深度学习演进机理及人工智能赋能

曾明星　吴吉林　徐洪智　黃云　郭鑫

摘要：人工智能正在深刻改变着人们的生产和生活方式，将逐渐成为推动科技与教育发展的重要力量。深度学习旨在追求学生高阶思维能力与创新创造能力的培养，是学习方式的重要变革，已成为教育领域研究与实践的一个热点。深度学习是认知结构与思维结构的不断转变与纵深发展的过程，迁移是深度学习的核心特征。堆积与分离是浅层学习的根源;新旧知识相容是同化与顺应作用机制发生的必要条件，同化与顺应是深度学习内部关联迁移的关键;重构与迭代是深度学习外部拓展迁移的动力源。人工智能赋能深度学习，可以激發学习兴趣与学习动机，促进新旧知识相容，助力跨领域知识重构与情境重构，提升学习者的整体特性，进而促进深度学习内部关联迁移与外部拓展迁移，实现学习者认知结构的不断转化，大力提升学习的效率与效果。

关键词：深度学习;人工智能;堆积与分离;同化与顺应;重构与迭代

中图分类号：G434 文献标识码：A 文章编号：1006-9860（2021）02-0028-08

一、问题的提出

人工智能、大数据、云计算、物联网等技术正在深刻改变着人们的生产、生活与学习方式。2016年，基于深度学习技术的AlphaGo打败世界级围棋选手李世石，显现出超人的认知水平和能力，再次引爆了人们对人工智能的热情。近年来，美国、英国、德国、日本等诸多发达国家和我国等纷纷将人工智能上升到国家战略层面，标志着人工智能时代的到来。随着深度学习、知识表示、知识图谱、数据挖掘、模式识别、自然语言处理、情感计算、多模态分析等智能技术融人教育领域[1]，呈现出智慧校园、智能教室、教育机器人、智能导学、智能答疑、智能评测、学情监测和智能教育决策支持系统等诸多应用形态[2]。人工智能是新时期高素质人才培养的重要载体，将成为推动教育发展的重要力量[3]。

在数字化、移动化与泛在化学习时代，在线学习资源呈井喷式扩张，尽管给学习者带来了诸多的便利性和多样性，但学习效果没有明显提升，学习过程常停留于浅层学习层面4。一是学习者从海量的学习资源中选择适切资源的难度随之增大[5]，容易出现“学习迷航”;二是数字化学习所伴随的碎片化、多任务与读图特征，使学习者常游离于孤立、零散、与学习目标无关的学习资源中，难以专注于学习某一主题，潜移默化地影响知识的构建和思维方式7。尽管诸多高校推行了微课、慕课、翻转课堂、研讨式教学、项目式教学、混合式教学、智慧学习等教学方法与手段的改革，但还是存在学生学习参与度不高，学习的主动性和能动性不足，学习兴趣低，批判性思维和创新能力不足8，学习缺乏深度等问题。低效率的浅层学习显然不能适应当今社会发展要求，相应地，深度学习作为一种新的教育理念和学习方式，逐渐引起了教育界的广泛关注，已成为当今研究与实践的热点。那么，浅层学习的根源是什么？深度学习如何发生？人工智能又如何缩短浅层学习过程，实现向深度学习的快速跨越？这些问题将予以重点探讨。

二、从SOLO分类理论看深度学习

1982年，澳大利亚著名教育心理学家比格斯（Biggs，J.B）与林斯（Collis，K.F）合作出版了《学习质量的评价：SOLO分类法》91一书，提出了SOLO（StructureofObservedLearningOutcome）分类理论。该理论以皮亚杰的认知发展阶段学说（核心思想是儿童的认知具有阶段性，不同阶段的认知水平有质的不同）为基础，是一种以认知等级划分为特征的学习质量评价方法，能够根据学生的反应表现评价思维结构的复杂性，测量学生知识的理解程度和学习深度。他们认为，人的认知不但在总体上具有阶段性，而且在具体的学习过程中，同样也具有阶段性。虽然人的总体认知结构难以直接检测，但在学习中所表现出来的认知阶段是能够检测的，即是可观察的学习结果结构。如图1所示，SOLO分类法将学生个体认知反应水平由低到高或学习结果由简单到复杂划分为五个层次。

