摘 要：教育領域的深度學習提倡學習者對知識的主動獲取、積極建構和創(chuàng)新應用，實現(xiàn)高階知識和能力的發(fā)展、遷移和生成。倡導深度學習已成為時代的必然選擇。為厘清國內(nèi)外深度學習的研究進展，文章選取中國知網(wǎng)和Web of Science兩大數(shù)據(jù)庫中相關的92篇文獻進行系統(tǒng)性分析，對深度學習的定義內(nèi)涵、影響因素、促進策略和評價方式進行了梳理。結果表明：在定義內(nèi)涵方面，當下深度學習的定義尚未統(tǒng)一，不同定義中的關鍵詞大多包含主動參與、知識建構、高階發(fā)展、創(chuàng)新遷移等；在影響因素方面，個體因素主要包括學生的自我效能感、學習動機、學習興趣、學習投入等，行為因素主要包括師生交互、生生交互等教學交互行為，環(huán)境因素主要關注在線環(huán)境的交互性和工具性；在促進策略方面，現(xiàn)有研究主要總結歸納了促進深度學習的現(xiàn)有教學模式和教學策略，但部分研究僅提出教學模式和策略，未進行基于真實教學的效果實證；在評價方式方面，分為過程取向與結果取向兩方面，其中問卷調(diào)查法采用最為頻繁。這為后續(xù)研究者和一線教學實踐者有效實施深度學習提供了參考與借鑒。

關鍵詞：深度學習；教育領域；研究現(xiàn)狀；系統(tǒng)性文獻綜述

中圖分類號：G4 文獻標志碼：A 文章編號：2096-0069（2025）01-0017-06

引言

深度學習作為當前重要且有效的學習方式和理念，對促進個體的發(fā)展具有極其重要的意義。深度學習要求學習者具備批判性地學習新知識并將其有效融入既有認知結構的能力，同時能夠聯(lián)結多種思想，將知識靈活運用到新的問題情境中，進而協(xié)助決策并解決問題。倡導深度學習已經(jīng)成為時代的必然選擇和迫切要求。全面系統(tǒng)地梳理深度學習的研究現(xiàn)狀，有助于研究者和一線教學實踐者有效實施深度學習，進而深化教育改革、提升教育質(zhì)量。

然而，國內(nèi)現(xiàn)有的深度學習綜述性文獻多采用知識圖譜分析方法，僅從表層呈現(xiàn)某類研究的樣本分布（國家、期刊、著者、機構等）、基本趨勢和研究熱點，較少針對研究的詳細內(nèi)容與過程進行系統(tǒng)描述、分析和歸類，難以幫助讀者在操作層面上理解深度學習的教學設計、成功途徑和評價方法。因此，本研究采用系統(tǒng)性文獻綜述法，對截至 2024年6月10日期間收錄于中國知網(wǎng)（CNKI）和Web of Science（WoS）的深度學習相關文獻進行梳理、篩選與評估，以期解決以下四個研究問題：

Q1：深度學習的內(nèi)涵是什么，深在何處？

Q2：影響學生深度學習的因素有哪些？

Q3：促進深度學習的教學策略、教學模式有哪些？

Q4：深度學習如何評價？

一、研究方法

本研究采用系統(tǒng)性文獻綜述法，通過對相關文獻進行檢索、篩選和評估，確定文獻樣本，利用樣本文獻中的已有結論解答研究問題。

（一）文獻獲取途徑

在CNKI和WoS中，使用高級檢索功能，以主題詞的形式進行檢索，時間截至2024年6月10日。CNKI的檢索語句為：主題“深度學習+深層學習+深層次學習”與主題“教育+教學+課堂”，文獻類型選擇“學術期刊”，來源類別為“北大核心”“CSSCI”和“SCI”，獲取文獻2553篇。WoS的檢索語句為：主題詞“deep learning OR deep approach OR deep processing OR deep strategy OR deep learner”，精練檢索結果“Open Access”、文獻類型“Article”、數(shù)據(jù)庫“Web of Science Core Collection”、研究方向“Education Educational Research”、語言“English”，獲取文獻1426篇。最后，共獲得文獻3959篇。

