意义学习分类学

戴维·H·乔纳森

摘 要：综合十年的研究，作者描述了意义学习的一种分类办法。最有意义的学习结果是解决问题。在这种分类法中，四种不同的问题解决按层次方式排列。解决问题的先决条件是两种基本的推理技能——类比推理和因果推理，这是解决所有问题的基础。这些推理的形式要求运用概念，以及由概念和关系组成的低阶命题和高阶命题。解决问题的教学应该是让学习者解决问题，对结构相似的问题进行类比式比较，对问题空间中包含的因果关系（高阶命题）进行分析。

关键词：意义学习;分类学;问题解决;学习迁移

中图分类号：G434文献标志码：A文章编号：2096-0069（2021）03-0087-06

收稿日期：2020-03-03

基金项目：国家自然科学基金面上项目“基于智能教学系统的精准教学模式与发生机制研究”（61977057）

作者/译者简介：戴维 H.乔纳森（1947—2012），已故国际顶尖教育技术学家。曾是密苏里-哥伦比亚大学信息科学与学习技术学院杰出的教育学教授，著述等身，贡献卓著，影响深远，主要研究建构主义学习设计，聚焦高阶能力;盛群力（1957— ），男，上海崇明人，浙江大学教育学院教授、博士生导师，研究方向为教学理论与设计。

文献来源：Jonassen， D. H. A Taxonomy of Meaningful Learning. Source： Educational Technology， Sept.-Oct.2007， Vol.47， No.5， pp.30-35.

分类学是用来组织和描述实体的相关系统的分类方式。最广为人知的分类学是将生物分为界、门、纲、目、科、属和种。在学习领域，分类法是由布卢姆等人[1]在1956年提出的，他们阐述了学习结果的分类学，以描述评估项目的目标。他们对学习结果的分类（知识、理解、应用、分析、综合和评价）本质上是一种层级结构，这意味着在层级结构越上位的实体承续了层级结构越下位的实体的特征。在学习结果的分类中，承续反映了每个学习结果的先决条件。也就是说，分类学中较高级的学习结果假设分类学中较低级的学习结果是先决条件（例如，学习者不能应用之前没有理解过的知识）。

在教学设计领域，已经创建了许多分类学来描述学习结果[2][3][4][5]。这些分类的主要目的是为合理排序教学提供规则。如果我们认为一种技能是另一种技能的先决条件，那么就应该按照这样的顺序来开展教学。虽然这些分类学极大地促进了教学设计领域的发展，但也有其局限性。第一，它们考察的是微观层面的学习结果，因此对于描述复杂的、多方面的学习结果是无效的。第二，它们没有提供一个有意义的学习目的。这些分类描述的教学处方不一定与各种有意义的学习结果有关。有意义的学习是真实的、有目的的、有意的，并不能总是由教师或教学设计者事先规定好。第三，这些分类学并没有提供每个学习结果所要求的推理性质的具体说明。例如，加涅[6]描述了规则学习结果，其中概念是先决条件。然而，规则学习却无法解释前提概念之间命题关系的性质。第四，它们只把学习结果之间的等级关系规定为先决条件。在真实的语境中，当学习者开始理解发展高阶技能所必需的概念之间的关系时，就会理解所谓的先决观念往往与高阶技能同时发生。也就是说，学习结果通常是相辅相成的，某些概念的意义是在完成高阶学习任务的背景下掌握的。

在本文中，我提出一个新的分类学——意义学習分类学。这个分类学描述意义学习所必需的技能。意义学习是有意的（目标导向的和调控的）、主动的（动手动脑的和可观察的）、建构的（表现的和反思的）和真实的（复杂的和情境化的）[7]。这种意义学习的分类学（如图1所示，并在本文中进行了详细说明）假设解决问题是最有意义的学习目标状态。学会解决问题需要分类学中两种共同必需的推理技能——类比推理和因果推理，将各种概念和图式整合成解决问题所必需的命题。我并不是说这种分类学是描述所有学习结果唯一的或者必然是最好的方法。相反，这种分类法是将我过去十年的研究综合为“一种意义学习模式”（a model of meaningful learning）的尝试。