1.前结构。学生对学习无兴趣，思维逻辑混乱，不思进取;注意力分散，遇到问题没有反应或是无关、无意义的反应;不具备相关知识，找不到解决问题的思路，学生基本处于“无学习”的状态。

2.单点结构。学生只能对单一事件或概念初步理解，还不能进行深人思考和探究只能调用已有知识体系中的一个素材或一个理由来支持自己的观点，只知其一，不知其二;对于新概念、新知识机械记忆，仅能做出简单、无变化性的陈述。

3.多点结构。学生能同时理解多个孤立事件，但不能建立它们之间的内在联系;可以从多个方面来回答问题或运用多种方法解决问题，但它们是分散的，缺乏系统性;对问题本质特征有一定程度的理解，但不能举一反三。

4.关联结构。学生能把某一事件的各部分特征整合为一个有机的整体，建立它们之间的内在联系;能将具体事件抽象化，从整体性、系统性的角度来思考事件;能对同一情境或认知领域内的二个或多个具体问题进行关联，并可将解决某一具体问题的知识、方法用于解决另一具体问题，实现知识的迁移;能理解多种方法或多个线索之间的联系，并将其有机整合，融会贯通，更好地解决问题。关联结构没有突破知识体系结构或学科范畴，是在同一知识领域内部完成的迁移，属于内部关联迁移[11]。

5.拓展抽象结构。学生能够建立多个事件之间的联系，对知识体系进行归纳、演绎与推理，并能迁移应用到新的情境中;将新知识体系与原有认知结构进行关联，还能将关联的结构整体抽象到一个更高的水平，或以推理方式类推到其他领域，概括出新的知识体系或新方法，使之适用于新领域劣构问题的解决。拓展抽象结构是学生突破知识结构本身的限制，进行的远迁移或高级应用过程，又称外部拓展迁移，属于高阶思维活动。

SOLO层次分类与浅层学习、深度学习之间的关系如图1所示。前结构层次实质上是一种“无学习”的状态，从前结构到单点结构再到多点结构的演进反映了学生的学习从无到有、从少到多的积累过程，是学习水平的量变，属于浅层学习范畴（“无学习”也可以看成是浅层学习的一种极端情况）。从多点结构到关联结构的演进反映了学生学习水平的量变积累与质变跃升的过程，也是从具象性知识的抽象化到抽象知识的具体化应用过程，即从知识理解到知识的内部关联迁移过程。从关联结构到抽象拓展结构的变化则意味着学生进人了下一个更高层次的发展水平[13]，是学习水平的质变过程，属于外部拓展迁移。关联结构和拓展抽象结构都属于深度学习范畴，抽象拓展结构是深度学习的高级阶段。深度学习是学生在特定情境中认知结构和思维水平的转变和迁移，是一个纵深变化的过程[14]。随着学生个体思维结构层次的提升，其所处的SOLO层次也会相应地上升，即学生在SOLO层次上不断循环发展，而SOLO层次的螺旋式上升又体现了学生认知结构的变化，从浅层学习逐渐向深度学习演进。但浅层学习与深度学习常常相互渗透，前者的主要价值在于它是信息的获取人口，后者是前者的继承、发展和超越[15]。

三、深度学习之演进机理

学习如何从前结构演进到单点结构、多点结构再到关联结构、拓展抽象结构？如何实现认知结构与思维结构的转变与跨越，即如何实现深度学习？SOLO分类理论的五个层次体现了学生的学习是一个由浅人深、由表及里、从低到高的循序渐进的认知过程，构成了前后连贯的不同学习阶段。从SOLO分类理论可以看出，迁移是深度学习的核心特征，从内部关联迁移到外部拓展迁移，需要突破现有知识体系结构的限制，形成新知識结构与其它知识结构之间的有机关联，将整体认知结构作为解决复杂问题和创新的大知识范畴"。知识迁移如何实现，是从浅层学习向深度学习演进的关键。

