顧小清，馮園園，胡思暢

(華東師范大學(xué) 教育信息技術(shù)學(xué)系，上海 200062 )

超越碎片化學(xué)習(xí)：語(yǔ)義圖示與深度學(xué)習(xí)

顧小清，馮園園，胡思暢

(華東師范大學(xué) 教育信息技術(shù)學(xué)系，上海 200062 )

泛在技術(shù)的普及使得信息的獲取更加便捷，與之伴隨地是信息消費(fèi)中的碎片化、多任務(wù)和淺層讀圖的現(xiàn)象。針對(duì)這一問(wèn)題，該文依托于“語(yǔ)義圖示”所開(kāi)展的研究，提出一個(gè)有助于提高學(xué)習(xí)深度的方案——語(yǔ)義圖示工具模型。作為一種幫助學(xué)習(xí)者達(dá)到深層學(xué)習(xí)的工具，語(yǔ)義圖示工具的設(shè)計(jì)超越碎片化的知識(shí)獲取方式，為學(xué)習(xí)者提供系統(tǒng)而全面的學(xué)習(xí)支持。該文首先追溯機(jī)器學(xué)習(xí)和教育領(lǐng)域中深度學(xué)習(xí)的發(fā)展；接著在語(yǔ)義圖示工具的設(shè)計(jì)中，借助人工智能技術(shù)，設(shè)計(jì)專家系統(tǒng)作為后臺(tái)支持，以實(shí)現(xiàn)可視化語(yǔ)義建模、語(yǔ)義推薦以及動(dòng)態(tài)模擬的核心功能，這些功能旨在通過(guò)語(yǔ)義圖示幫助學(xué)習(xí)者做出決策、解決問(wèn)題，以超越碎片化的信息獲取方式；最后，該文以案例的方式呈現(xiàn)語(yǔ)義圖示工具中的幾個(gè)核心功能，以示例如何通過(guò)可視化的語(yǔ)義圖示超越碎片化的語(yǔ)義獲取。

碎片化；語(yǔ)義圖示；深度學(xué)習(xí)；機(jī)器學(xué)習(xí)

一、背景及問(wèn)題的提出

信息技術(shù)的飛速發(fā)展及其在社會(huì)生活中的普及，除了給公眾帶來(lái)更多的信息選擇和信息消費(fèi)方式之外，同時(shí)帶來(lái)的，是信息獲取和信息消費(fèi)的“碎片化”——泛在技術(shù)所帶來(lái)的副產(chǎn)品。一些調(diào)查顯示，近7成用戶每天通過(guò)手機(jī)訪問(wèn)互聯(lián)網(wǎng)[1]，平均每天會(huì)查看自己的移動(dòng)設(shè)備150次[2]，花費(fèi)在移動(dòng)設(shè)備上的時(shí)間每天長(zhǎng)達(dá)2小時(shí)42分鐘[3]。據(jù)第十一次全國(guó)國(guó)民閱讀調(diào)查結(jié)果顯示，數(shù)字化閱讀方式的接觸率為50.1%，其中44.4%的讀者通過(guò)網(wǎng)絡(luò)在線閱讀，41.9%的讀者通過(guò)手機(jī)閱讀。并且信息獲取功能越來(lái)越受到成年網(wǎng)民的重視，有74.2%的網(wǎng)民將“閱讀新聞”作為主要網(wǎng)上活動(dòng)之一，有45.0%的網(wǎng)民將“查詢各類信息”作為主要網(wǎng)上活動(dòng)之一[4]。

以上調(diào)查從不同角度刻畫出信息獲取和信息消費(fèi)的碎片化特征。碎片化的原因，一方面由于信息來(lái)源的多樣性和信息獲取的多渠道。在信息來(lái)源方面，小眾媒體、自媒體和大眾傳媒共存；在獲取渠道方面，移動(dòng)終端成為公眾獲取多種渠道信息的主要載體，主動(dòng)獲取和推送方式并行。另一方面，信息獲取的圖像化、信息消費(fèi)的多任務(wù)特征，某種程度上也引起了碎片化的發(fā)生。信息技術(shù)的飛速發(fā)展推動(dòng)了“讀圖時(shí)代”的到來(lái)，讀圖以“圖說(shuō)”形式代替“言說(shuō)”，符合當(dāng)代人的生活節(jié)奏和閱讀取向[5]。圖像的生動(dòng)現(xiàn)場(chǎng)感給人們帶來(lái)的視覺(jué)沖擊，有時(shí)是任何語(yǔ)言的描述都無(wú)法企及的。雖然說(shuō)“一圖勝千言”，然而，圖像的出現(xiàn)打斷了文字固有的邏輯性與連貫性，其所呈現(xiàn)的信息難以達(dá)到系統(tǒng)性和完整性的知識(shí)建構(gòu)要求。而且，當(dāng)面對(duì)圖像時(shí)，讀者滿足于圖像所提供的直觀信息，被動(dòng)的接受而喪失了對(duì)文字的主動(dòng)索取以及再造想象的空間。雖然在某種程度上，圖像的信息量大于文字，但是平面的形象缺乏文字所包含的深層含義。另外，典型的信息消費(fèi)方式，往往也同時(shí)體現(xiàn)多任務(wù)的特征，從而加劇了信息消費(fèi)的碎片化特性。無(wú)論是在線的閱讀還是移動(dòng)中的閱讀，伴隨著多任務(wù)的特征：電腦上同時(shí)開(kāi)啟多個(gè)窗口并行著多項(xiàng)任務(wù)；移動(dòng)中更是如此，甚至是在通勤、對(duì)話、會(huì)議的間隙中并行著多任務(wù)。

隨著泛在移動(dòng)技術(shù)成為數(shù)字學(xué)習(xí)的一種重要載體，上述信息消費(fèi)中的碎片化、多任務(wù)和讀圖現(xiàn)象也開(kāi)始出現(xiàn)在數(shù)字學(xué)習(xí)領(lǐng)域。當(dāng)學(xué)習(xí)者期冀在生活工作的間隙實(shí)現(xiàn)任意時(shí)間、任意地點(diǎn)的學(xué)習(xí)，借助移動(dòng)泛在技術(shù)所實(shí)現(xiàn)的碎片化學(xué)習(xí)也就成為頗具潛力的一種學(xué)習(xí)方式。但是隨之產(chǎn)生的碎片化、多任務(wù)和讀圖等特征所帶來(lái)的學(xué)習(xí)深度問(wèn)題也隨之浮出水面。某種程度上而言，人類拾取信息的自然方式本身就是碎片化的，學(xué)習(xí)就是對(duì)碎片化的知識(shí)、信息等“構(gòu)件”(Building Block)進(jìn)行加工的過(guò)程[6]，但這只是故事的一個(gè)方面。故事的另一面，是碎片化的信息獲取所構(gòu)成的學(xué)習(xí)，往往具有淺閱讀的特征[7-10]。學(xué)習(xí)者從圖像中獲取信息，呈現(xiàn)感官化的審美取向，但同時(shí)可能帶來(lái)的，是文字感悟能力和抽象思維能力的喪失，學(xué)習(xí)者對(duì)知識(shí)的理解停留在淺表的感受層面，并且圖像作為典型的碎片化信息載體，在形式上難以建立系統(tǒng)的知識(shí)結(jié)構(gòu)。與此同時(shí)，當(dāng)學(xué)習(xí)者在不同的媒介(電子文檔、電子書、電子課本)、不同的載體(電腦、手機(jī)、平板)、不同的任務(wù)之間跳轉(zhuǎn)，人們開(kāi)始擔(dān)憂這樣的學(xué)習(xí)恐怕缺乏對(duì)內(nèi)容的深入思考，不能將信息做廣泛聯(lián)系，學(xué)習(xí)僅僅停留在了獲取知識(shí)的淺層面，而缺少了對(duì)知識(shí)的匯集、過(guò)濾、歸納、反饋和創(chuàng)新。因此構(gòu)建“深度”的學(xué)習(xí)環(huán)境就成為突破淺層學(xué)習(xí)的關(guān)鍵。如何在學(xué)習(xí)者的認(rèn)知突觸中留下軌跡，以便成為知識(shí)結(jié)構(gòu)中的組成部分？如何有效地對(duì)信息組織加工、構(gòu)建知識(shí)結(jié)構(gòu)、引導(dǎo)學(xué)習(xí)者建構(gòu)對(duì)整個(gè)問(wèn)題的認(rèn)識(shí)、促進(jìn)學(xué)習(xí)者進(jìn)行反思以及知識(shí)的遷移與應(yīng)用？成為我們關(guān)注的焦點(diǎn)。

