知觉组织规律在神经网络与深度学习课程教学中的应用

张自豪　牛英　樊超　侯惠芳

关键词：人工智能；神经网络；深度学习；知觉组织规律；教学改革

中图分类号：TP393 文献标识码：A

文章编号：1009-3044（2023）21-0168-04

0 引言

新工科背景下，伴随人工智能教育的热潮，“人工智能+X”复合专业培养模式正如火如荼，2018年教育部印发了《高等学校人工智能创新行动计划》，明确提出高校要成为建设世界主要人工智能创新中心的核心力量和引领新一代人工智能发展的人才高地。党的二十大报告强调，推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎。自觉融入中国现代化建设大局，实施科教兴国战略，强化现代化建设人才支撑，积极推动新一代人工智能技术落地是高校义不容辞的责任。为响应党和国家的号召，各大高校陆续建立人工智能学院或研究院并申请设立相关专业，据不完全统计，截至2022年，国内已有440余所高校增设人工智能本科专业[1]。

深度学习技术是人工智能的重要分支，旨在促进人工智能在计算机视觉、语音识别、自然语言处理等领域的突破，已成为实现人工智能的重要技术之一。深度学习通过模拟人脑的神经网络来解析和学习数据，例如图像、语音和文本等，可以通过监督学习和无监督学习来实现，不同的学习框架会建立不同的学习模型。例如，卷积神经网络是一种基于监督学习的深度学习模型，而深度置信网络则是基于无监督学习的深度学习模型。相比于传统的特征手动提取，深度学习通过非监督和半监督的高效学习算法可以自动学习和提取更复杂的特征。在深度学习技术中，深度神经网络是一个主要的技术基础。与传统神经网络相比，深度神经网络在学习理论、网络结构、数据规模、算法设计和优化技术等方面有了重大的发展。例如，CNN和RNN等常见的深度学习神经网络已得到广泛应用，同时新的神经网络也不斷涌现。为了有效设计和实现高效的深度学习网络，通用的计算平台也非常必要，这些平台可以降低深度学习技术的学习门槛和使用成本，提高深度学习网络的搭建速度和计算效率[2]。深度学习作为此轮人工智能革命的核心技术，将其纳入专业人才培养方案势在必行，在人工智能专业开设相关课程刻不容缓。

1 神经网络与深度学习课程现状分析

1.1 课程开设现状分析

自2018年各大高校相继开设人工智能本科专业开始，深度学习就进入了大众的视野，面向本科生开设神经网络与深度学习课程也逐渐成为业内共识。从文献梳理中发现，该课程最初以独立课程形式开设的较少，开设学院以计算机学院为主，多以线上自学、公选课的形式讲授相关知识，随着人工智能专业的普及，该课程逐步成为人工智能模块课程不可或缺的部分[3]，神经网络与深度学习课程建设在短短几年里走完了从无到有再到飞速发展的过程。有学者就人工智能专业培养体系课程建设，提出人工智能模块课程应包含Python程序设计语言、人工智能概论、神经网络与深度学习以及深度学习综合项目训练四门专业课程，其中神经网络与深度学习课程是其核心课程，该课程的开设对于完善人工智能人才培养体系，培养具有智能思维和应用开发能力的复合型人才不可或缺[4]。

1.2 课程教学存在问题

神经网络与深度学习课程是一门多学科融合性课程，主要讲解神经网络与深度学习的基本概念，主要结构、核心方法和关键应用，注重学生对人工智能专业基础的理解及解决实际问题能力的提升。该课程内容庞杂，知识涉及数理统计、计算机编程语言、神经网络、算法设计等多个方面，整体课程难度较大，教学实践中发现课程教学中存在4个方面的问题：①学生知识储备欠缺，神经网络和深度学习课程要求有一定的基础知识储备，如计算机语言、高等数学、矩阵理论、统计学习、机器学习等，由于课程设置的原因，可能出现本课程与前导课程同学期开课的现象，以致学生无法理解相关概念，学习难以为继；②课程内容理论性强，学生缺乏兴趣，作为综合性课程，神经网络和深度学习知识面广、概念抽象，有大量的原理阐述和公式推导，内容枯燥，难以激发学生学习兴趣，学生积极主动性受限；③教学方式单一，当前课程教学方法以讲授为主，无法兼顾学生差异性，缺乏个性化教育；④理论实践脱节，神经网络和深度学习课程设计上理论课时多，实践应用安排少，仅有少量的上机实验课，理论和实践的脱轨不利于提升学生深度学习算法编程实现能力，无法学以致用。