（一）堆积与分离：浅层学习的根源

堆积（Heap）指把事物堆集成堆或集中成堆放置8。堆积一词应用于学习领域，是指概念形成初期的一种表现%，常以浏览、下载、检索信息等方式将知识碎片或事件简单地聚集在一起，尤其在海量的学习资源中漫无目的，仅以接受信息为主，不需要进行太多的认知加工，不能与已有知识或其他事件进行关联，习得的知识之间是孤立的，未能理解其本质，此时学习者处于一种机械式记忆与被动学习的状态。

分离意为分开、离开、隔离、分别之意。从心理学角度来看，分离会让人的心情产生一种跌落的感觉，如，神游、癔症性转换、漫不经心的反应以及无根据地否认自己的言行或情感状态等。以堆积的方式学习，知识尚未理解，此时学习者容易失去学习的兴趣，产生心理上的分离，即出现学习走神、发呆、注意力不集中，甚至产生内心冲突、厌倦学习与抵触情绪等现象，为学习带来负面影响，形成学习障碍。

人们对美好生活的向往或远大的理想抱负会产生较强的求知欲;考虑到今后将面临生存与竞争的压力，也会强迫自己学习，故在概念形成与知识建构的初期会产生堆积式学习的动力。一方面，堆积式学习的动力会促进学习者从前结构向单点结构再向多点结构转变，另一方面，堆积式学习过程本身又容易导致学习处于分离状态，而分离又形成学习障碍，阻碍其转变进程。如图2所示，堆积与分离二者相互作用，易使学习陷人恶性循环，停留在浅层学习层面，难以实现深度学习。学习没有达到一定的深度和水平，迁移、应用和创造也难以发生，学习处于前迁移的状态。因此，堆积与分离是浅层学习的根源。

（二）同化与顺应：深度学习内部关联迁移的关键

从本质上说，学习是一种个体或群体的认知活动[22]，深度学习则要求学生的认知达到一定的深度[23]。深度学习发生的过程就是认知失衡导致认知结构发生改变的过程[24]。杜威认为，认知是人类经验活动的一部分，而不是独立于人类经验或实践之外的活动，学习者必须把自己纳人特定的学习环境中，并和环境进行物质与能量的交换[25]。瑞士著名心理学家皮亚杰认为，知识的本源既不是发生于客体，也不是发生于主体，而是在主体与客体的相互作用与建构过程中发生[26]。主体与客体之间的这种相互作用主要通过图式、同化、顺应与平衡等形式呈现。图式是指一个有组织的、可重复的行为或思维模式。图式源自于更大范围的相关例证而非单一的学习经验，故图式提高了记忆的提取和迁移能力[27]。同化是在认识过程中将外部环境因素整合于主体已有的认知图式中去，引起图式力量的变化，进而改进图式。而顺应正好相反，是通过改变主体内部图式以适应外部环境因素的变化。当主体的图式不能同化客体时，主体必须调整原有图式或建立新图式，使之适应外部环境。人们对世界的认识不外乎两个方面，一方面是外部事物与环境同化于内部图式，另一方面是内部图式顺应于外部事物与环境这两个对立统一的过程。同化与顺应既相对立，又相依存。平衡是通过同化与顺应两种机制的动态调节，使个体认知在“平衡-失衡-平衡”循环往复的通路中发生作用，形成一个理性演进的认知系统结构，从低级向高级不断发展[28]。

学习本身是原有经验的迁移[29]，迁移使得个体认知不断得到发展，迁移量是原有知识与新知识或原有学习领域和新领域之间重叠部分的函数30。同化以内容为中心，是信息以个人方式内化，或者是内容或技能与个人的联结。如果新知识和原有知识相容（如，学习拉丁语有助于西班牙语的学习，因为这两种语言有诸多相似的词汇和语法），或者新旧知识处于同一情境或认知领域并且关联度较高时，则知识容易迁移，同化作用越容易发生。反之，同化作用难以发生。因此，新旧知识相容是同化作用发生的必要条件。通过同化作用，学习者将新知识进行鉴别、分析并整合到原有知识结构中，促进概念转变、知识建构与迁移，深度学习发生。这种原有认知结构没有发生根本性改变，通过同化作用在同类情境中发生的迁移，称为同化性迁移。当学习者接受到的信息与原有认知结构存在较大差异而不能同化时，就会形成认知冲突与失衡，此时，学习者可能会想办法来调整自己，对原有认知结构加以调整或修改，甚至形成一种能适应外界环境并能包容新知识与经验的认知结构，使新旧知识相容，顺应作用发生，认知结构达到新的平衡，学习者思维不断深人，深度学习发生。可见，新旧知识相容也是顺应作用发生的必要条件。这种通过顺应作用来适应外界环境变化的迁移，称为顺应性迁移。