本文所介紹的，是我們團(tuán)隊(duì)針對(duì)上述現(xiàn)象，嘗試以“語(yǔ)義圖示”來(lái)突破碎片化和讀圖所帶來(lái)的學(xué)習(xí)深度缺乏問(wèn)題而開(kāi)展的研究。語(yǔ)義圖示，作為承載知識(shí)信息的新一代圖示媒介，將抽象的知識(shí)信息通過(guò)帶有語(yǔ)義規(guī)則的圖形、圖像、動(dòng)畫等可視化元素予以表征，促進(jìn)知識(shí)從認(rèn)識(shí)到理解的過(guò)程[11]。本研究在語(yǔ)義圖示的研究實(shí)踐過(guò)程中關(guān)注“深度”學(xué)習(xí)情境的建構(gòu)，基于語(yǔ)義關(guān)系試圖構(gòu)建“語(yǔ)義圖示”工具，通過(guò)建立知識(shí)碎片間的語(yǔ)義關(guān)聯(lián)幫助學(xué)習(xí)者形成個(gè)人的知識(shí)體系，從而突破淺層學(xué)習(xí)，進(jìn)行更深層面的可視化信息加工和知識(shí)建構(gòu)，構(gòu)建類似專家系統(tǒng)的語(yǔ)義模型，實(shí)現(xiàn)類似推理功能，幫助學(xué)習(xí)者認(rèn)識(shí)和理解，達(dá)到深層學(xué)習(xí)。

二、數(shù)字化學(xué)習(xí)的訴求：深度學(xué)習(xí)

(一)碎片化時(shí)代的技術(shù)藥方：機(jī)器學(xué)習(xí)/人工智能會(huì)是良方嗎

數(shù)字學(xué)習(xí)所伴隨的碎片化、多任務(wù)和讀圖特征，給學(xué)習(xí)方式帶來(lái)多樣性及便利的同時(shí)，也帶來(lái)了學(xué)習(xí)缺乏深度的問(wèn)題。應(yīng)對(duì)的明智方式，肯定不是倒洗澡水地同時(shí)也拋掉孩子這樣簡(jiǎn)單。那么，在擁抱技術(shù)給學(xué)習(xí)帶來(lái)的可能性的同時(shí)，是否能夠發(fā)揮技術(shù)的潛力，提供深度的學(xué)習(xí)？如果我們把碎片化的學(xué)習(xí)看作是價(jià)值有待挖掘的學(xué)習(xí)信息拾取部分，并把學(xué)習(xí)的深度聚焦于將碎片化的資源加以聚合、將片段性獲取的信息加以邏輯組織，那么，目前發(fā)展勢(shì)頭迅猛的自動(dòng)化技術(shù)，包括機(jī)器學(xué)習(xí)/人工智能技術(shù)，會(huì)是幫助提升學(xué)習(xí)的深度的良方嗎？

50多年前，人們就開(kāi)始關(guān)注人工智能技術(shù)，希望有朝一日計(jì)算機(jī)能夠產(chǎn)生“自我”的意識(shí)，具有類人的、同時(shí)超越于人類局限的思維[12]。近年來(lái)，人工智能和機(jī)器學(xué)習(xí)技術(shù)取得了長(zhǎng)足的進(jìn)步，在大量現(xiàn)成數(shù)據(jù)的幫助下，計(jì)算機(jī)已經(jīng)能夠表現(xiàn)得十分強(qiáng)大。那么，能否借助機(jī)器學(xué)習(xí)和人工智能技術(shù)，幫助學(xué)習(xí)者組織碎片化學(xué)習(xí)資源，構(gòu)建自己的知識(shí)體系，輔助和促進(jìn)深度學(xué)習(xí)的發(fā)生？在下面的部分，我們首先對(duì)深度學(xué)習(xí)進(jìn)行綜述，以理清機(jī)器學(xué)習(xí)/人工智能技術(shù)與深度學(xué)習(xí)之間的關(guān)系。

(二)深度學(xué)習(xí)的回顧

(1)機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)

實(shí)際上，搶注了“深度學(xué)習(xí)”這個(gè)名詞的，最早就是機(jī)器學(xué)習(xí)領(lǐng)域。在機(jī)器學(xué)習(xí)中，深度學(xué)習(xí)被定義為“一系列試圖使用多重非線性變換對(duì)數(shù)據(jù)進(jìn)行多層抽象的算法”[13][14]。機(jī)器學(xué)習(xí)算法是一類從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法[15][16]，是對(duì)人的意識(shí)、思維和信息過(guò)程的模擬，是一門人工智能的科學(xué)[17]。而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中表征學(xué)習(xí)方法的一類，其關(guān)系如圖1所示。

圖1 深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、人工智能間的關(guān)系

自2006年起，深度學(xué)習(xí)(或者稱為層次學(xué)習(xí))成為機(jī)器學(xué)習(xí)研究的一個(gè)新領(lǐng)域。深度學(xué)習(xí)技術(shù)采用的方法主要是無(wú)監(jiān)督學(xué)習(xí)，取代了人參與的特征選取的過(guò)程，自動(dòng)進(jìn)行特征學(xué)習(xí)，通過(guò)對(duì)原始輸入數(shù)據(jù)的處理分析自主發(fā)現(xiàn)一些有效特征[18]。一個(gè)典型的設(shè)置：一臺(tái)電腦面臨著一個(gè)大的數(shù)據(jù)集，需要對(duì)這些數(shù)據(jù)進(jìn)行分類，類似沒(méi)有具體指令的情況下讓孩子對(duì)玩具進(jìn)行分類。孩子可能對(duì)它們的顏色、形狀或功能，或其他的方面進(jìn)行分類。機(jī)器學(xué)習(xí)者嘗試這樣做，例如對(duì)數(shù)以百萬(wàn)計(jì)的手寫體進(jìn)行大規(guī)模學(xué)習(xí)，把這些手寫體數(shù)據(jù)相互對(duì)比，在相似性的基礎(chǔ)上對(duì)他們“聚類”[19]。

之所以把這種學(xué)習(xí)稱為“深度”，是相對(duì)于之前的機(jī)器學(xué)習(xí)方法的“淺層”性。深度學(xué)習(xí)技術(shù)是對(duì)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)的發(fā)展，通過(guò)模仿人腦的逐層抽象機(jī)制來(lái)解釋數(shù)據(jù)，設(shè)計(jì)算法對(duì)事物進(jìn)行多層級(jí)分布式表示[20]，組合低層特征，自主發(fā)現(xiàn)有效特征，進(jìn)行特征繼承，而形成抽象的高層級(jí)的表示[21]，在更高水平上表達(dá)抽象概念，以建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)[22]。

神經(jīng)網(wǎng)絡(luò)可以看作是深度學(xué)習(xí)的基礎(chǔ)。該領(lǐng)域的研究可以追溯到二十世紀(jì)五十年代，弗蘭克·羅森布拉特試圖建立模擬人類感知能力的機(jī)器，1957年成功完成感知機(jī)的仿真，1959年實(shí)現(xiàn)基于感知機(jī)的神經(jīng)計(jì)算機(jī)Mark1，在算法上發(fā)展了一種迭代、試錯(cuò)、類似于人類學(xué)習(xí)過(guò)程的學(xué)習(xí)算法，能夠識(shí)別一些英文字母。上世紀(jì)八十年代，“反向傳播”算法出現(xiàn)，“隱層”概念被提出，解決了原始感知器無(wú)法解決的異或功能，構(gòu)建出更復(fù)雜的虛擬神經(jīng)元網(wǎng)絡(luò)。2006年，杰弗里·辛頓提出深度學(xué)習(xí)的概念，對(duì)“神經(jīng)網(wǎng)絡(luò)”進(jìn)行改進(jìn)，增加隱層的層數(shù)(深度)，發(fā)現(xiàn)如果人工神經(jīng)網(wǎng)絡(luò)的隱層足夠多，選擇適當(dāng)?shù)倪B接函數(shù)和架構(gòu)，并增加一個(gè)非監(jiān)督學(xué)習(xí)的“預(yù)訓(xùn)練”網(wǎng)絡(luò)組成，具有更強(qiáng)的表述能力[23]。

深度學(xué)習(xí)的發(fā)展不僅吸引了來(lái)自學(xué)術(shù)領(lǐng)域的目光，也吸引了工業(yè)領(lǐng)域的目光。過(guò)去的幾年里，谷歌、蘋果、IBM積極參與到深度學(xué)習(xí)技術(shù)的研究當(dāng)中。2007年開(kāi)始，紐昂斯通訊公司開(kāi)發(fā)以語(yǔ)音識(shí)別技術(shù)為基礎(chǔ)的虛擬個(gè)人助手“蘋果語(yǔ)音助手”；2012年6月，谷歌大腦通過(guò)模擬神經(jīng)連接來(lái)模擬人類學(xué)習(xí)[24]；2012年11月，微軟公開(kāi)演示全自動(dòng)同聲傳譯系統(tǒng)，實(shí)現(xiàn)自動(dòng)語(yǔ)音識(shí)別、英中機(jī)器翻譯和中文語(yǔ)音合成，深度學(xué)習(xí)技術(shù)推動(dòng)了語(yǔ)音識(shí)別精確度的提高[25]；2014年3月，F(xiàn)acebook人臉識(shí)別技術(shù)的識(shí)別率達(dá)到了97.25%，準(zhǔn)確率幾乎媲美人類(97.5%)[26]。這些成功背后的技術(shù)支持都來(lái)源于機(jī)器學(xué)習(xí)領(lǐng)域的深度學(xué)習(xí)技術(shù)。