（二）文獻篩選過程

為確保樣本文獻與研究問題的高度相關性，保證文獻分析結果的準確性及可靠性，結合研究問題，借鑒已有的系統(tǒng)性文獻綜述篩選標準，本研究最終篩選出符合標準的文獻共計92篇（包括中國知網(wǎng)61篇、WoS 31篇）。篩選過程與結果如圖1所示。

二、研究結果

（一）深度學習的定義內(nèi)涵

deep learning（深度學習）同時存在于計算機領域和教育領域。計算機領域的deep learning是一種機器學習技術，其“深度”表現(xiàn)為深度的神經(jīng)網(wǎng)絡。教育領域的deep learning是一種學習方式或?qū)W習結果。最早在教育領域中提出深度學習概念的是國外學者弗倫斯·馬頓（Ference Marton）和羅杰·薩爾喬（Roger S?lj?）[1]，1976年，他們開展了一項關于學生閱讀學術文本時信息加工水平情況的研究，采用質(zhì)性分析辨別出“深層加工”和“淺層加工”兩種水平。在國內(nèi)，黎加厚[2]于2005年最先介紹了深度學習的概念，認為深度學習要求學習者在理解的基礎上，具備批判性學習新知識并將其有效融入已有認知結構中的能力，同時能夠聯(lián)結多種思想，將知識靈活運用到新的情境中，進而協(xié)助決策并解決問題。該定義揭示了深度學習的過程特征與結果取向，在國內(nèi)學術界獲得較多認同。

深度學習至今尚未形成較為明確統(tǒng)一的概念，眾多學者從不同角度和側重點提出深度學習的定義。從認知加工視角看，深度學習要求學生進行認知加工時避免簡單機械性記憶，而要體現(xiàn)高投入度、高主動性、高水平化[3]。從學習過程視角看，深度學習是指學生能夠在教師的指導下完成高挑戰(zhàn)度的教學任務，在這個過程中做到主動積極地投入?yún)⑴c、通過親身實踐體驗成功，并實現(xiàn)個人全面發(fā)展[4]。從學習結果視角看，深度學習強調(diào)學生在學習過程中善用元認知能力，積極進行反思，從而達到培養(yǎng)高階思維與能力的目的[5]。

從深度學習定義中的關鍵詞來看，大多包含主動參與、知識建構、高階發(fā)展、創(chuàng)新遷移等，這也正是體現(xiàn)深度學習之“深度”所在的重要表述。然而，對深度學習不同的定義可能帶來不同的研究設計和研究結果，因此在研究中應該重視深度學習的領域特征和內(nèi)涵界定，否則，就容易出現(xiàn)泛化和異化的現(xiàn)象。

（二）深度學習的影響因素

國內(nèi)外研究者深入剖析了影響深度學習的諸多因素，采用的研究方法以問卷調(diào)查和訪談為主。深度學習是一個受多元因素共同作用的過程，本研究旨在從個體特性、行為習慣及環(huán)境條件3個維度出發(fā)，綜合歸納影響學生深度學習的關鍵要素。

1.個體因素

學生對學習的認知和心理特質(zhì)，如自我效能感、學習信心等，是影響深度學習的重要因素。自我效能感是指個體對自己是否有能力完成某項行為所進行的推測與判斷，學生的高自我效能感往往對應著高積極性和高主動性，不少研究證明自我效能感對深度學習有正相關影響[6]。學生的學習投入、學習興趣、學習動機等因素通常與深度學習呈正相關關系。比如有研究指出，學習興趣越濃厚，學生的深度學習程度越高或采用深度學習方式越多[7]。此外，徐振國等[8]研究發(fā)現(xiàn)，學生的深度學習程度在年級、專業(yè)上存在顯著差異，而在性別上不存在顯著差異。