如上页图2所示，同化与顺应这两种机制共同作用，使同一认知领域或同一情境范围内的两个或多个问题进行关联，产生知识迁移，促进学习者认知从多点结构向关联结构转变，这种联接所发生的迁移属于内部关联迁移或近迁移。反之，没有同化与顺应两种机制的作用，就没有认知结构的不断建构，也就没有知识迁移，不会产生高阶思维活动。因此，同化与顺应是深度学习内部关联迁移的关键。

（三）重构与迭代：深度学习外部拓展迁移的动力源

从上述分析可知，新旧知识相容，是同化与顺应发生的必要条件。不同情境的迁移与任务或知识所具有的共同要素的多寡相关[33]。对于不同情境的知识也可能属于不同的学科，其共有要素少，相容度可能较低，原有认知结构与情境就变成深度学习的重大障碍。如，基于日常物理经验的设想使学习者理解天文相关概念变得困难[34]。因此，难以直接通过同化与顺应机制的作用实现外部拓展迁移。

重构与迭代原本是计算机术语。重构是（Refactoring）是通过调整程序代码改善软件的质量和性能，使设计模式与架构更趋合理，并提高其可扩展性和可维护性[35]。重构一词应用于教育领域，包括对知识、事件、情境的分解、重组、调整、凝聚、整合、融合、加工、处理、转换、优化、提炼、抽象等认知活动。当学习者遇到新情境中的问题时，需要重构已提炼出的知识，建构当前问题的意义。根据内容不同可以将重构分为知识重构与情境重构。（1）知识重构。对不同领域知识或技术进行重构，可以生成新的知识与技术，如，将精密机械、信息传感、人工智能、自动控制以及生物工程等多学科知识、技术融合，可以生成机器人核心技术;将游戏、网络、战争等概念融合，可以形成网络战争游戏这一新概念。重构现有知识体系或任务，并经“举一反三，融会贯通”，扩大基本经验的适用范围，把所学知识运用于新的情景中以提高现有知识和新知识的相容度，既有利于学习者将其他领域的知识整合到现有知识结构中，促进知识的深度理解与建构，又有利于学习者调整现有知识关系，更好地适应外界环境，实现知识的跨情境迁移与应用。也就是说，通过知识、技术重构，促进同化与顺应作用机制在跨情境中发生，实现知识的外部拓展迁移。这种通过重构学习者原有认知结构中某些构成要素，调整其关系或建立新的联系，从而应用于新的问题情境的迁移，称为重构性迁移，属于远迁移。（2）情境重构。学习情境影响迁移，大量的迁移发生于表层结构大相径庭且具有共同抽象的结构之中6。知识表征并不是孤立事件，而是更大的相关事件的整合即图式[37]。当某一知识在单一而非复合情境中学习时，要实现跨情境迁移就相当困难[38]，当在多样化复合情境中学习时，学生更有可能抽象出概念的相关特征，发展弹性的知识表征，实现“触类旁通”与知识的跨情境迁移39。如，使用经过挑选的对比案例情境能帮助学生学会新知识的应用。将学习情境进行重构，可以生成新的复合情境，如，在传统教室的周围设置创新创业系列图书，在教室的中心布置讨论桌、加工工具、实验设备和产品展示平台等，传统教室就成为了学生知识学习与创新训练为一体的新情境。新的复合情境有利于学习者抽象出概念与知识的相关特征，这样，便于学习者对现有知识和新领域知识进行关联，提高其相容度，导致同化与顺应作用容易在跨情境中发生，促进知识的外部拓展迁移。