(2)教育中的深度學(xué)習(xí)

由于深度學(xué)習(xí)這個(gè)概念已被計(jì)算機(jī)領(lǐng)域“搶注”，我們用深層學(xué)習(xí)來(lái)闡述教育領(lǐng)域?qū)ι顚?深度學(xué)習(xí)的研究。與計(jì)算機(jī)領(lǐng)域的深度學(xué)習(xí)意義不同，教育領(lǐng)域的深層學(xué)習(xí)是一種學(xué)習(xí)方式，目的是為了構(gòu)建有意義的學(xué)習(xí)，在記憶的基礎(chǔ)上理解、歸納、掌握、運(yùn)用，結(jié)合原有認(rèn)知結(jié)構(gòu)，批判性地接收和學(xué)習(xí)新知識(shí)，建立知識(shí)間的相互聯(lián)系，通過(guò)分析，做出決策和解決問(wèn)題的學(xué)習(xí)。與淺層學(xué)習(xí)停留于信息的接收不同的是，深層學(xué)習(xí)關(guān)注于對(duì)新知識(shí)的批判性吸收，將它們與已有知識(shí)建立關(guān)聯(lián)，引起對(duì)概念的理解和長(zhǎng)期保留，以便于應(yīng)用到解決新的環(huán)境中所遇到的問(wèn)題[27]。深層學(xué)習(xí)與淺層學(xué)習(xí)的主要特征對(duì)比如表1所示。

表1 深層學(xué)習(xí)與淺層學(xué)習(xí)的特征[28]

續(xù)表1

早在20世紀(jì)80年代，認(rèn)知科學(xué)家發(fā)現(xiàn)當(dāng)學(xué)習(xí)者學(xué)習(xí)深層知識(shí)并清楚在真實(shí)世界和實(shí)際情況中如何運(yùn)用這些知識(shí)時(shí)，知識(shí)會(huì)在學(xué)生頭腦中保持得更為持久[29]。最初，深層學(xué)習(xí)的概念由Marton and Saljo(1976)提出，通過(guò)測(cè)試學(xué)生閱讀文章，發(fā)現(xiàn)采用不同學(xué)習(xí)過(guò)程和策略的學(xué)生在理解和記憶中的表現(xiàn)有所不同，而采用深層學(xué)習(xí)還是淺層學(xué)習(xí)主要受到學(xué)習(xí)者意愿的影響[30]。隨后Biggs(1987)沿用深層學(xué)習(xí)和淺層學(xué)習(xí)的概念，指出不同的學(xué)習(xí)動(dòng)機(jī)和學(xué)習(xí)策略的結(jié)合對(duì)學(xué)習(xí)效果的影響，同時(shí)，個(gè)人能力和流程控制影響元認(rèn)知。為了了解學(xué)習(xí)者理解能力[31]，Pask(1977)將學(xué)習(xí)過(guò)程分為序列型(Serialist)和整體型(Holist)，序列型指按部就班閱讀文本，整體型指閱讀所有吸引注意力的文本[32]。研究發(fā)現(xiàn)，整體型更強(qiáng)調(diào)已有知識(shí)的構(gòu)建表達(dá)，而序列型更加關(guān)注程序細(xì)節(jié)，因此在理解力的表現(xiàn)上有很大不同。William & Flora Hewlett Foundation針對(duì)深層學(xué)習(xí)做了一系列研究，了解是否有一種實(shí)現(xiàn)方法推動(dòng)深層學(xué)習(xí)的發(fā)生，發(fā)現(xiàn)：(1)通過(guò)設(shè)定明確的學(xué)習(xí)目標(biāo)，設(shè)計(jì)基于項(xiàng)目的課程和實(shí)踐，改善教學(xué)策略，給予學(xué)習(xí)支持，以及追蹤內(nèi)容評(píng)估，可以幫助學(xué)習(xí)者掌握核心知識(shí)和批判性思維能力[33]。(2)網(wǎng)絡(luò)環(huán)境為學(xué)習(xí)者提供更多進(jìn)行深度學(xué)習(xí)的機(jī)會(huì)，有助于復(fù)雜問(wèn)題的解決，人際間的協(xié)作與交流，及時(shí)反饋，使得學(xué)習(xí)者更好地學(xué)習(xí)如何學(xué)習(xí)，進(jìn)行跨學(xué)科學(xué)習(xí)，并建立知識(shí)與實(shí)踐的聯(lián)系，更好地應(yīng)對(duì)和解決復(fù)雜問(wèn)題[34]。索耶(2010)指出深層學(xué)習(xí)需要學(xué)習(xí)者在新舊知識(shí)、概念、經(jīng)驗(yàn)之間建立聯(lián)系，能夠?qū)⑺麄兊闹R(shí)歸納到相關(guān)的概念系統(tǒng)中，在學(xué)習(xí)過(guò)程中尋找學(xué)習(xí)模式和基本原理，并評(píng)價(jià)新的想法，能夠?qū)⑦@些想法與結(jié)論聯(lián)系起來(lái)。同時(shí)，要求學(xué)習(xí)者了解對(duì)話的過(guò)程，對(duì)話的過(guò)程就是知識(shí)產(chǎn)生的過(guò)程，在這個(gè)過(guò)程中，能夠批判地檢查論據(jù)的邏輯性，并對(duì)其理解及學(xué)習(xí)的過(guò)程進(jìn)行反思[35]。

可以看出，深層學(xué)習(xí)的發(fā)生受到學(xué)習(xí)者學(xué)習(xí)動(dòng)機(jī)、個(gè)人能力、學(xué)習(xí)流程、學(xué)習(xí)策略、學(xué)習(xí)環(huán)境以及情感和行為投入等因素的影響，強(qiáng)調(diào)高階認(rèn)知目標(biāo)層次和思維能力，總的來(lái)說(shuō)，是一種有意義的學(xué)習(xí)，一種主動(dòng)學(xué)習(xí)。因此，研究團(tuán)隊(duì)希望通過(guò)對(duì)機(jī)器學(xué)習(xí)領(lǐng)域以及教育領(lǐng)域中深度學(xué)習(xí)的研究，找到一個(gè)可落地的深度學(xué)習(xí)方案，來(lái)輔助學(xué)習(xí)者完成深度學(xué)習(xí)的過(guò)程。

(三)尋求可落地的深度學(xué)習(xí)方案

碎片化學(xué)習(xí)中信息的片段化拾取往往是零碎的甚至閑散的，這樣的信息獲取往往缺乏對(duì)內(nèi)容的深入思考，不能建立信息的廣泛聯(lián)系，學(xué)習(xí)僅僅停留在淺層面；同時(shí)，“讀圖”方式的信息感知往往停留在對(duì)信息的感性認(rèn)知而忽略其內(nèi)部邏輯聯(lián)系，不易進(jìn)行學(xué)習(xí)的推理。如果學(xué)習(xí)只能停留在這種無(wú)組織、孤立的知識(shí)片段層面，也就難以超越碎片化導(dǎo)致的淺層學(xué)習(xí)局限。那么，上述的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)，抑或教育領(lǐng)域中的深層學(xué)習(xí)策略，是否是超越淺層學(xué)習(xí)的良方？

信息零碎、分散、缺乏邏輯性和連貫性是問(wèn)題的關(guān)鍵。教育領(lǐng)域下的深層學(xué)習(xí)被視為一種學(xué)習(xí)方式，需要批判性地吸收建構(gòu)知識(shí)，強(qiáng)調(diào)新舊知識(shí)之間的相互聯(lián)系，通過(guò)分析做出決策，解決實(shí)際問(wèn)題。深層學(xué)習(xí)的內(nèi)涵恰好可以填補(bǔ)碎片化學(xué)習(xí)中淺層學(xué)習(xí)的空缺。超越碎片化實(shí)現(xiàn)深層學(xué)習(xí)，是探索解決碎片化問(wèn)題的要義。但是，深層學(xué)習(xí)雖然描述了一種有意義的學(xué)習(xí)，提出了對(duì)學(xué)習(xí)的要求，卻并沒(méi)有給出可操作的實(shí)施方案。那么，機(jī)器學(xué)習(xí)/人工智能技術(shù)，是否提供深層學(xué)習(xí)道路？專家系統(tǒng)作為人工智能的重要研究領(lǐng)域，是一類具有專門知識(shí)和經(jīng)驗(yàn)的計(jì)算機(jī)智能程序系統(tǒng)，其內(nèi)部含有大量的某個(gè)領(lǐng)域?qū)＜宜降闹R(shí)與經(jīng)驗(yàn)，通過(guò)推理和判斷，模擬人類專家的決策過(guò)程，解決那些需要人類專家處理的復(fù)雜問(wèn)題[36]，可以對(duì)人的意識(shí)、思維和信息處理過(guò)程進(jìn)行模擬，從而像專家一樣解決學(xué)習(xí)者學(xué)習(xí)過(guò)程中遇到的問(wèn)題。