一、问题解决

从过去十年的研究中，我得出结论：最有意义的学习结果是解决问题。这种说法是基于大量研究充分的证据。第一，解决问题是真实的。在日常生活和工作中，人们不断地解决问题。与其他学习分类法中描述的结构良好的问题，如加涅的高级规则学习[8]相对照，真实的问题往往是结构不良的。卡尔.波普尔曾经声称“所有的生活都是解决问题”[9]。第二，解决问题为学习提供了目的。没有学习的意图，意义学习很少发生。当学习者试图解决一个问题时，有必要构建并检测问题发生时概念系统的心理模型。第三，几乎所有关于情境学习的研究都表明，在以基于项目和以基于问题的学习环境中，在解决问题的背景下构建的知识更有意义。也就是说，这样的知识更有包容性、更容易保持和更可能迁移。第四，在解决问题时形成的知识本体论地位高于传统的课程。在解决问题的过程中建立起来的知识才具有认识论和现象学（epistemological and phenomenological）的价值，这是更有意义的知识形式[10]。第五，数十年的研究表明，基于问题的学习可以提高记忆力、推理能力和终身学习能力[11]。

正如前面提到的，问题在结构化方面是不同的（从结构良好到结构不良），问题的复杂性、动态性和场景性也各不相同。基于这些特征，乔纳森[12]阐述了一种问题类型学（a typology of problems），包括算法问题、故事问题（应用题）、规则使用/规则归纳问题、决策问题、故障/排除问题、诊断/解决问题、策略执行问题、政策分析问题、规划问题、设计问题和困境。尽管问题的类型并不是为了暗示分类关系，但是图1还是可以推测某些类型问题之间存在着分类关系。具体地说，政策分析、诊断/解决和规划问题都需要各种形式的决策;设计问题需要政策分析、诊断和规划等解决问题的能力。有些问题只需要做决定（例如，什么样的保险政策对我来说最好），而另外一些通常更复杂的问题，如设计和规划问题，需要迭代的决策周期。由于问题解决的复杂性，传统的学习分类法无法解释解决复杂问题所必需的概念整合和高阶推理过程。

我认为，这些不同类型的问题解决有两个分类的必要条件（不一定是先决条件）——类比推理和因果推理，它们集成了各种概念（图式）作为必要条件。类比推理要求学习者从一个或多个问题中归纳出一个问题图式，并将其推广到其他问题中。生成问题图式是新手解决问题的缺失环节[13]。这些问题图式必须包括问题的结构属性，这需要理解问题元素之间的因果关系。这些结构属性几乎完全由因果关系来定义。构建问题的因果表征是发展问题空间的概念模型的必要条件[14]，这是解决问题的基础。

类比推理和因果推理将概念相互联系起来，这些概念就成为类比推理和因果推理的先决条件关系或者同步关系。然而，我对概念的假设与以往分类学中隐含的传统的概念观点有很大的不同。概率论/原型论和范例论迎合了一些概念固有的模糊性。我的假设是，概念只能被完全理解为一个“概念转变”的过程、概念框架的重组，以及对正在使用的概念模式的评估[15]。下面我将简要介绍这些概念的作用和每种推理技能，以及它们与解决问题的关系，然后再介绍类比推理和因果推理，最后讨论它们如何支持解决问题。

二、运用概念

运用概念是心理表征现象。运用概念是产生意义和开展交流的基础，在人类的推理中起着重要作用。运用概念包括分类、学习、记忆、演绎推理、解释、问题解决、概括、类比推理、语言理解和语言加工[16]。传统的学习处方是根据概念所描述的类别中所有成员的归因相似性来描述概念的名字。也就是说，任何概念的例子都是彼此相似的，因为它们共享基本特征、性能或属性。理解一个概念意味着能够正确地对任何概念的新实例进行分类。概念学习是一种离散的学习结果，它与其他学习相关联，是学习的前提。先决关系的性质从来没有予以明确。

人自然会建立个人理论或模型来解释世界。通过经验和反思，人构建概念，并在学习的过程中加入理论。概念是人类思想和行为的基础[17]。适应和重构这些理论的认知过程是“概念转变”[18]。当学习者改变对所使用概念的理解以及概念框架内的组织方式时，概念转变就发生了。我之前曾提出[19][20]，与其将概念视为离散的学习结果，设计师应该检查使用中的概念，因为孤立学习的概念缺乏凝聚力，因此在思想构建过程中用处不大。用命题网络中的谓词来描述正在使用的概念之间的动态关系。概念由属性正式描述，属性有一个论证的谓词。运用概念形成概念之间的关系，这些概念是接受两个或多个论证的谓词。概念是关系的构建模块;关系是解决问题所需的心智模型的构建模块。在本文中，我认为这些关系的两种必备的推理形式是类比推理和因果推理。