迭代开发是一种软件开发方法。迭代是一种重复反馈渐进的活动，其目的通常是为了逼近人们所期望的结果。对开发过程的每一次重复称为一次迭代，每经过一次迭代，软件开发质量将得到提升。迭代包含三层含义：重复、改进和升级，重复是基础，改进是过程，升级是目的。在迭代中要不断质疑、反思、试错、判断和验证，突破新旧知识结构的临界点，实现从量变到质变的迭代性进化。将迭代应用于教育领域，注重非关联领域知识的应用、创新与创造，是一种更彻底的重构。随着社会需求的快速变化，人们往往会面临诸多复杂问题的解决，需要将多学科知识、多渠道信息、多元化技能、多层次能力与素质等进行有机整合，提升创新创造能力与高阶思维能力，强化整体特性（如，STEAM教育提倡培养学生的综合素养与整体能力，从而可以提高其他诸多非相关领域知识的学习效果），再迁移、应用至新领域与新情境，这种迁移称为迭代式迁移，是外部拓展迁移的高阶形态。通过迭代，优化现有知识结构、能力结构以适应非关联领域，其实质也是提高现有知识与非关联领域知识的相容度，使同化与顺应机制在非关联领域间更好地发生作用，实现知识的远迁移。

如图2所示，重构与迭代都可以增加不同领域的两个或多个问题的共有元素或提高新旧知识的相容度，促进同化与顺应作用机制发生，易于实现跨领域知识迁移;迭代可以强化总体特性或广义上的相关知识，提高学习者学习能力与跨领域迁移能力。重构与迭代都有利于促进学习者个体认知快速发展及高阶思维能力的飞跃式提升，是更高层次的同化与顺应，是关联结构向拓展抽象结构转变的动力源。

四、深度学习之人工智能赋能

人工智能具有计算智能、感知智能和认知智能，可以模拟人的思维过程与行为（如学习、推理、思考、规划等），创设丰富、逼真的学习情境，与学习者进行交互，增强学习体验，诱发学习动机，提供个性化学习服务，促进学习者认知结构的变化。如图2所示，人工智能激发学习兴趣，产生“堆积与分离”的正面效应和“同化与顺应”的持续动力，缩短浅层学习的时间，促进学习者从浅层学习向深度学习快速跨越。人工智能促进新旧知识相容，为同化与顺应作用机制的发生创造条件，实现知识的内部关联迁移。人工智能助力重构与迭代，一方面，为跨领域新旧知识相容度的提升提供动力源，促进同化与顺应作用机制在不同领域之间发生，促进知识的外部拓展迁移，实现学习者认知结构由关联结构向拓展抽象结构转变;另一方面，促进学习者整体特性提升，提高学习者的认知能力与迁移能力。

（一）人工智能激發学习兴趣与学习动机

兴趣是学习者学习的内在动力，直接影响学习的主动性、投人程度与保持力，是深度学习的内源保障。学习动机包括学习者对学习的态度、价值观、求知欲、自我效能感和成就归因等方面。充分调动学习者的学习兴趣，可以引发深层学习动机，克服“堆积与分离”所带来的负面效应，实现从浅层学习向深度学习的快速跨越，也是同化与顺应作用机制发生的持续动力。人工智能可以提供多样化、个性化、智能化的服务，提高学习者的学习兴趣，增加并维持学习者的学习动机，主要体现在以下方面：（1）基于智能搜索，建立数据仓库，结合数据挖掘和机器学习等人工智能技术，构建知识图谱，为学习者设计、推送个性化、丰富化、适切化的学习资源运用自然语言处理、语音识别、图像识别等技术，深层次挖掘富媒体资源的内在关联，结合人机交互、增强现实等技术将复杂、抽象的学习资源以结构化、情境化、直观化、游戏化的表征方式呈现，提升资源的交互性、体验性、娱乐性，激发学习兴趣。（2）运用机器学习、深度学习、图像识别、语音识别、情感计算等人工智能技术设计智能学习系统（如百度智能机器人），可以为学习者提供知识学习、提问、答疑、导航、推荐和社交等全方位的智能化服务，并针对学习者的学习行为和效果分析、挖掘学习者关注点和兴趣点，用自然语言与学习者进行实时、拟人化的深度互动，激发学习者的认知和情感。（3）利用增强学习、深度学习、可视化分析等人工智能技术建立智能测评系统，对学习者进行自动、客观的过程评价，并给予实时的反馈与建议42），帮助学习者改进学习方法与策略，提高满意度。4.运用在线学习算法、可视化方法呈现学习者成长曲线，基于用户画像进行情趣管理，基于个性化推送来定制游戏闯关，构建层层递进的学习方式，让枯燥无味的学习过程变得生动有趣，引导、鼓励学习者去探索未知世界。