知識(shí)庫(kù)和推理機(jī)是專家系統(tǒng)的核心，建立知識(shí)庫(kù)的關(guān)鍵是知識(shí)的獲取和表示，通過(guò)推理機(jī)將獲取的知識(shí)進(jìn)行邏輯化、系統(tǒng)化處理，可以作為輔助人類提升學(xué)習(xí)深度的有力工具。知識(shí)庫(kù)存放著搜集來(lái)的知識(shí)，通過(guò)系統(tǒng)地表達(dá)或模塊化，使得計(jì)算機(jī)能夠推論和解決問(wèn)題。知識(shí)庫(kù)中的知識(shí)包含兩種，一種為知識(shí)本身，對(duì)物質(zhì)及概念的實(shí)體分析，并確定彼此關(guān)系；另一種為人類專家特有的經(jīng)驗(yàn)法則、判斷與直覺(jué)[37]。推理機(jī)基于某種邏輯規(guī)則，針對(duì)當(dāng)前問(wèn)題的條件或已知信息，反復(fù)匹配知識(shí)庫(kù)中的規(guī)則，獲得新的結(jié)論，以得到問(wèn)題的求解結(jié)果。推理模式有正向和反向推理兩種，正向推理是從條件匹配到結(jié)論，反向推理則先假設(shè)結(jié)論成立，看條件是否得到滿足[38]。由此可見(jiàn)，推理機(jī)與專家解決問(wèn)題的思維方式相似，而知識(shí)庫(kù)通過(guò)推理機(jī)實(shí)現(xiàn)其價(jià)值。

如果使用機(jī)器學(xué)習(xí)技術(shù)作為專家系統(tǒng)的推理機(jī)制，則專家系統(tǒng)主要的功能和任務(wù)就是根據(jù)給出的一系列特征推理出正確的分類結(jié)果。這種專家系統(tǒng)表現(xiàn)為，當(dāng)學(xué)習(xí)者給出知識(shí)的特征(或?qū)傩?，如圖2所示x1、x2、x3，專家系統(tǒng)可以依據(jù)數(shù)據(jù)訓(xùn)練而生成的預(yù)測(cè)模型進(jìn)行推理，從而計(jì)算出知識(shí)目標(biāo)變量，也就是最后的分類結(jié)果，如圖2中輸出結(jié)果。知識(shí)特征可以是一個(gè)也可以是多個(gè)，不同的知識(shí)特征有不同的權(quán)重，代表著對(duì)最后結(jié)果的影響程度，如圖2所示w1、w2、w3。例如某個(gè)用于辨別鳥的類別的專家系統(tǒng)，可以根據(jù)所給的特征推理出鳥的類別，不同類型的鳥具有不同的特征，如后背顏色、體重、翼展、腳蹼等。當(dāng)學(xué)習(xí)者向該專家系統(tǒng)輸入某一只鳥的特征信息：“體重為3千克，翼展為11厘米，無(wú)腳蹼，后背顏色為綠色”，專家系統(tǒng)可以提取問(wèn)題根據(jù)其中的知識(shí)特征推理出知識(shí)的目標(biāo)變量值為“瑰麗蜂鳥”。專家系統(tǒng)這種獨(dú)立而準(zhǔn)確的“思考”能力是我們需要借鑒利用的。

圖2 專家系統(tǒng)工作原理

利用這樣的專家系統(tǒng)，在學(xué)生學(xué)習(xí)過(guò)程中扮演虛擬教師的角色，提供準(zhǔn)確、實(shí)時(shí)的知識(shí)推送、信息反饋、動(dòng)態(tài)模擬、學(xué)習(xí)建議，幫助學(xué)習(xí)者建立知識(shí)間的聯(lián)系，促進(jìn)學(xué)習(xí)者進(jìn)行學(xué)習(xí)反思，能夠在一定程度上輔助學(xué)習(xí)者實(shí)現(xiàn)深層學(xué)習(xí)，滿足數(shù)字化學(xué)習(xí)時(shí)代超越碎片化的訴求。本文所介紹的語(yǔ)義圖示研究，正是試圖結(jié)合深層學(xué)習(xí)的方法和深度學(xué)習(xí)的專家系統(tǒng)，設(shè)計(jì)一個(gè)具有語(yǔ)義關(guān)系的圖示工具，該工具不僅能夠可視化地表征知識(shí)語(yǔ)義關(guān)系，便于人們對(duì)零散的知識(shí)片段形成整體而又形象的認(rèn)識(shí)和理解，還能通過(guò)分析語(yǔ)義模型實(shí)現(xiàn)推理、反饋、模擬等功能，從而在一定程度上破解碎片化和讀圖所帶來(lái)的學(xué)習(xí)深度缺乏問(wèn)題。

三、語(yǔ)義圖示工具模型

在碎片化學(xué)習(xí)的時(shí)代，學(xué)習(xí)者必須突破淺層學(xué)習(xí)的局限，以實(shí)現(xiàn)深度學(xué)習(xí)的目標(biāo)為努力方向，從而真正從數(shù)字化學(xué)習(xí)中受益。作為一種探索中的技術(shù)方案，本研究團(tuán)隊(duì)嘗試以“語(yǔ)義圖示”來(lái)尋求突破碎片化和讀圖所帶來(lái)的學(xué)習(xí)深度缺乏問(wèn)題。語(yǔ)義圖示工具模型的核心包括：(1)進(jìn)行可視化知識(shí)表征的語(yǔ)義關(guān)系；(2)語(yǔ)義模型以及專家系統(tǒng)生成的語(yǔ)義推薦；(3)基于語(yǔ)義規(guī)則的語(yǔ)義建模和動(dòng)態(tài)模擬。工具模型如圖3所示。該語(yǔ)義圖示工具模型使得學(xué)習(xí)者能夠以類似學(xué)科專家的方式，通過(guò)對(duì)帶有語(yǔ)義規(guī)則的圖形、圖像、動(dòng)畫等可視化元素的操作，進(jìn)行知識(shí)的建模，通過(guò)語(yǔ)義推薦功能，為學(xué)習(xí)者提供反饋和建議，使得學(xué)習(xí)者能夠在有支架的情況下，像專業(yè)人員一樣運(yùn)用復(fù)雜的表征來(lái)進(jìn)行交流，像科學(xué)家、數(shù)學(xué)家一樣利用具體的可視化模型[39][40]。同時(shí)，學(xué)生可以可視化地建立系統(tǒng)的學(xué)習(xí)者知識(shí)模型，通過(guò)得到的推薦進(jìn)行反思從而不斷對(duì)形成的知識(shí)體系更新完善，通過(guò)語(yǔ)義的知識(shí)動(dòng)態(tài)模擬直觀清晰地把握概念之間的關(guān)系。

圖3 基于專家系統(tǒng)的語(yǔ)義圖示工具模型

(一)語(yǔ)義關(guān)系的可視化表征

能夠用來(lái)進(jìn)行知識(shí)的可視化表征或建立知識(shí)模型的語(yǔ)義關(guān)系圖，是語(yǔ)義圖示工具模型的最基本組成部分。深度學(xué)習(xí)的實(shí)質(zhì)表現(xiàn)是知識(shí)建模，而語(yǔ)義關(guān)系圖的主要功能，正是提供學(xué)習(xí)者進(jìn)行知識(shí)梳理，建立知識(shí)對(duì)象和屬性、知識(shí)關(guān)系及過(guò)程的知識(shí)模型。語(yǔ)義圖示的這一功能提供了邁向深度學(xué)習(xí)的第一步。

語(yǔ)義圖示強(qiáng)調(diào)將抽象的知識(shí)進(jìn)行可視化表征，在可視化界面，學(xué)習(xí)者看到的不是大段文字，而是攜帶語(yǔ)義的圖形、圖像。當(dāng)圖形、圖像攜帶語(yǔ)義，相比于傳統(tǒng)的讀圖，學(xué)習(xí)者可以更容易地把握知識(shí)的邏輯關(guān)系，建立碎片信息間的聯(lián)系。語(yǔ)義圖示對(duì)信息的可視化加工，大大增加了閱讀的效率，能夠適應(yīng)當(dāng)代人的生活節(jié)奏與閱讀取向。

學(xué)習(xí)者可以對(duì)這些可視化元素進(jìn)行添加、刪除、編輯等操作，通過(guò)拖放它們的位置、改變它們的屬性，最后組成一個(gè)組圖，來(lái)表征某一知識(shí)及其關(guān)系，形成自己的知識(shí)體系。為了方便學(xué)習(xí)者的操作，這些可視化元素還可以提煉為語(yǔ)義圖示控件、語(yǔ)義圖示模板，使學(xué)生能夠快捷搭建自己想要的模型。

(二)語(yǔ)義模型以及專家系統(tǒng)