2.行為因素

行為因素對學習者深度學習的影響主要體現(xiàn)在教學交互上，包括師生交互、生生交互等，隨著交互的增加，學習者會產(chǎn)生更深層次的思考，促進深入的知識加工。在師生交互方面，有研究指出，缺乏想象力和激情的膚淺教學方式、教學反饋的延遲或缺失，以及教師偏見和偏袒，都會阻礙學生深度學習的發(fā)生[9]。在生生交互方面，有研究表明同伴反饋可以促進深度學習，而同伴反饋的價值主要來自反饋引發(fā)的對話。在基于同伴反饋的教學中，學生需要思考如何為同伴提供反饋，同時對得到的反饋進行評分，在這個過程中，生生之間的交互和對話得到加強，學習者不斷進行深入、持久的思考，從而實現(xiàn)深度學習[10]。

3.環(huán)境因素

早期研究就已經(jīng)指出優(yōu)質(zhì)教學、清晰的目標與標準、適當?shù)墓ぷ髫摵傻拳h(huán)境感知因素是影響學生深度學習的重要方面[11]。隨著技術賦能教學，教學環(huán)境發(fā)生了極大的變化，在線環(huán)境作為影響深度學習的關鍵環(huán)境因素受到研究者的廣泛關注。在線學習環(huán)境的社區(qū)性和交互性強，更能引發(fā)學習者的深層次學習。此外，在線學習過程中提供的網(wǎng)絡學習工具，例如知識屋、在線論壇等，有利于學生發(fā)展學科技能、問題解決能力、批判性思維和知識管理能力，最終實現(xiàn)深度學習[12]。

（三）深度學習的促進策略

近年來，深度學習受到越來越多研究者的關注，關于“如何促進深度學習發(fā)生”的研究已經(jīng)形成系列成果。多數(shù)研究通過開展問卷、訪談和實驗等實證研方法，提出了促進深度學習發(fā)生的教學模式、教學策略。

1.教學模式

為了促進深度學習，學者們依據(jù)多種理論框架及不同的教學環(huán)境，提出了多樣化的教學模式。從學習方式來看，國內(nèi)不少學者在翻轉課堂教學、混合式教學中設計教學模式，以促進深度學習。從教學媒體技術來看，學者們基于虛擬學習共同體、SPOC平臺、智能學習平臺促進深度學習的教學模式。從教學目的來看，有學者出于解決課堂困境、促進人才高質(zhì)量培養(yǎng)、提升學科核心素養(yǎng)等目的設計教學模式。整體而言，將深度學習和混合教學、翻轉課堂相結合的研究相對豐富，教學模式基本圍繞“課前—課中—課后”這個主線來展開。比如黃志芳等[13]從知識掌握、能力培養(yǎng)以及情感體驗三個層面，分課前、課中及課后3個階段構建了面向深度學習的“3×3混合式學習模式”。

2.教學策略

關于面向深度學習的教學策略，根據(jù)文獻梳理，可以總結為兩大類：一是引入教學資源或支架，二是開展教學活動。在引入教學資源或支架方面，比如引入教學游戲、反思支架、錯誤資源、監(jiān)控調(diào)節(jié)支架等。呂鳳秀等[14]指出，這些策略可以有效地利用學生學習過程中動態(tài)生成的錯誤資源，促使學習者通過對話、爭論、追問、反證等環(huán)節(jié)的辨錯、研錯、糾錯過程，深度參與學習，產(chǎn)生高峰體驗，發(fā)展高階思維能力，實現(xiàn)認知升級和迭代。在開展教學活動方面，主要包括開展多元反饋、同伴對話反饋、課堂提問、學習性評價等。如陳功等[15]在教學中融合機器反饋、同伴反饋和教師反饋方面，實施“N+2+1”多元反饋模式，推動學生實現(xiàn)深度學習。

總的來看，雖然眾多學者開展了促進深度學習的教學模式和教學策略的研究探索，但相關實踐研究相對欠缺，部分研究僅提出相關的教學模式和策略，未進行基于真實教學的效果檢驗。另外，實踐研究需要結合具體的教學情境，其具體策略與應用效果不盡相同。因此，面向深度學習的設計和實踐研究還有待加強。