（二）人工智能助力新旧知识相容

新旧知识相容，是同化与顺应作用发生的必要条件。在网络化、移动化学习时代，学习者常获取的是碎片化的知识，容易导致新旧知识之间的连接不足[43]。学习者受已有经验与知识的局限或遗忘等因素的影响，也可能导致新知识与先期知识之间的连接不足，知识迁移与应用受阻。可以运用图像识别、生物特征识别、语音识别、情境感知和大数据等人工智能技术，采集、感知、捕获学习者的学习行为、学习习惯、学习状态、学习动机和学习情感等数据，再综合运用信息提取、认知诊断、知识图谱、学习分析、数据挖掘、情感计算和数据可视化呈现等技术44，对学习者进行画像，精准定位学生的学习短板，再结合当前学习内容，系统通过关联分析、角色分析，挖掘新旧知识之间的桥接知识，自动从海量的学习资源中提取并精准推荐学习内容、学习路径，供学习者自主学习，拓宽新旧知识融合渠道;通过学习者之间的社交网络分析，可以定位学习者在网络中的角色，进行朋辈学习，促进知识互补，完善知识体系，提高新旧知识相容度。如，Knewton公司开发的自适应学习平台，可以让学生更容易、准确地自动找到适切的学习内容与资源。一是自适应学习系统为学习者精准推荐学习内容与资源，分配学习任务，巩固已有相关知识，实现新旧知识的连接;二是自适应学习系统为学习者自动推荐多层次、多类型的复合型练习，加深和拓宽当前知识与已有知识之间的联通通道，建立新知识与已有知识的联系;三是自适应学习系统为学习者推荐更广泛的背景信息材料，重构知识之间的质性关系而展开回忆和联想，建立新旧知识之间的内在联系45），为知识迁移创造更广泛的条件。

（三）人工智能助力跨领域知识重构与情境重构1.人工智能助力跨领域知识重构。运用跨媒体智能检索、语义分析等技术对来自不同领域、不同媒体的知识、技术或海量繁杂的知识碎片进行检索、收集，再应用大数据、数据挖掘等技术构建知识仓库，然后，运用跨媒体分析推理、语义分析、关联分析、机器学习等人工智能技术进行知识的挖掘、分析、关联、演化、重组、表征、推理与整合，构建跨媒体知识图谱，重构跨领域知识体系，生成新的知识与技术，适应复杂的跨领域环境需求，实现知识的跨领域迁移与应用。

2.人工智能助力情境重构。具身认知、具身学习和具身课堂的本质与陶行知先生提出的“知行合一”有异曲同工之妙，需要将学习空间和其它物理空间、虚拟空间、社交空间、心理空间融合，打造师生之间、生生之间互动体验的可视化平台。人工智能可以实现多情境融合，有利于学习者抽象出概念的相关特征，促进新旧知识关联，实现知识的跨领域迁移与应用。

运用系统动态模拟仿真、虚拟现实、智能识别、智能感知、自然语言理解等技术，可以高度模拟现实世界，提高学习者学习环境的情境性和沉浸度4，产生多种感官反应，让学习者在虚拟世界中感受“真实”与现实问题，增加注意的广度与深度，如，运用人工智能技术创建沉浸式语言训练环境，模拟大量真实生活中的文字、图像、语音和视频，让学习者沉浸于类似的母语环境中自主学习[47]。

运用增强现实、人机交互等技术把图像、视频、音频等数字信息融人现实空间，将真实世界与虚拟环境相混合，学习者可以在虚拟与真实环境中无缝切换与交互，提高临场感，提升学习者对知识的理解力和有意义信息的辨认力等[48]。