三、类比推理

为解决问题，学习者必须归纳或建构高阶问题图式（又名脚本、问题空间），其中包括命题网络。学习者需要从解决示例中归纳（建构）问题图式，将图式存储在记忆中，然后在解决问题时进行类比迁移[21]。在帮助学生学习解决问题时，一个主要的挑战是让他们根据问题的结构成分（即高阶命题）来归纳图式。我稍后会解释，帮助学习者解决问题的高阶命题（有两个或两个以上论据的命题）是因果命题。不幸的是，学习者往往会根据被解决问题的对象或属性的相似性，特别是故事线和对象的对应关系来引出问题图式[22][23]。这些属性只是带论证的命题。当面对一个新问题时，他们会尝试应用问题图式，这个问题图式是基于对问题的表面属性进行类比，而不是对其结构特征进行类比。结构特征即使不是唯一的，很大程度上也是一种因果關系。当学生学会根据示例中共享的结构关系对问题图式进行类比时，就会改善迁移[24][25]。为了在学习解决问题的同时促进图式归纳，最成功的方法是类比编码，在这个过程中，学习者在迁移之前明确地比较成对问题的结构特征[26]。

另一种学习解决问题的方法是类比新问题和以前解决的问题，不是试图归纳出问题图式，而是基于案例推理的示例。根据案例推理，问题解决包括从记忆中或从标注问题案例的索引库中检索最近的案例，然后重用或调整它来适应一个新问题。当遇到新问题时，大多数人都会尝试从记忆中检索以前解决的问题的案例，以便重用旧的案例。如果前一个案例中建议的解决方案不管用，那么必须修改旧的案例[27]。当任何一个解决方案得到确认时，所学习的案例将保留以供以后使用。案例推理是基于一种记忆理论，在这种理论中，情景或经验记忆以脚本的形式出现[28]或故事编码在记忆中，并在需要时检索和重用[29][30]。

人们通过尝试解决问题来学会解决问题。在解决新问题时，学习者会很自然地将这些问题与他们已经解决的问题进行比较，这个过程需要在问题之间进行不同种类的类比推理。对于学习解决问题来说，学习者试图归纳问题图式进行类比推理是必不可少的。虽然还没有尝试过将图式归纳法和基于案例的推理方法进行直接比较，但通常使用图式归纳法来支持学会解决结构良好的问题;基于案例的推理则通常用于学会解决结构不良的问题。

四、因果推理

如前所述，当学习者生成图式，在结构上彼此匹配时，问题解决迁移就会得到改善。结构匹配要求在问题示例中对高阶命题进行类比。对于问题来说，最完整的命题都是有因果关系的。因此，正如图1所示，与解决问题相辅相成的另一种推理是因果推理。

因果推理是最基本的认知过程之一，它支撑着包括解决问题在内的所有高阶活动。休谟把相互作用称为“宇宙的黏合剂”[31]。因果推理支持四种不同的学习结果：预测、推断、解释和辩护（论证）。“预测”（prediction）假定因果之间存在一种确定的关系。从一个条件或一组条件或事件状态的描述推理出这些状态可能产生的结果，这就叫做预测。预测的两个主要功能是预测事件（如经济预测或气象预报）和验证假设，以证实或推翻科学假设。当一个结果或状态存在而原因是未知的，就需要有一个“推断”（inference）。从结果到原因的逆向推理需要推断过程。推断的一个主要功能是诊断。因果推理也支持解释（explanation）。要解释任何一个实体，需要的不仅仅是对该实体各部分的认识。解释需要理解任何系统中各组成部分之间相互关系的功能和结构，以及它们之间的因果关系[32]。最后，对不同解决方案的辩护（justification）是基于对潜在系统行为的预测或推断。

对于大多数学习者来说，因果推理是一种并未熟练掌握的技能，这通常是由于他们学习因果关系的方式所致。以往涉及因果关系的教学一般只关注因果关系定量的、协变的属性，通常过分简化因果关系的本质。在科学课中解决问题时，默认的教学方法是将问题陈述转化为公式。这些公式定量地描述了这些因果关系的性质。这些公式传达了关系的方向和配价，但通常忽略了结果的概率、持续时间和直接性。学习者必须理解这些属性，以发展对任何因果关系的完整理解。要完全理解问题中所代表的对象之间的因果命题，还需要理解因果关系的基本机制。许多当代的因果理论家认为，经验的归纳虽然是必要的，但对于理解因果关系是不够的[33]。机制是解释因果关系的理论实体、理论或过程。机制指定事物的运作方式，回答“为什么”的问题，以指定事件“如何”发生，与共变一样，有不同的机制属性。