近年来针对神经网络和深度学习的教学改革，多关注课程设计优化、课程内容改进、混合教学模式探索、产教融合等[1，5]，而聚焦学生本身，从心理角度出发，紧扣知识学习过程中的心理规律，探究符合学生认知规律的教学研究甚少。而深度学习本就源于心理学，神经网络的概念借鉴了心理学中大脑神经元的模型，深度学习又来源于神经网络，复杂神经网络是真正人工智能的关键，如何按照人脑的工作方式进行计算机编程，如何让计算机像人类一样有智慧是人工智能的长久追求[6]。同时从人工智能发展的历史来看，心理学也提供了诸多人工智能研究的概念源头和模型，由此可见心理学和人工智能有着密切的联系。学生是学习的主体，教学中要注重发挥学生主观能动性，激发学生学习热情和兴趣，培养自主学习能力，最终实现“教是为了不教”，因此依托心理学研究，尊重学生自身认知规律，探索进行更科学、更有效率、更人性化的教学改革有着重要意义。

2 知觉组织规律在神经网络与深度学习课程教学中的应用

2.1 知觉组织规律概述

知觉组织规律的研究源于格式塔心理学，格式塔意即“整体”“完型”，因而格式塔心理学又称完型心理学，代表人物有维特海默，考夫卡和科勒[7]，其强调知觉的整体性，认为“整体大于部分之和”，个体先于知觉部分而知觉到整体[8]。学习理论方面，该学派认为学习是一个积极主动的过程，是知觉的再组织，提出了“顿悟说”，并用大量实验论证问题的解决在于个体对问题情境和知觉经验的重新组织，即“顿悟”[9]。知觉识别理论方面，该学派主张知觉具有整体性和组织规律，将知觉加工定义为对可观察刺激的组织，即观察者把刺激排列转换成意义，认为知觉具有完型性，“心理只是在主要感觉允许的情况下，才会尽可能地把它组织的‘好”，好这个术语没有限定，包括诸如规律性、对称性、相似性等[10]，在此基础上维特海默对图形进行了细致的实验现象研究，发现了8种组织化因素，分别是图形与背景、接近性、类似性、闭合性（好图形）、良好的连续、良好的形态、共同的命运、简单性[11]。他认为正是这些组织化因素，才使得知觉世界作为一个整体形成最有秩序的统一。

图形和背景原则是指个体在对对象进行知觉时，有些对象凸现出来图形，有些对象就退居成了背景，而个体往往会对图形进行细致加工而不注意背景；接近性是指在空间和时间上接近的部分，容易组成整体；相似性是指相似的部分容易被知觉为整体；闭合性是指知觉会倾向于把对象加工为完善的形式，彼此相属的部分容易组合成整体；连续性是指尽管线条受其他线条阻断，却仍像未阻断或仍保持连续一样被人们所体验；良好形态是指知觉会把不完全的图形看作一个完全的图形，把无意义的图形看作一个有意义的图形；共同命运是指一个整体中的部分，如果作共同方向的移动，则这些作共同方向移动的部分容易组成新的整体；简单性是指人们对复杂对象进行知觉时，倾向于把对象看作有组织的简单的规则图形[10-11]。

格式塔心理学派从认知心理角度出发，提出学习在于把新知识与已有的知识结构构成一个整体，是知觉的再组织，并提出个体知觉的组织规律。在课堂教学实践的基础上，本文从图形与背景、接近性和相似性、闭合性等组织规律对知识学习的影响出发，探索有意识地利用知觉组织规律对于学生更快架构知识网络、激发学生学习主动性、促进学习发生的有效性，为进一步提升神经网络和深度学习课程的教学授课效果提供理论支撑和事实依据。

2.2 图形与背景规律及教学启示

图形与背景规律指在具有一定配置的场内，有些对象凸显出来形成图形，另一些退居成为背景，此时个体很轻易地就可以识别出图形。一般来说，图形与背景的区分度越大，图形就越可突出成为我们的知觉对象，比如寂静夜里的钟表声。反之，图形与背景的区分度越小，就越是难以把图形与背景分开，军事上的伪装便是如此[10]。要使图形成为知觉的对象，最好要具有突出的特点和明确的轮廓。

神经网络与深度学习的教学必须面对一个问题就是传统机器学习及神经网络与深度学习课程的有效衔接，神经网络与深度学习即是传统机器学习的一个延续更是一次变革，有经验的老师都会在教授神经网络与深度学习之前对传统机器学习知识进行复习。而图形与背景的规律也告诉我们图形在背景下是很容易成为注意的焦点，也即当有已有的知识经验作为背景时，新知识的学习不仅能得到一定的范围界定而且很容易成为注意的中心。这就给我们一个教育启示，教授新知识时，背景知识非常重要，它对于新知识的学习起到了一定的界定和突出作用。