综合运用人工智能、物联网、大数据和自动控制等技术，创建一种集情境感知、自适应学习、思维可视化表征、实践体验、人机交互、分享展示、智能评价、环境自动调节等诸多功能为一体的智能复合学习情境，从而为学习者带来全新的学习体验。

（四）人工智能助力整体特性提升

1.人工智能助力信息感知与知识建构效率提升。一方面，运用可穿戴设备及自然语言处理、云计算、数据交互等技术延展效应器官（如眼、耳、手等），使多重感官受到刺激并交流，可以提高与外部信息交流的可达性[49]。另一方面，运用智能感知、数据挖掘、知识图谱、智能推理、多模态反应生成器与虚拟现实等技术将来自不同渠道、不同领域的知识进行采集、整理、挖掘与整合，将知识以图形、动画、游戏、虚拟仿真等多种形态信息呈现，让学习者用视觉、听觉、触觉等全感官感受新信息，以全方位的方式全身心投人学习过程，提高学习者对信息的感知与知识建构的效率[50]。

2.人工智能助力高阶思维能力提升。借助增强现实、人机交互和深度学习等技术构建“真实”案例交互场景，可以供学习者进行训练，促进学习者在实践体验中应用与建构知识，实现对知识的深层理解5。运用增量学习、虚拟现实等人工智能技术可以实现直观可视化的情境模拟，让学习者参与系统建构和动态调整，可以锻炼学习者的逻辑思维能力与创新创造能力[51]。运用表征学习、情感分析等人工智能技术可以帮助学习者对知识进行搜集、提取、整合、创生和表达等，形成推理、抽象与反思等心智模式，助力学习者自主加工与创造知识[53]，提高高阶思维能力。基于专家系统的语义图示工具，以可视化的方式进行知识建模，帮助学习者梳理信息与知识，建立知识之间的内在联系，并不断得到提示、評价与建议，进而促进学习者反思，训练高阶思维，促进知识的深度加工[54]

3.人工智能助力元认知能力提升。学习者可以与人工智能（如教育机器人）形成学习共同体，如，通过与人工智能实时交互，为学习者及时解答学习中的疑难问题，甚至共同探讨与研究，促进学习者发生更高层次的认知，提高解决复杂问题的能力。人工智能还可以帮助学习者鉴别、诊断其学业水平、认知过程、认知结构与认知风格等，为学习者提供个性化改进策略，提升学习者的自我检验、自我反思和自我调控等元认知能力与水平[55]。

五、结语

学习是一个由浅人深、由表及里、从低到高的循序渐进的认知过程，深度学习是认知结构与思维结构的不断转变与纵深发展的过程，即从前结构向单点结构、多点结构再向关联结构、拓展抽象结构的转变。迁移是深度学习的核心特征，迁移使得个体认知不断得到发展，迁移量是原有知识与新知识或原有学习领域和新领域之间重叠部分的函数。堆积与分离的相互作用既形成由无学习向浅层学习再向深度学习转变的动力，又形成其转变的阻力，是浅层学习的根源，易使学习停留在深度学习前迁移的状态。新旧知识相容是同化与顺应作用机制发生的必要条件，同化与顺应这两种机制的共同作用是深度学习内部关联迁移的关键，实现学习者认知从多点结构向关联结构转变。重构是更高层次的同化与顺应，迭代是一种更彻底的重构，重构与迭代都可以增加不同领域的两个或多个问题的共有元素或提高新旧知识的相容度，促进同化与顺应作用机制在跨领域间发生，是深度学习外部拓展迁移的动力源。人工智能赋深度学习，一是人工智能激发学习兴趣与学习动机，产生“堆积与分离”的正面效应和“同化与顺应”的持续动力;二是人工智能促进新旧知识相容，为同化与顺应作用机制的发生创造条件;三是人工智能助力重构与迭代，不但为跨领域新旧知识相容与外部拓展迁移提供动力源，而且可以强化总体特性，提高学习者的认知能力与跨领域迁移能力。

参考文献：

[1]李海峰，王炜.国际领域“人工智能+教育”的研究进展与前沿热点——兼论我国“人工智能+教育”的发展策略[J].远程教育杂志，2019，（2）：63-73.