一个重要的机制属性是复杂性。因果关系通常被认为体现为摩尔水平（例如，货币政策控制通货膨胀）。这一摩尔关系必须被分解成因果关系（例如，美联储利率改变银行借贷成本，进而影响银行收取的利率，进而影响银行向客户借款的成本，等等）。如果学习者不能充分阐明這些复杂的因果过程，他们对机制理解就是过度简化了。同样，他们也无法清楚地说明个别因果关系的复杂性。

因果关系的复杂性也来自连接的多样性，即两个或两个以上的原因必须共同出现才能产生结果。然而，效应几乎总是由多个单独必要和共同充分的因素产生的[34]。因果关系必须在一个更微观的层次上解释，识别产生结果所必需的原因的连接程度[35]。

除了复杂性，对因果关系的机械解释的影响效果还必须包括对原因的必要性和充分性的标记。此外，学习者应该能够识别原因的贡献度或近因性。充分的原因是一个动因，它本身可以导致一个结果。一个必要的原因是一个结果发生时必须存在，但它本身不能产生这个结果。贡献度是指一个行动者帮助产生一种结果，但这种结果本身既不是必要的，也不是充分的。近因性是指紧接在结果之前发生的动因或事件。一个近因实际上可能是另一个原因的结果，因此它与最终结果的关系是间接的。

知识领域中最常见的高阶命题是因果命题。因果关系定义了大多数领域关系的本质，因为因果关系描述的是涉及任何问题的概念之间的功能关系，而不是归因关系。

五、总结与结论

在这篇文章中，我简要地综合了很多最近对意义学习分类学的研究。在任何领域最有意义的学习结果都涉及解决问题。问题需要学习者发展对任何问题中包含的概念作出理解。这种理解要求学习者能够比较问题示例之间的命题关系。能够根据命题关系的相似度识别问题类型是学习解决不同类型问题的关键。最清楚地描述问题结构的命题关系是因果关系。因果关系要求学习者在数量和质量上都理解这些关系。描述在概念之间定义命题的复杂因果关系也是解决问题的关键。因此，我的分类学包括作为目标状态，以及类比推理和因果推理的问题，还包括了领域概念之间命题关系的推理的先决/充分形式。虽然我的分类学与以前的分类学有一些相似之处[36]，但只是描述了一种目标状态，并为需要学习的技能的性质增加了特异性。

这个分类学有许多启示。第一，我认为设计人员应该重新关注有意义的学习事件，比如解决问题，而不是孤立的学习结果。乔纳森[37]提供了关于如何支持解决问题教学的实质性建议。第二，领域知识准备，无论是在问题解决之前提供的还是即时提供的，都应该关注具有相似结构的领域问题的类比。第三，定性地界定这些结构的因果关系，以支持对这些复杂关系的理解，这对于概念性地理解问题是至关重要的。乔纳森等人提供了关于如何从教学上支持因果推理的实质性建议。第四，概念教学应该关注运用概念，即定义问题的领域概念如何在命题（因果）关系中相互关联。在正规的教育环境中，我们很少有时间和学生相处，为什么不好好利用它呢？

[1]BLOOM B S，ENGLEHART M D，F?RST E J，et al.The Classification   of Educational Goals：Handbook 1 The Cognitive Domain[M].New York：Longman，1956.

[2][6]GAGN? R M.Learning Hierarchies[J].Educational Psychologist，  1968，6：1-9.

[3]JONASSEN D H，TESSMER M.An Outcomes-based Taxonomy for Instructional Systems Design，Evaluation，and Research[J].Training Research Journal，1996/97，2：11-46.

[4]LEITH G O M.The Acquisition of Knowledge and Mental Development of Students[J].Journal of Educational Technology Systems，1970，1：116-128.

[5][36]MERRILL M D.Component Display Theory[C]//REIGELUTH C M.Instructional Design Theories and Models：An Overview of Their Current Status.Hillsdale：Lawrence Erlbaum Associates，1983：279-334.

[7]JONASSEN D H，HOWLAND J，MARRA R M，et al.Meaningful Learning with Technology[M].3rd Ed.Columbus：Merrill，Prentice Hall，2007.

[8]GAGN? R M.The Conditions of Learning [M].4th Ed.New York：Holt，Rinehart & Winston，1985.

[9]POPPER K.Alles Lebenist Probleml?sen[M].Munich：Piper Verlag，1978.

