，邮箱为zheyuliu@126.com。

2018年5月22日

编辑：小西