（四）深度學習的評價方式

根據(jù)文獻梳理發(fā)現(xiàn)，深度學習的評價方式可以分為過程取向評價和結果取向評價兩大方面。其中，過程取向評價包括問卷調(diào)查法、眼球追蹤法等，側重評價學生學習的過程；結果取向評價包括作品層級評價、學業(yè)成就評價及綜合性評價等，依據(jù)學生學習的結果對深度學習展開測評。

1.過程取向

問卷調(diào)查法是評估深度學習最常用的方法，據(jù)研究者統(tǒng)計，有48%的研究通過問卷調(diào)查來判斷深度學習是否發(fā)生以及深度學習的程度[16]。隨著技術在教育中的積極應用，學者結合具體學習環(huán)境設計了深度學習量表，比如面向混合學習環(huán)境、具身認知學習環(huán)境等。然而，問卷調(diào)查的方式雖然能以較高的效率獲得學生的學習情況，但調(diào)查結果幾乎完全取決于學生對自身學習方式的判斷，存在較大的主觀性，其效度也值得懷疑。

國外有學者把眼球追蹤方法應用于深度學習的測評，通過眼視系統(tǒng)（Eye Gaze System）記錄了學生的眼球運動情況，包括觀看時長、平均注視次數(shù)（眼球固定次數(shù)）和注視的平均時長（眼球固定的平均持續(xù)時間）[17]。研究發(fā)現(xiàn)，觀察時間長、注視次數(shù)多、注視持續(xù)時間長的學生可以更好地理解和掌握知識，證明了眼球追蹤可以作為評估深度學習的有效工具。眼球追蹤雖能為深度學習的評價提供生理方面的證據(jù)，但其對設備、技術的要求較高，且往往只能應用在多媒體學習中，很難推廣實施。另外，運用眼球追蹤評價深度學習缺乏更多的實證研究和更可靠的評價指標。

2.結果取向

層級評價法較多用于評價學生的作品、試卷答題等情況，主要依據(jù)深度學習與淺層學習的區(qū)別來判斷學生的學習程度。常見的層級劃分有布魯姆的學習目標分類法（“知道、領會”目標劃分為淺層學習，“應用、分析、綜合、評價”目標劃分為深度學習）、SOLO分類法（“前結構、單一結構、多元結構”屬于淺層學習，“關聯(lián)結構、抽象拓展結構”屬于深度學習）、知識的深度模型（Depth of Knowledge， “回憶/復述、技能/概念”為淺層學習，“戰(zhàn)略思維、擴展思維”屬于深度學習）。

學業(yè)成績一直被作為衡量學習效果的重要指標，是評價學生知識和技能掌握情況的重要指標，學業(yè)成績的優(yōu)異程度往往能從側面反映學生的深度學習水平。研究者在進行學業(yè)成績分析時，通常會通過前測與后測比較或?qū)Ρ葘嶒灲M和對照組的情況來衡量某種教學干預的效果。然而，簡單的標準化測試大多僅能評價學生對知識的表面掌握情況，不能表征出學生對知識的深度理解與遷移應用，容易受到質(zhì)疑，因此往往會與其他評價方式結合使用。

綜合性評價是指整合多種評價方式，從多個維度對深度學習進行評價。不少學者構建了深度學習的評價指標體系、評價模型等，結合多方面教學數(shù)據(jù)來評估學生的深度學習水平。比如，馬云飛等[18]構建了深度學習的發(fā)生機制模型并設置了相關的學習狀態(tài)指標，綜合性采集與分析學習者的生理數(shù)據(jù)、自我評估數(shù)據(jù)、在線學習平臺數(shù)據(jù)和課堂參與數(shù)據(jù)等多模態(tài)數(shù)據(jù)，實現(xiàn)了對深度學習水平的精準評價。由于深度學習的復雜性、多元性，單一方式的評價往往難以全面描述學生的深度學習能力，而綜合評價法能整合多種研究方法，多維度、多視角地整體考察學生的學習情況，因此得出的結論較為可靠。