[10][19]JONASSEN D H.2006a，Accommodating Ways of Human Knowing in the Design of Information and Instruction[J].International Journal of Knowledge and Learning，2（3/4）：181-190.

[11]HUNG W，JONASSEN D H，LIU R.Problem-based Learning[C]//SPECTOR J M，VAN MERRI?NBOER J G，MERRILL M D，et al， Handbook of Research on Educational Communications and Technology （3rd ed.）.Mahwah： Lawrence Erlbaum Associates，2007：485-506.

[12]JONASSEN D H.Toward a Design Theory of Problem Solving[J].  Educational Technology Research and Development，2000，48（4）：63-85.

[13]CHI M T H，FELTOVICH J，GLASER R.Categorization and Representation of Physics Problems by Experts and Novices[J].Cognitive Science，1981，5：121-152.

[14]SIMON D P.Information Processing Theory of Human Problem Solving[C]// ESTES  D.Handbook of Learning and Cognitive Process.Hillsdale：Lawrence Erlbaum Associates，1978：271-295.

[15][20]JONASSEN D H.On the Role of Concepts in Learning and Instructional Design[J].Educational Technology Research and Develop-ment，2006b，54（2）：177-196.

[16]THAGARD P.Conceptual Revolutions[M].Princeton：Princeton University Press，1992.

[17]MEDIN D L.Concepts and Conceptual Structure[J].American Psychologist，1989，44（12）：1469.

[18]VOSNIADOU S.Conceptual Change Research：The State of the Art and Future Directions[C]//SCHNOTZ W，VOSNIADOU S，CARRETERO M.New Perspectives on Conceptual Change. Amsterdam：Pergamon，1999：1-13.

[21]GICK M L，HOLYOAK K J.Schema Induction and Analogical Transfer[J].Cognitive Psychology，1983，15：1-38.

[22]ROSS B H.This is Like That： The Use of Earlier Problems and the Separation of Similarity Effects[J].Journal of Experimental Psychology： Learning，Memory，and Cognition，1987，13：456-468.

[23]ROSS B H.Distinguishing Types of Superficial Similarities：Different Effects on the Access and Use of Earlier Problems[J].Journal of Experi-     mental Psychology：Learning; Memory，and Cognition，1989，15：  629-639.

[24]CATRAMBONE R，HOLYOAK K J.Overcoming Contextual Limit-    ations on Problem-solving Transfer[J].Journal of Experimental Psy-    chology：Learning，Memory，and Cognition，1989，15（6）：1147-1156.

[25]REED S K.A Structure-mapping Model for Word Problems[J]. Journal of Experimental Psychology：Learning，Memory，and Cognition，1987，130：124-139.

[26]GENTNER D，LOWENSTEIN J，THOMPSON L.Learning and Transfer：A General Role for Analogical Encoding[J].Journal of Educational Psychology，2003，95（2）：393-405.

[27]JONASSEN D H，HERNANDEZ-SERRANO J.Case-based Reasoning    and Instructional Design：Using Stories to Support Problem Solving[J].    Educational Technology Research and Development，2002，50（2）：  65-77.

[28]SCHANK R C，ABELSON R.Scripts，Plans，Goals，and Under-standing：An Inquiry into Human Knowledge Structures[M].Hillsdale：Lawrence Erlbaum Associates，1977.

[29]SCHANK R C.Tell Me a Story：Narrative and Intelligence[M].Evanston：Northwestern University Press，1990.

[30]KOLODNER J.Case-based Reasoning[M].New York：Morgan Kaufman，1993.

[31]HUME D.A Treatise Of Human Nature[M].Oxford：Oxford University Press，2000.

[32]SEMBUGAMORTHY V，CHANDRASEKARAN B.Functional representations of devices and compilation of diagnostic problem-solving systems[C]//KOLODNER J，RIESBECK C K.Experience，memory，and reasoning.Hillsdale：Lawrence Erlbaum Associates，1986：47-73.

[33]AHN W，KALISH C W.The Role of Mechanism Beliefs in Causal Reasoning[C]//KEIL F C，WILSON R A.Explanation and Cognition.Cambridge：MIT Press，2000：199-225.

[34]CHENG P W.From Covariation to Causation：A Causal Power Theory.[J].Psychological Review，1997，104（2）：367-405.

[35]MARINI M M，SINGER B.Causality in the Social Sciences[J].Sociological Methodology，1988，18：347-409.

[37]JONASSEN D H.Learning to Solve Problems：An Instructional Design Guide[M].San Francisco：Pfeiffer，Jossey-Bass，2004.

（責任编辑 王策）