图形与背景规律同时告诉我们对图形的关注度与图形的辨识度和特异性有关。这给我们的另一个的启示就是新知识的引入可以考虑从不同之处入手，或者从不同的角度进行讲述，增加新知识的可辨识度。如讲解卷积神经网络时，局部连接、权重共享与时间或空间上的次采样三个结构特性作为一个很重要的性质而且又是很不同于以往的其他性质，就可以首先引入以增加其可区分性。

2.3 接近性和相似性规律及教学启示

接近性是某些距离比较短或相互接近的部分，容易形成整体，如距离较近而比邻的两条线段会被认为是一个整体。现有神经网络与深度学习教材在此方面的考虑较为充分，具体体现在具有关联性的知识放于放在同一本教材上，而且在知识点的编排上也很注意这一点，如将全连接网络与卷积神经网络的知识，就有将其放在一起比较的部分，既便于学生加以比较又有利于把他们作为同一整体加工。这给我们的启示就是，把关联型的知识放在一起讲述不仅易于学生理解而且可以减轻学生记忆负担，例如针对实际问题选择网络模型时，根据两个模型的特点不难看出卷积神经网络更适合数据量较大的对象。

相似性是指相似的部分容易组成整体，这个可以很好地解释混淆错题的产生，就是因为它们具有很多的相似性，所以在记忆时学生才简易把它们归为同一类，以至于不能注意不同之处。一方面相似性同样可以减轻记忆负担，如循环神经网络基本结构与梯度神经网络、长短时记忆神经网络具有较高的相似性，所以可以只记忆这一个基本网络结构，而不必一个一个去记忆不同网络模型的结构。但另一方面，相似性很容易产生混淆，比如循环神经网络之间的时序性在梯度神经网络却不存在此类性质，而往往会记忆混乱。

因此，接近性和相似性给我们的启示就是，一方面我们要利用知识点之间的连接和相似，让学生学会整理和总结，化零为整地加强理解，同时减轻记忆负担。另一方面，在教学方面也要注意对易混淆的知识点进行对比说明，理清不同之处。同时，知觉本身存在着的相似组织的性质，也提示教师在做教育评价时减少对混淆题目错误的苛刻。

2.4 好图形的規律及教育启示

主体在知觉图形时，会尽可能地把一个图形看作一个好图形，好图形的标准是匀称、简单而稳定，即把不完全的图形看作一个完整的图形，把无意义的图形看作一个有意义的图形。比如会把云彩看成是某种动物或者人等，个体在知觉这些时会运用自身的经验把图形“补充”起来，使之尽可能有意义[10]。

在神经网络与深度学习，很多学生常在卷积神经网络的题目上出错，尤其是连接关系常常无法做出判断。这就跟知觉的组织性有关，解题过程中学生会自觉地试图把图形完善化，因而无法加工非完全连接的信息导致解题出错。这就提示我们在教学时对这种特殊的知识，一定要重点讲解，反复讲解，并细化解题步骤。因此在讲述这些抽象性的问题时必须考虑到同学们可能产生的理解困难，针对这些问题多做练习和说明。另外，在图神经网络的学习过程中，因为好图形的规律，很多同学在使用之前就可以知觉出两个节点之间存在相关性，因此教学时，也可以利用这一点引发学生的兴趣，激起学生探究的热情，比如学习图神经网络结构前，可以呈现给学生“不可能图形”，让他们知觉的完整性和实际情况出现错差，以调动学生的积极性，引发其内在学习动机。

3 总结

神经网络与深度学习课程入门难度大，内容较为晦涩难懂，如何在有限的课时内讲懂讲透这门课程是老师们关心的重点。格式塔心理学反对把心理活动分解为部分，主张以整体的观点来描述意识和行为，研究并提出了8种知觉组织性规律，认为知觉的事物中存在这些规律时，对象更容易被作为整体进行知觉。

本文基于认知心理的研究，认为图形与背景、接近性和相似性、闭合性等组织规律对教师教学有重要启示。图形与背景规律提示在教学时已有的知觉经验可以为新知识提供背景作用，为新知识提供一定的界定作用，而且强调新知识的不同之处会更易于学生知觉和注意到新知识。接近性和相似性规律启示可以利用整体性教授学生整理和组织学习的内容，减轻记忆负担同时对相似知识点进行并列比较，避免混淆。好图形规律提醒在教不“完善”的知识时，一定要细化解题步骤，反复讲解，避免学生产生好图形现象，同时可以利用不可能图形引发学生的知觉冲突，引起学生探索学习的兴趣。实践证明，教学过程中遵循到学生认知规律利于更有效的施教，有助于学生系统掌握深度学习的基础知识、建构自己的知识网络，为进一步学习和从事科研工作打下坚实基础。