綜合以上文獻分析結論可知，深度學習的評價可以分為過程取向和結果取向兩個方面。深度學習的評價方式并不是單一的，在研究中可以采用多種評價方式相結合，從過程取向和結果取向評價學生的深度學習過程和結果，實現(xiàn)相對全面的深度學習情況評估。

三、研究結論

本文對CNKI和WoS兩大數(shù)據(jù)庫中的92篇國內(nèi)外教育領域深度學習的相關文獻進行了系統(tǒng)性分析，深入探究了深度學習的研究進展情況。研究發(fā)現(xiàn)：

第一，教育領域的深度學習研究在國外起源于1976年，在國內(nèi)始于2005年。當下深度學習的定義尚未明確和統(tǒng)一。

第二，深度學習的影響因素包括個體因素、環(huán)境因素、行為因素等。其中，個體因素主要包括學生的自我效能感、學習動機、學習興趣、學習投入等，環(huán)境因素主要關注在線環(huán)境的交互性和工具性，行為因素主要體現(xiàn)在師生交互、生生交互等教學交互行為。

第三，學者從不同的學習方式、教學科目、教學目的等維度出發(fā)，構建了促進深度學習的教學模式。促進深度學習的教學策略有：引入教學游戲和反思支架等教學資源、實施同伴對話反饋等教學活動。雖然眾多研究開展了促進深度學習的教學模式和教學策略探索，但實踐研究相對欠缺，部分研究僅提出了相關的教學模式和策略，并未進行基于真實教學的效果實證；而且實踐研究多結合具體的教學情境，其具體策略與應用效果不盡相同。

第四，深度學習評價方法可分為過程取向與結果取向兩個方面，過程取向評價包括問卷調(diào)查法、眼球追蹤法等，結果取向評價包括作品層級評價、學業(yè)成就評價及綜合性評價等，其中問卷調(diào)查法采用最為頻繁。

研究者和一線教學實踐者可以參考現(xiàn)有深度學習研究現(xiàn)狀，有效開展深度學習領域的教育研究和教學實踐。

參考文獻

[1]MARTON F， S?LJ? R. On qualitative difference in learning. I - outcome and process[J].British Journal of Educational Psychology， 1976， 46（1）：4-11.

[2]何玲，黎加厚.促進學生深度學習[J].現(xiàn)代教學，2005（5）：29-30.

[3]BIGGS J. Individual differences in study processes and the quality of learning outcomes[J]. Higher Education， 1979， 8（4）： 381-394.

[4]郭華.深度學習及其意義[J].課程·教材·教法，2016，36（11）：25-32.

[5]余勝泉，段金菊，崔京菁.基于學習元的雙螺旋深度學習模型[J].現(xiàn)代遠程教育研究，2017（6）：37-47，56.

[6]周小李，婁真真.高校學生在線學習自我效能感與深度學習的關系研究[J].現(xiàn)代教育管理，2021（8）：89-96.

[7]SMARANDAHE L G， MARICUTOIU L P， LLIE M D， et al. Students’ approach to learning： evidence regarding the importance of the interest-to-effort ratio[J]. Higher Education Research and Development， 2022， 41（2）：546-561.

[8]徐振國，趙春雨，王悅，等.智慧學習環(huán)境下大學生深度學習的影響因素[J].現(xiàn)代教育技術，2023，33（1）：58-65.

[9]SWEE-CHOO P G. Teaching practices that hinder the deep approaches to learning of twinning programme students in Malaysia： a qualitative perspective[J].The Asia-Pacific Education Researcher，2008，17（1）：63-73.

[10]FILIUS R M， DE KLEIJN R A M， UIJL S G， et al. Strengthening dialogic peer feedback aiming for deep learning in SPOCs[J]. Computers amp; Education， 2018， 125（5）：86-100.