能夠用來(lái)進(jìn)行基于規(guī)則的知識(shí)結(jié)構(gòu)化的語(yǔ)義模型，以及以語(yǔ)義模型為基礎(chǔ)的專家系統(tǒng)，是語(yǔ)義圖示工具模型實(shí)現(xiàn)深度學(xué)習(xí)的核心功能。語(yǔ)義模型是以模型為媒介來(lái)實(shí)現(xiàn)數(shù)據(jù)語(yǔ)義關(guān)系形式化描述的一種方式。狹義的語(yǔ)義關(guān)系可以理解為文本的詞義關(guān)系。Kintsch and van Dijk (1978)在他們的早期模型中提出，文本的意義可以被解析為語(yǔ)義單元，它們依據(jù)連貫的語(yǔ)義關(guān)系互相聯(lián)系[41]。閱讀理解被視作是匯總語(yǔ)義單元的過(guò)程，推理被視作具有搭建文本連貫性缺口的橋梁作用。而廣義的語(yǔ)義關(guān)系表示概念間的單向潛在聯(lián)系[42]。常見(jiàn)的重要語(yǔ)義關(guān)系有：因果關(guān)系、上下位關(guān)系、所屬關(guān)系、同義關(guān)系、反義關(guān)系、能動(dòng)關(guān)系、被動(dòng)關(guān)系等。語(yǔ)義圖示中的語(yǔ)義關(guān)系是對(duì)語(yǔ)義的廣義理解。通過(guò)賦予圖形圖像一定的語(yǔ)義規(guī)則，為建立語(yǔ)義模型提供基礎(chǔ)。

語(yǔ)義模型可以通過(guò)兩種途徑產(chǎn)生：(1)人類賦予；(2)通過(guò)計(jì)算模型產(chǎn)生[43]。語(yǔ)義圖示中的語(yǔ)義包含了這兩種產(chǎn)生方式：學(xué)習(xí)者建立的語(yǔ)義模型由人來(lái)定義，而專家系統(tǒng)中的語(yǔ)義模型則通過(guò)計(jì)算機(jī)生成。語(yǔ)義圖示工具模型中的專家系統(tǒng)，其核心正是由計(jì)算機(jī)生成的特定知識(shí)領(lǐng)域的預(yù)測(cè)語(yǔ)義模型。基于語(yǔ)義模型，專家系統(tǒng)能夠進(jìn)行基于規(guī)則的推理。需要說(shuō)明的是，作為一種可落地的深度學(xué)習(xí)方案，這里所運(yùn)用的專家系統(tǒng)采用的是基于經(jīng)驗(yàn)專家的模型，而非通過(guò)機(jī)器學(xué)習(xí)獲取。兩種途徑的語(yǔ)義根據(jù)彼此的語(yǔ)義模型進(jìn)行溝通。通過(guò)在學(xué)習(xí)者的知識(shí)需求和專家系統(tǒng)的知識(shí)庫(kù)之間搭建一座橋梁，將兩者從語(yǔ)義的角度建立關(guān)聯(lián)，對(duì)抽象的知識(shí)/信息進(jìn)行基于語(yǔ)義模型的解析，以滿足學(xué)習(xí)者對(duì)深度學(xué)習(xí)的需求。

(三)語(yǔ)義模型的反饋

語(yǔ)義圖示工具模型的一項(xiàng)核心功能是專家系統(tǒng)通過(guò)獲取來(lái)自學(xué)習(xí)者的知識(shí)特征變量，利用預(yù)測(cè)語(yǔ)義模型進(jìn)行分析推理，最后得到輸出，即知識(shí)的目標(biāo)變量。當(dāng)學(xué)習(xí)者通過(guò)可視化界面的交互操作完成知識(shí)表征時(shí)，所形成的可視化圖像并不能直接被計(jì)算機(jī)理解，所以需要根據(jù)其語(yǔ)義將其解析成計(jì)算機(jī)可理解的語(yǔ)義模型。此時(shí)專家系統(tǒng)根據(jù)學(xué)習(xí)者在可視化界面建構(gòu)的知識(shí)模型，基于專家系統(tǒng)的知識(shí)庫(kù)生成相對(duì)標(biāo)準(zhǔn)的、正確的專家預(yù)測(cè)語(yǔ)義模型。專家系統(tǒng)得出的知識(shí)目標(biāo)變量，很可能就是學(xué)習(xí)者遺漏的知識(shí)點(diǎn)，不確定的問(wèn)題答案，這些反饋的信息就代表著學(xué)習(xí)者還需努力進(jìn)步的方向，并反饋到用戶操作界面上。

學(xué)習(xí)者獲取碎片化知識(shí)片段時(shí)，很容易造成與先期知識(shí)之間的連接不足，專家系統(tǒng)可以推送相應(yīng)的知識(shí)來(lái)提示學(xué)習(xí)者進(jìn)行關(guān)聯(lián)；學(xué)習(xí)者完成一次知識(shí)的建模后，可以與專家系統(tǒng)中較為標(biāo)準(zhǔn)完善的知識(shí)模型進(jìn)行比對(duì)，專家系統(tǒng)給出反饋，提示知識(shí)的疏漏或者錯(cuò)誤，學(xué)習(xí)者從而進(jìn)行更深層的知識(shí)加工；在進(jìn)行多次知識(shí)模型的比較后，專家系統(tǒng)根據(jù)總體的數(shù)據(jù)分析給出學(xué)習(xí)建議。這些反饋結(jié)果的形式多樣，可以是一些數(shù)據(jù)，例如兩種語(yǔ)義模型的匹配百分比、錯(cuò)誤知識(shí)節(jié)點(diǎn)的數(shù)量；可以是知識(shí)節(jié)點(diǎn)，例如推送的學(xué)習(xí)者未能聯(lián)系起來(lái)的知識(shí)節(jié)點(diǎn)；也可以是知識(shí)模型，例如專家系統(tǒng)生成的標(biāo)準(zhǔn)語(yǔ)義模型。

學(xué)習(xí)者在使用基于專家系統(tǒng)的語(yǔ)義圖示工具時(shí)，不僅可以通過(guò)可視化的方式進(jìn)行知識(shí)建模，幫助自己梳理知識(shí)，建立知識(shí)間的聯(lián)系，并對(duì)知識(shí)有整體而形象的認(rèn)識(shí)理解，還可以在學(xué)習(xí)的過(guò)程中不斷得到提示、評(píng)估、建議，從而促進(jìn)在學(xué)習(xí)中不斷反思，鍛煉高階思維能力，進(jìn)行知識(shí)的深度加工，實(shí)現(xiàn)深度學(xué)習(xí)。

(四)語(yǔ)義建模與動(dòng)態(tài)模擬

當(dāng)學(xué)習(xí)者在面對(duì)一些現(xiàn)實(shí)問(wèn)題無(wú)法進(jìn)行親身經(jīng)歷和實(shí)踐時(shí)，或者希望通過(guò)已知條件和現(xiàn)有數(shù)據(jù)，分析及預(yù)測(cè)趨勢(shì)時(shí)，對(duì)學(xué)習(xí)場(chǎng)景“情境化”是很好的解決方案，實(shí)現(xiàn)情境性學(xué)習(xí)環(huán)境設(shè)計(jì)是深度學(xué)習(xí)關(guān)注的一個(gè)核心，也是語(yǔ)義圖示工具設(shè)計(jì)的關(guān)鍵。

語(yǔ)義建模和動(dòng)態(tài)模擬是語(yǔ)義圖示工具的核心功能。學(xué)習(xí)不僅僅是傳遞和獲得概念，學(xué)習(xí)者參與到類似學(xué)科專家研究的日?；顒?dòng)中有利于獲得深度學(xué)習(xí)的發(fā)生[44]。語(yǔ)義圖示工具為學(xué)習(xí)者提供一個(gè)交互式的、解決復(fù)雜問(wèn)題的環(huán)境，超越單一的對(duì)知識(shí)進(jìn)行記憶，在這里，學(xué)習(xí)者可以像學(xué)科專家一樣建模、分析，將學(xué)習(xí)過(guò)程中的思維可視化，將學(xué)習(xí)者的內(nèi)在認(rèn)知過(guò)程外化，幫助知識(shí)建構(gòu)和思路整理。同時(shí)，工具對(duì)真實(shí)存在的對(duì)象關(guān)系進(jìn)行描述，建構(gòu)相似的、有意義的、可被操作的場(chǎng)景。在建模的基礎(chǔ)上，語(yǔ)義圖示工具實(shí)現(xiàn)過(guò)程的動(dòng)態(tài)模擬：(1)針對(duì)群體型。群體型的動(dòng)態(tài)模擬建立在數(shù)量的變化上，透過(guò)變化曲線，可以分析數(shù)據(jù)的變化和走向，例如羊群中的羊的數(shù)量變化。(2)針對(duì)個(gè)體型。在個(gè)體型的動(dòng)態(tài)模擬中，需要對(duì)粒度進(jìn)行劃分，這影響著整個(gè)系統(tǒng)的運(yùn)算能力和靈活性，每個(gè)個(gè)體遵循各自的規(guī)則和算法調(diào)節(jié)自己的狀態(tài)。通過(guò)個(gè)體型動(dòng)態(tài)系統(tǒng)可以模擬群體中每個(gè)個(gè)體的運(yùn)動(dòng)和軌跡，以實(shí)現(xiàn)真實(shí)場(chǎng)景的模擬，從而解決現(xiàn)實(shí)生活中遇到的實(shí)際問(wèn)題，例如羊群中闖進(jìn)一只狼，每只羊的運(yùn)動(dòng)狀態(tài)。