[2]李欢冬，樊磊.“可能”与“不可能”：当前人工智能技术教育价值的再探讨——《高等学校人工智能创新行动计划》解读之一[J].远程教育杂志，2018，（5）：38-44.

[3]李宏堡，袁明远等.“人工智能+教育”的驱动力与新指南UNESCO《教育中的人工智能》报告的解析与思考[J].远程教育杂志，2019，（4）：3-12.

[4]曾明星，李桂平等.从MOOC到SPOC：一种深度学习模式建构[J].中国电化教育，2015，（11）：28-34+53.

[5]李浩君，张征等.深度学习视角下的个性化学习资源推荐方法[J]现代远程教育研究，2019，（4）：94-103.

[6][43][46][21][54]顾小清，冯园园等.超越碎片化学习：语义图示与深度学习[J].中国电化教育，2015，（3）：39-48.

[7][16][40]康淑敏.基于学科素养培育的深度学习研究[J].教育研究，2016，（7：111-118.

[8]陈蓓蕾，张屹等.智慧教室中的教学交互促进大学生深度学习研究[J].电化教育研究，2019，（3）：90-97.

[9][澳]约翰B.彼格斯，凯文F.科利斯.高凌飚等译.学习质量评价：SOLO分类理论（可观察的学习成果结构）[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]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.

[13]张浩，吴秀娟等.深度学习的目标与评价体系构建[J].中国电化教育，2014，（7）：51-55.

[14][24][28]殷常鸿，张义兵等.“皮亚杰-比格斯”深度学习评价模型构建[J].电化教育研究，2019，（7）：13-20.

[15]秦瑾若，傅钢善.基于深度学习理论的MOOC学习活动设计以“现代教育技术”课程为例[J].现代教育技术，2017，（5）：12-18.

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

[19]李刚，吕立杰.基于SOLO分类理论的学校课程转化：水平划分与教师角色[J].基础教育，2017，（6）：50-59.

[20]百度百科.分离[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]约翰.D.布兰思福特.程可拉等译.人是如何学习的：大脑、心理、经验及学校（扩展版）[M].上海：华东师范大学出版社，2013.

[22]汪玲，郭德俊等.元认知要素的研究功心理发展与教育，2002.（1）：44-49.[23]李小涛，陈川等.关于深度学习的误解与澄清[J].电化教育研究，2019，（9）：19-25.

[25]阎乃胜.深度学习视野下的课堂情境[J教育发展研究，2013，（12）：76-79.

[26]丁玲玲.大学英语教学中的知识内化机制研究[J].教育探索，2012，（7）：63-64.

[31]EricJensen，LeAnnNickelsen.深度学习的7种策略[M].上海：华东师范大学出版社，2010.

[32]张国仁，杨金花.认知结构的概念形成及其理论发展探索[J].吉林教育学院学报，2010，（2）：100-101.

[35]百度百科.重构[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.人工智能赋能实践教学：软件工程“游泳池”实训空间设计与应用[J].现代远程教育研究，2020，（4）：48-56

[42]任毅，吴瑶等.人工智能技术对成人自主学习的影响[J].中国成人教育，2019，（9）：3-5.

[44]李振，周东岱等“人工智能+”视域下的教育知识图谱：内涵、技术框架与应用研究[J].远程教育杂志，2019，（4）：42-53.

[45]高东辉，于洪波.美国“深度学习”研究40年：回顾与镜鉴[J].外国教育研究，2019，（1）：14-26.

[47][48][49][50][51][53][55]郭炯，郝建江.人工智能環境下的学习发生机制[J].现代远程教育研究，2019，（5）：32-38.

作者简介：

曾明星：研究员，硕士生导师，研究方向为现代教育技术。

吴吉林：副教授，博士，研究方向为信息技术与地理信息系统。

徐洪智：副教授，博士，研究方向为人工智能理论。黄云：副教授，博士，研究方向为机器学习与深度学习算法。

郭鑫：副教授，硕士，研究方向为设计模式。

收稿日期：2020年11月6日

责任编辑：李雅琯