[11]WEBSTER B J， CHAN W S， PROSSER S T， et al. Undergraduates’ learning experience and learning process： quantitative evidence from the east[J].Higher Education， 2009，58（3）：375-386.

[12]吳亞婕. 影響學習者在線深度學習的因素及其測量研究 [J]. 電化教育研究， 2017，38 （9）：57-63.

[13]黃志芳，周瑞婕，趙呈領，等.面向深度學習的混合式學習模式設計及實證研究[J].中國電化教育，2019（11）：120-128.

[14]呂鳳秀，鐘華勝，梅國紅.利用錯誤資源促進深度學習的案例探析[J].地理教學，2019（22）：36-39.

[15]陳功，宮明玉.多元反饋模式促進深度學習的行動研究[J].外語教學，2022，43（3）：60-66.

[16]DINSMORE L D， ALEXANDER A P. A citical discussion of deep and surface processing： what it means， how it is measured， the role of context， and model specification[J].Educational Psychology Review，2012，24（4）：499-567.

[17]SHE H C， CHEN Y Z. The impact of multimedia effect on science learning： Evidence from eyemovements[J]. Computers amp; Education， 2009， 53 （4）：1297-1307.

[18]馬云飛，鄭旭東，趙冉，等.深度學習的發(fā)生機制與多模態(tài)數(shù)據(jù)測評研究[J].遠程教育雜志，2022，40（1）：50-60.

（責任編輯 李強）

Progress and Prospects of Deep Learning Research in the Field of EducationTeaching and Evaluation

— Based on a Systematic Literature Review

Wang Hongjiang1， Liao Xiaoling2， Ma Guiqiu3， Ye Sisi1， Chen Peiyu1

（1. School of Information Technology in Education， South China Normal University， Guangzhou， Guangdong， China 510631）;

2. Dongguan Changan Experimental Middle School， Dongguan， Guangdong， China 523840;

3. Dongguan Automotive Technology School， Dongguan， Guangdong， China 523400）

Abstract： Deep learning in the field of education advocates for learners to actively acquire， construct and creatively apply knowledge， and achieve the development， transfer， and generation of higher-order cognitive abilities. Advocating for deep learning has become an inevitable choice of the times. In order to clarify the research progress of deep learning at home and abroad， this article selects 92 relevant literatures from the two major databases of CNKI and WoS for a systematic review， and sorts out the definition， connotation， influencing factors， promotion strategies， and evaluation methods of deep learning. The results show that in terms of definition and connotation， the versions are diversified at present， and the key words in different definitions mostly include active participation， knowledge construction， higher-order development， and innovative transfer; In terms of influencing factors， this study summarizes and analyzes from three aspects， namely， individual factors， behavioral factors， and environmental factors; In terms of promotion strategies， existing teaching models and strategies that promote deep learning are summarized， but some studies only propose teaching models and strategies without conducting empirical research based on real teaching effects; In terms of evaluation methods， it is divided into process-oriented and result-oriented types， among which the questionnaire survey method is used most frequently. This article provides a systematic review of deep learning in the field of education， providing reference and guidance for subsequent researchers and frontline teaching practitioners to effectively implement deep learning.

Key words： Deep learning; Education field; Research status; Systematic literature review

收稿日期：2024-06-03

基金項目：2023年度廣東省哲學社會科學規(guī)劃學科共建項目（GD23XJY56）；2023年度廣東省教育科學規(guī)劃課題（高等教育專項）（2023GXJK270）

作者簡介：王洪江（1977— ），男，浙江紹興人，博士，副研究員、碩士生導師，研究方向為在線教學理論、人工智能教育應用；廖曉玲（1998— ），女，廣東云浮人，碩士，研究方向為元認知、人工智能教育應用，系本文通信作者；馬桂秋（1999— ），男，廣東汕頭人，碩士，研究方向為在線協(xié)作學習、人工智能教育應用；葉思思（2001— ），女，廣東河源人，碩士研究生，研究方向為人工智能教育應用；陳沛瑜（2000— ），男，廣東廣州人，碩士研究生，研究方向為人工智能教育應用。