學(xué)習(xí)者通過(guò)建模，以及直觀可視化的情境模擬，參與到學(xué)習(xí)場(chǎng)景中，在反復(fù)不斷對(duì)系統(tǒng)進(jìn)行建構(gòu)和修改的過(guò)程中，鍛煉學(xué)習(xí)者思維和邏輯能力。同時(shí)，工具的可視化結(jié)果為學(xué)習(xí)者提供反饋，形成一個(gè)學(xué)習(xí)閉環(huán)。

四、語(yǔ)義圖示應(yīng)用案例解析

死記硬背和簡(jiǎn)單的記憶對(duì)個(gè)人的知識(shí)建構(gòu)的作用是淺顯的，起主要作用的是有意義學(xué)習(xí)的發(fā)生[45]。因此，本研究設(shè)計(jì)的語(yǔ)義圖示工具試圖幫助學(xué)習(xí)者實(shí)現(xiàn)深度的學(xué)習(xí)。以下的案例是現(xiàn)有的、能夠借用來(lái)從不同角度闡釋語(yǔ)義圖示功能，包括達(dá)到實(shí)現(xiàn)語(yǔ)義層級(jí)結(jié)構(gòu)模式的WordNet、實(shí)現(xiàn)語(yǔ)義推薦并與專家模型比對(duì)的Cmaptools，以及實(shí)現(xiàn)知識(shí)表征模擬過(guò)程的Insightmaker。

(一)語(yǔ)義關(guān)系：WordNet

語(yǔ)義關(guān)系的構(gòu)建是設(shè)計(jì)語(yǔ)義圖示系統(tǒng)最關(guān)鍵和基礎(chǔ)的部分?，F(xiàn)有的工具中，WordNet的類似功能能夠很好地對(duì)此予以闡釋。WordNet是由普林斯頓大學(xué)的心理詞匯學(xué)家和語(yǔ)言學(xué)家于1985年開(kāi)始承擔(dān)開(kāi)發(fā)的一個(gè)基于心理語(yǔ)言學(xué)理論的在線詞典參照系統(tǒng)。系統(tǒng)中的名詞、動(dòng)詞、副詞和形容詞聚類為代表某一基本詞匯概念的同義詞集合，并在這些同義詞集合之間建立起各種語(yǔ)義關(guān)系[46]。

傳統(tǒng)字典通常根據(jù)詞形，標(biāo)準(zhǔn)的按字母順序?qū)υ~匯排序，而WordNet試圖根據(jù)詞義而不是詞形來(lái)組織詞匯信息，更像是作為人的智能結(jié)構(gòu)一部分的“內(nèi)在詞典”[47]，那么能夠表達(dá)詞匯概念的性質(zhì)和組織方式就顯得十分重要。在詞匯語(yǔ)言學(xué)中采用詞匯矩陣的概念來(lái)表示詞匯的組織方式，將詞按照“詞形”和“詞義”映射，“詞形”特指詞語(yǔ)或主題詞，“詞義”表示詞形所代表的詞匯概念[48]。如表2所示說(shuō)明了詞匯矩陣的概念，假定列代表詞形，行代表詞義。如果同一表中，列中有多個(gè)表項(xiàng)，則該詞形為多義詞；行中有多個(gè)表項(xiàng)，則對(duì)應(yīng)的詞形是同義，相應(yīng)的詞為同義詞。

表2 詞匯矩陣[49]

詞形與詞義之間的映射是多種多樣的，有些詞形有多個(gè)不同的詞義，有些詞義可以用幾種不同的詞形來(lái)表達(dá)，WordNet中表示詞與詞之間的關(guān)系眾多，以同義、反義、上下位關(guān)系、整體部分關(guān)系為例進(jìn)行介紹。

(1)同義關(guān)系

因?yàn)榕袛嘣~之間關(guān)系的能力是在詞匯矩陣中表達(dá)詞義的先決條件，其中同義關(guān)系是WordNet中最重要的關(guān)系。將同義關(guān)系與上下文相關(guān)聯(lián)，如果兩種表達(dá)方式在語(yǔ)言文本中相互替代又不改變其真值，則這兩種表達(dá)就是同義的[50]。

(2)反義關(guān)系

反義關(guān)系并不是一種簡(jiǎn)單的對(duì)稱關(guān)系，有些詞概念上相對(duì)，卻不能稱為反義詞。反義詞是一種詞形間的詞匯關(guān)系，而不是詞義間的語(yǔ)義關(guān)系，區(qū)分詞形之間的語(yǔ)義關(guān)系和詞義之間的語(yǔ)義關(guān)系十分必要。

(3)上下位關(guān)系

上下位關(guān)系是對(duì)詞義之間語(yǔ)義關(guān)系的描述，又稱為從屬/上屬關(guān)系、子集/超集關(guān)系或ISA關(guān)系。通常情況下，下位詞繼承上位詞的一般化概念的所有屬性，并且至少增加一種屬性，以區(qū)別于上位詞以及上位詞的其他下位詞。同時(shí)，上下位關(guān)系具有不對(duì)稱的關(guān)系，通常情況下，一個(gè)詞只有唯一的上屬關(guān)系，產(chǎn)生一種層次語(yǔ)義結(jié)構(gòu)[51]。對(duì)于名詞來(lái)說(shuō)，最終的根節(jié)點(diǎn)都是實(shí)體[52]。

(4)整體部分關(guān)系

整體部分關(guān)系指某一個(gè)詞集是整體，而另一個(gè)詞集在含義上是該詞集的部分，“部分”可以進(jìn)行繼承。

(二)可視化推薦：Cmaptools

語(yǔ)義圖示系統(tǒng)試圖實(shí)現(xiàn)的語(yǔ)義推薦功能，能夠通過(guò)CmapTools予以闡釋。CmapTools是人機(jī)識(shí)別研究院IHMC(the Institute of Human & Machine Cognition)開(kāi)發(fā)的軟件，用戶可以利用它創(chuàng)建、導(dǎo)航、共享和分析評(píng)價(jià)以概念圖形式表示的知識(shí)模型[53]。學(xué)習(xí)者可以通過(guò)Cmaptools整合網(wǎng)絡(luò)資源、課堂資源、實(shí)驗(yàn)資源以及領(lǐng)域知識(shí)，進(jìn)行課程安排，記錄相關(guān)閱讀，整理數(shù)據(jù)，支持小組協(xié)作，整理畫圖、照片、視頻，進(jìn)行多學(xué)科整合，用于演講、研究和課前、課后評(píng)價(jià)等活動(dòng)，同時(shí)Cmaptools為學(xué)習(xí)者提供腳手架支持，帶來(lái)一種新的教育模式[54]。

Cmaptools包含“節(jié)點(diǎn)”“連線”和“連接詞”。節(jié)點(diǎn)代表某一命題或知識(shí)領(lǐng)域的關(guān)鍵知識(shí)概念，節(jié)點(diǎn)間的連線表示概念間的邏輯關(guān)系，連線上的連接詞表示概念間通過(guò)何種方式進(jìn)行連接，如圖4所示。

圖4 Cmaptools要素組成

1977年，Novak提出知識(shí)組成的關(guān)鍵要素是概念以及概念間的關(guān)系的命題[55]，當(dāng)關(guān)鍵概念和概念間的相關(guān)關(guān)系通過(guò)概念圖呈現(xiàn)給學(xué)習(xí)者時(shí)，Novak發(fā)現(xiàn)這對(duì)學(xué)習(xí)者學(xué)習(xí)十分有效[56]。因此Cmaptools包含一個(gè)重要的功能，即學(xué)習(xí)者以“專家骨骼”為基礎(chǔ)，通過(guò)對(duì)“專家骨骼”修改或者重構(gòu)，來(lái)幫助構(gòu)建自己的知識(shí)體系。Cmaptools中包括近300種概念圖合理涵蓋1到12年級(jí)，6到18歲的科學(xué)領(lǐng)域，很多科學(xué)家專注于某一領(lǐng)域，并且不斷改進(jìn)概念圖以達(dá)到更好的效果[57]。Camptools可以進(jìn)行語(yǔ)義結(jié)構(gòu)比對(duì)，以及根據(jù)節(jié)點(diǎn)的語(yǔ)義關(guān)系及相關(guān)節(jié)點(diǎn)進(jìn)行推薦，但是這種推薦并不是機(jī)器學(xué)習(xí)的結(jié)果，而是之前人為的已經(jīng)做好的一個(gè)穩(wěn)定的語(yǔ)義結(jié)構(gòu)，如圖5所示。

圖5 Cmaptools語(yǔ)義推薦

這種“概念圖式”的知識(shí)建模過(guò)程，幫助學(xué)習(xí)者理清思路，梳理概念間相互關(guān)系；語(yǔ)義自動(dòng)推薦功能為學(xué)習(xí)者提供腳手架，引導(dǎo)并支持學(xué)習(xí)者進(jìn)行下一步學(xué)習(xí)；語(yǔ)義比對(duì)功能，與專家結(jié)構(gòu)的對(duì)照能夠快速發(fā)現(xiàn)自主學(xué)習(xí)中的不足并及時(shí)矯正。

(三) 可視化模擬：Insightmaker

語(yǔ)義圖示作為超越碎片化的最重要功能，是實(shí)現(xiàn)基于語(yǔ)義的知識(shí)判斷，而現(xiàn)有的工具中，Insightmaker所具有的知識(shí)表征模擬過(guò)程能夠?qū)Υ擞枰允纠?。Insightmaker是一個(gè)基于Web的可視化建模和模擬工具，包含兩種通用的建模方法，分別為系統(tǒng)動(dòng)力的建模和基于代理的建模，具有同樣的建模要素和規(guī)則[58]。Insightmaker的模擬功能將知識(shí)間的關(guān)系和變化進(jìn)行動(dòng)態(tài)展示，超越了停留在靜態(tài)理解層面上的認(rèn)知，有助于達(dá)到深度學(xué)習(xí)的發(fā)生。

系統(tǒng)動(dòng)力的建模，關(guān)注系統(tǒng)的整體集合。比如水桶漏水，將水視為一個(gè)整體，關(guān)心的是水的數(shù)量，而不是某一滴水。系統(tǒng)動(dòng)力的建模主要運(yùn)用四類基本元素，集合/原料(Stocks)、流程(Flows)、變量(Variables)和鏈接(Links)。Stock是儲(chǔ)存原料的集合，例如一個(gè)銀行賬戶是一個(gè)Stock儲(chǔ)存貨幣。Flow表示Stock中存儲(chǔ)的原料的移動(dòng)，例如從存款到取款的過(guò)程，可以看做銀行賬戶中存儲(chǔ)的貨幣的移動(dòng)。Variable是動(dòng)態(tài)計(jì)算值或常量，例如一個(gè)銀行賬戶模型中，可以設(shè)一個(gè)變量表示利率，這個(gè)變量既可以是固定的，也可以是隨時(shí)間而變動(dòng)的。Links表示不同原料之間的信息傳輸，如果兩個(gè)原料鏈接，那么它們以某種方式相關(guān)。如圖6和7所示，通過(guò)集合/原料、流程、變量和鏈接對(duì)羅亞爾島上狼和鹿的相互作用進(jìn)行建模，用真實(shí)的數(shù)據(jù)可視化模擬狼和鹿數(shù)量的變化。

圖6 系統(tǒng)動(dòng)力的建模案例—狼和鹿數(shù)量關(guān)系建模

圖7 系統(tǒng)動(dòng)力的建模案例-狼和鹿數(shù)量關(guān)系模擬

基于代理的建模，關(guān)注集合中的對(duì)象。對(duì)群體中的個(gè)體進(jìn)行模擬時(shí)，我們需要獨(dú)立的代理來(lái)代表人群中的每一個(gè)個(gè)體，每一個(gè)代理都需要一系列的屬性來(lái)定義它的狀態(tài)。例如，當(dāng)對(duì)一個(gè)捕食模型進(jìn)行建模時(shí)，追捕者應(yīng)當(dāng)設(shè)置“饑餓”和“飽食”兩個(gè)狀態(tài)，當(dāng)捕食者狀態(tài)為“饑餓”時(shí)找尋獵物，當(dāng)狀態(tài)為“飽食”時(shí)保持靜止，如圖8所示?；诖淼慕ＶС謨煞N空間結(jié)構(gòu)，分別為地理結(jié)構(gòu)和網(wǎng)絡(luò)結(jié)構(gòu)。地理結(jié)構(gòu)即通過(guò)給定每一個(gè)代理x，y坐標(biāo)，代理間的互動(dòng)基于坐標(biāo)進(jìn)行移動(dòng)。網(wǎng)絡(luò)結(jié)構(gòu)表示代理與代理間的關(guān)聯(lián)，代理間的互相關(guān)聯(lián)會(huì)影響到它們的行為。如圖8和9所示，這是一個(gè)果園。消費(fèi)者圍繞果園尋找果樹(shù)，當(dāng)他們發(fā)現(xiàn)了肥沃的果樹(shù)，他們消滅掉所有的水果，即轉(zhuǎn)換為不肥沃的果樹(shù)。然而，隨著時(shí)間的推移，不肥沃的果樹(shù)漸漸長(zhǎng)出新鮮的水果，又成為肥沃的果樹(shù)。

圖8 基于代理的建模案例—果園采摘與生長(zhǎng)模型建模

圖9 基于代理的建模案例—果園采摘與生長(zhǎng)模型模擬

五、小結(jié)與展望

以上即為研究團(tuán)隊(duì)正在努力開(kāi)發(fā)的語(yǔ)義圖示工具。Novak曾在一次訪談中說(shuō)過(guò)，學(xué)習(xí)新知識(shí)的方式有兩種：一是機(jī)械學(xué)習(xí)，學(xué)習(xí)者將概念與命題隔離開(kāi)；二是意義學(xué)習(xí)，學(xué)習(xí)者積極將已有概念與命題相結(jié)合，并對(duì)已有知識(shí)進(jìn)行組織。然而，機(jī)械學(xué)習(xí)無(wú)法使得知識(shí)被長(zhǎng)時(shí)記憶，只有意義學(xué)習(xí)可以應(yīng)用在解決新問(wèn)題的情境中，促進(jìn)以后的相關(guān)學(xué)習(xí)[59]。語(yǔ)義圖示工具設(shè)計(jì)的目的就是促進(jìn)意義學(xué)習(xí)的發(fā)生，與以往概念圖、思維導(dǎo)圖不同，學(xué)習(xí)者通過(guò)語(yǔ)義圖示工具建立知識(shí)模型，實(shí)現(xiàn)思維方式的可視化；借助工具的語(yǔ)義推薦和比對(duì)，實(shí)現(xiàn)對(duì)學(xué)習(xí)過(guò)程的支持輔助；運(yùn)用系統(tǒng)動(dòng)態(tài)模擬仿真，實(shí)現(xiàn)真實(shí)場(chǎng)景的模擬，提高學(xué)習(xí)環(huán)境的情境性和沉浸性。學(xué)習(xí)的發(fā)生正在從外部環(huán)境設(shè)計(jì)向內(nèi)在認(rèn)知過(guò)程和思維水平的培養(yǎng)進(jìn)行過(guò)渡。

想要弄清楚深層學(xué)習(xí)“黑箱”的內(nèi)部過(guò)程，需要借助技術(shù)手段，更多地關(guān)注學(xué)習(xí)者的內(nèi)在學(xué)習(xí)過(guò)程，促進(jìn)有意義學(xué)習(xí)的發(fā)生，使得超越碎片化成為現(xiàn)實(shí)。雖然新技術(shù)的發(fā)展，有利有弊，為教育帶來(lái)更多可能性的同時(shí)，也帶來(lái)了教育的困擾。但本研究在探究不同類型技術(shù)的過(guò)程中，剔除冗雜信息，旨在實(shí)現(xiàn)促進(jìn)深層學(xué)習(xí)的功能，達(dá)到深層學(xué)習(xí)的教育價(jià)值，同時(shí)，處理好技術(shù)和教學(xué)的融合關(guān)系，更好地引發(fā)學(xué)習(xí)者深度學(xué)習(xí)的發(fā)生。

正如Berliner(2002)所說(shuō)，教育是最難的科學(xué)，它和人相關(guān)；但同時(shí)也是最樸實(shí)的，其最終目的是為了促進(jìn)人的發(fā)展。這也正是本研究團(tuán)隊(duì)的立足所在，關(guān)注教育，發(fā)展教育，期待技術(shù)不斷地推動(dòng)教育的發(fā)展[60]。

[1]Google.Our Mobile Planet:China [EB/OL].https://think.withgoogle.com/mobileplanet/zh-cn/,2014-12-31.

[2]Meeker M,Wu L.KPCB Internet Trends 2013[EB/OL].http://www.docin.com/p-659833489.html,2014-12-31.

[3]Flurry.Apps Solidify Leadership Six Years into the Mobile Revolution[EB/OL].http://www.flurry.com/bid/109749/Apps-Solidify-Leadership-Six-Years-into-the-Mobile-Revolution#.VIwA6_mUdvs,2014-12-31.

[4]“第十一次全國(guó)國(guó)民閱讀調(diào)查”成果發(fā)布[EB/OL].www.chuban.cc,2014-12-31.

[5]楊松芳.解析“讀圖時(shí)代”[J].沈陽(yáng)師范大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2006,30(3):49-51.

[6]Gagne E D,Yekovich C W,Yekovich F R.The cognitive psychology of school learning [M].New York:HarperCollins College Publishers,1993.

[7]王佑鎂.國(guó)內(nèi)外數(shù)字化閱讀發(fā)展及閱讀服務(wù)創(chuàng)新研究[J].中國(guó)信息界,2012,(12):42-43.

[8]王佑鎂.數(shù)字化閱讀對(duì)未成年人認(rèn)知發(fā)展的影響研究[J].中國(guó)電化教育,2013,(11):6-11.

[9]潘雙林.網(wǎng)絡(luò)閱讀深度化的實(shí)踐探索[J].中國(guó)電化教育,2012 ,(4):110-112.

[10]李曉源.論網(wǎng)絡(luò)環(huán)境中的“碎片化”閱讀[J].情報(bào)資料工作,2011,(6):84-87.

[11]顧小清,權(quán)國(guó)龍.以語(yǔ)義圖示實(shí)現(xiàn)可視化知識(shí)表征與建模的研究綜述[J].電化教育研究,2014,(5):45-52.

[12]Turing A M.Computing machinery and intelligence [J].Mind,1950,(49):433-460.

[13]Bengio Y.Learning deep architectures for AI [J].Foundations and trends?in Machine Learning,2009,2(1):1-127.

[14]Bengio Y,Courville A,Vincent P.Representation learning:A review and new perspectives [J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2013,35(8):1798-1828.

[15]Mitchell T M.Does machine learning really work? [J].AI magazine,1997,18(3):11-20.

[16]Alpaydin,Ethem.Introduction to machine learning [M].Cambridge:MIT press,2004.

[17]Langley P.Elements of machine learning [M].San Francisco:Morgan Kaufmann,1996.

[18][21]Deng L,Li J,Huang J T,et al.Recent advances in deep learning for speech research at Microsoft [A].Rabab Ward.2013 IEEE International Conference on Acoustics,Speech,and Signal Processing[C].Vancouver:IEEE,2013.8604-8608.

[19]Marcus G.Is“Deep Learning”a Revolution in Artificial Intelligence?[EB/OL].http://www.newyorker.com/news/news-desk/is-deeplearning-a-revolution-in-artificial-intelligence,2014-12-31.

[20]Bengio Y.Deep learning of representations:Looking forward[A].Adrian-Horia Dediu.Statistical Language and Speech Processing[C].Berlin,Heidelberg:Springer Berlin Heidelberg,2013.1-37.

[22][24]Jones N.THE LEARNING MACHINES[J].NATURE,2014,(505):146-148.

[23]Hinton G E.Learning multiple layers of representation [J].Trends in cognitive sciences,2007,11(10):428-434.

[25]Scientists see promise in deep-learning programs[EB/OL].http://www.nytimes.com/2012/11/24/science/scientists-see-advances-in-deeplearning-a-part-of-artificial-intelligence.html?pagewanted=all&_r=0,2012-11-23.

[26]Facebook’s DeepFace software recognizes faces as well as humans do[EB/OL].http://www.nydailynews.com/life-style/facebook-hightech-deepface-article-1.1728372,2014-12-31.

[27]Houghton W.Engineering subject centre guide:Learning and teaching theory for engineering academics [M].Loughborough:Higher Education Academy Engineering Subject Centre,2004.

[28]Lublin J.Deep,surface and strategic approaches to learning [R].Dublin:Centre for Teaching and Learning,2003.

[29][36][40][44]R.Keith.Sayyer.The Cambridge handbook of the learning sciences [M].New York:Cambridge University Press,2006.

[30]Marton F,S?lj? R.On Qualitative Differences in Learning:I—Outcome and process*[J].British journal of educational psychology,1976,46(1):4-11.

[31]Biggs J B.Student approaches to learning and studying [M].Melbourne:Australian Council for Educational Research,1987.

[32]Pask,G.Third Progress Report on SSRC Programme HR2708[R].Richmond:System Research Ltd,1977.

[33]Mette Huberman,Catherine Bitter,Jennifer Anthony,Jennifer O’Day.The Shape of Deeper Learning:Strategies,Structures,and Cultures in Deeper Learning Network High Schools[R].Washington:American Institutes for Research,2014.

[34]Catherine Bitter,James Taylor,Kristina L.Zeiser,Jordan Rickles.Providing Opportunities for Deeper Learning[R].Washington:American Institutes for Research,2014.

[35]Kristina L.Zeiser,James Taylor,Jordan Rickles,Michael S.Garet,Michael Segeritz.Evidence of Deeper Learning Outcomes[R].Washington:American Institutes for Research,2014.

[37]Liao S H.Expert system methodologies and applications—a decade review from 1995 to 2004[J].Expert systems with applications,2005,28(1):93-103.

[38]畢學(xué)工,杭迎秋,李昕等.專家系統(tǒng)綜述[J].教育技術(shù)導(dǎo)刊,2009,7(12):7-9.

[39]Hayes-Roth F,Waterman D A,Lenat D B.Building expert system[J].Addison-Wesley Pub,1983,(1):405-420.

[41]Kintsch W,Van Dijk T A.Toward a model of text comprehension and production [J].Psychological review,1978,85(5):363.

[42]Blanco E,Cankaya H C,Moldovan D.Composition of semantic relations:Model and applications[A].Aravind K.Joshi.COLING '10 Proceedings of the 23rd International Conference on Computational Linguistics:Posters[C].Stroudsburg:Association for Computational Linguistics,2010.72-80.

[43]牟冬梅,陳倩,王麗偉.基于語(yǔ)義模型的數(shù)字圖書館知識(shí)組織信息抽取策略[J].圖書情報(bào)工作,2009,53(15):21-25.

[45][54][56][57]Novak J D,Ca?as A J.Building on new constructivist ideas and CmapTools to create a new model for education[A].Jaime Sanchez Ilabaca.IX Taller Internacional de Software Educativo TISE 2004[C].Santiago:Universidad de Chile.2004.

[46][49][50][51]Miller G A,Beckwith R,Fellbaum C,et al.Introduction to wordnet:An on-line lexical database*[J].International journal of lexicography,1990,3(4):235-244.

[47]姚天順,張俐,高竹.WordNet 綜述[J].語(yǔ)言文字應(yīng)用,2004 (1):27-32.

[48]Miller G A.Dictionaries in the Mind [J].Language and Cognitive Processes,1986,1(3):171-185.

[52]WordNet Relations [EB/OL].http://wordnet.princeton.edu/wordnet/,2014-12-31.

[53]Ca?as A J,Hill G,Carff R,et al.CmapTools:A knowledge modeling and sharing environment [A].Alberto J Can?as.Concept maps:Theory,methodology,technology.Proceedings of the first international conference on concept mapping [C].Pamplona:Direccion de Publicaciones de la Universidad Publica de Navarra,2004.125-133.

[55]Novak,J.D.A Theory of Education [M].NY:Cornell University Press,1977.

[58]Fortmann-Roe S.Insight Maker:A general-purpose tool for webbased modeling & simulation [J].Simulation Modelling Practice and Theory,2014,(47):28-45.

[59]希建華,趙國(guó)慶.“概念圖”解讀:背景,理論,實(shí)踐及發(fā)展——訪教育心理學(xué)國(guó)際著名專家約瑟夫· D· 諾瓦卡教授[J].開(kāi)放教育研究,2006,12(1):4-8.

[60]Berliner D C.Comment:Educational research:The hardest science of all [J].Educational researcher,2002,31(8):18-20.

顧小清：博士，教授，研究方向?yàn)榻逃畔⒒碚撆c實(shí)踐、CSCL、學(xué)習(xí)技術(shù)系統(tǒng)用戶行為研究(xqgu@ses.ecnu.edu.cn)。

馮園園：在讀碩士，研究方向?yàn)橹R(shí)可視化表征(irisfeng11@gmail.com)。

胡思暢：在讀碩士，研究方向?yàn)橹R(shí)可視化表征(cc_fairy@hotmail.com)。

2015年1月12日

責(zé)任編輯：李馨 趙云建

Go beyond the Fragmentation:Semantic Diagram and Deep Learning

Gu Xiaoqing,Feng Yuanyuan,Hu Sichang
(Department of Education Information Technology,East China Normal University,Shanghai 200062)

Wide use of technology in education enables the convenient access to much richer information,while on the other hand,produce the so called phenomenon of“fragmented learning”,when the learners frequently engage in multi-task and pick up fragmented information,among which visual are always preferred.This phenomenon resulted in shallow learning is the problem that this paper tried to focused on.A“semantic diagram”model was proposed in this study as a way to help learners achieve deep learning,which can provide learners with a systematic and comprehensive learning support,to integrate the fragmented knowledge into a systematic knowledge base.This paper reviewed the development of deep learning in the field of machine learning and education at fi rst; then introduce the design of the semantic diagram tools based on the arti fi cial intelligence technology,using expert system as a back-end support to visualize semantic modeling,semantic recommendation and dynamic simulation,in order to help learners make decision and solve problems.At last,this paper listed three semantic tools as examples to represent core functions and illustrate how it works to help resolve the issue of learning fragmentation.

Fragmented learning; Semantic Diagram; Deep Learning; Machine Learning

G434

A

1006—9860(2015)03—0039—10