认知与教学/长期记忆
当学生为考试学习并记忆课堂材料时，信息去哪里了？长期记忆在学习中仍然是绝对必要且重要的，因为学生学习的所有信息都会被记住或存储在短期记忆或长期记忆中。虽然短期记忆和长期记忆在存储方面都很重要，但它们也会影响人们的学习、感知事物的方式以及他们如何构建感知中的意义。学习和记忆不断相互影响，因为一个人对某些概念、主题或项目的记忆或先验知识可以增强学习。在本节中，我们将根据广泛接受的信息处理模型，描述长期记忆的组成部分、功能和框架。我们还将把这个框架与认知联系起来，探索信息到达长期记忆并存储和提取的多种方式。最后，我们将讨论一些描述长期记忆其他观点的新模型和已建立模型。
长期记忆具有无限和永久的能力，可以存储一个人在整个生命中经历的所有信息。对于所有学习者来说，拥有长期记忆是必要的。了解它的工作原理、构成和过程可以帮助学习者更好地理解他们自己的学习。
我们的长期记忆包含大量的信息，这些信息是在很长一段时间内积累起来的，与短期记忆（在另一节中讨论）不同，它不需要不断重复才能持久。存储在 LTM 中的信息被回忆或重建，而不是复述或重复。重要的是，LTM 通常被细分为知识类别，包括陈述性知识、程序性知识和条件性知识。
陈述性知识或记忆（有时也称为语义知识）是指我们通常可以明确表达的知识，而程序性知识通常是指我们几乎没有或根本没有困难就能执行的隐性技能和过程，但发现很难明确表达（后面关于产生式规则和 ACT-R 理论的部分将更详细地解释这些）。条件性知识意味着知道在什么情况下或情况下部署陈述性知识和程序性知识。下面的表格显示了每个类别的一些具体示例。
| 陈述性知识 | 程序性知识 | 条件性知识 |
|---|---|---|
| 移动电话是一种便携式电话。 | 如何打电话。 | 何时接听电话和挂断电话。 |
| 汽车通常有四个轮子。 | 如何驾驶汽车。 | 何时系上安全带和解开安全带。 |
表 1. 陈述性知识、程序性知识和条件性知识的示例
“认知的构建块”是许多理论家假设的五种心理结构，它们共同形成了长期记忆中所有心理框架和信息的基石。[1] 它们本质上是 LTM 的组成部分。虽然这些组成部分中的许多可能具有相似的特征，但它们彼此略有不同。我们将考察的前三个概念与陈述性知识密切相关，最后两个通常被认为是程序性知识的一部分。[1]
什么是概念？ 概念被认为是我们将心理结构分解并分类成具有意义的相对基本块和分组的方式，然后可以用来理解任何新的传入信息。[1] 它们被认为是“概念上连贯的知识块”，当有人提示提取信息时，可以触发并调用它们，通常被归类为陈述性知识。[2] 例如，当谈到猫的概念时，你可能会提到一类动物，它们彼此之间具有相似性：它们都是小而毛茸茸的；它们用“喵喵叫”来交流。猫可能有不同的毛色：白色、黑色、棕色等等；它们可能是家猫或野猫。然而，它们都属于猫的类别。
基于高度常见/突出事件的概念被称为原型。[1] 例如，北美篮球联盟的最佳代表或原型可能是美国国家篮球协会。据信，概念与“认知的构建块”的另外四个组成部分一起，共同形成了我们所知的长期记忆的基础，支持语言功能、事实性知识和物体识别的获取和发展——长期记忆的许多核心方面。[3]
概念由什么组成？ 关于概念发展是如何发生的，存在两种主要的理论。[3] 首先，一些理论家认为，概念是大脑中抽象的、心理的结构，它们是独立于感觉运动系统形成的，而感觉运动系统接收了这些结构中的信息。[3] 相反，另一种主要理论得到了神经影像技术的支持（例如 fMRI），即概念是根据感觉运动成分形成的，并作为多模态结构存储在长期记忆中。[3]
我们把我们的概念信息分为三个广为接受的类别：物质、过程和心理状态。[4] 过程的概念意味着我们存储与一系列相互关联的事件相关的心理信息，这些事件发生时，我们预计会看到特定的结果。[4] 过程的一个例子可能是从任何高度掉落某物——重力不会让它悬浮在空中，会作用于它，把它拉回到地球。心理状态是指一个类别，本质上是为内部状态和情绪而设计的，例如识别你什么时候感到沮丧、快乐或对某事不确定。
我们如何形成概念？ 有三种已确立的方法与我们如何发展和形成我们的概念有关。首先是布鲁纳、古德诺和奥斯汀提出的保守聚焦策略。[5] 使用这种策略的个人能够根据他们所面临的概念的相关属性选择适当的刺激。其他人则喜欢聚焦博弈策略，他们相信我们在一个时间段内一次性地获得了关于刺激的所有需要的信息。[1] 选择遵循这种策略的个人实际上将花费更少的时间来归因刺激，而不是那些选择保守聚焦策略的人。然而，他们更有可能犯错，因为他们是在速度而不是彻底性的基础上进行归因的。[1] 人们可以利用的最后一种可能的策略称为扫描策略，在这种策略中，个人会尝试在给定时间内对多个假设进行检验。[1] 虽然这对于归因刺激也是一种省时策略，但检验这些多个假设最终比一次检验一个假设的认知需求更大，因此会对个人处理和记忆信息的能力产生负面影响。[1]
命题
[edit | edit source]命题是我们大多数理论家普遍认为我们存储语言信息和我们大部分陈述性知识的心理概念。[1] 命题被认为是能够附加意义的最短语句，但本质上比概念更复杂，因为它们建立在预先存在的概念之上，以便形成有意义的陈述和断言这些特定概念是如何相关的。[span>6] 为了成为命题，所做的陈述必须能够被判断为真或假（换句话说，是对知识的陈述性陈述）。[7] 以下是一个包含两个命题的句子示例：“卢克买了过期的票。”
1- 卢克买了票。(事件发生在过去)。
2- 票已经过期了。
人们认为，具有共同特征或属性的命题在命题网络中相互关联，可以通过编码或 检索 与特定命题相关的的信息来激活命题网络。[1] 如果我们在一个新的句子中应用相同的命题网络：“卢克买了过期了的票”，我们会发现这两个句子具有相同的含义。右侧有一个表示这个想法的图片。
图式
[edit | edit source]什么是图式？ 图式被认为是一个人对一般因果关系知识的心理表征。[8] 我们获得的任何和所有知识都组织在图式中，图式负责后续的编码、存储和检索信息。[1] 图式是通过外部条件和个体自身先前知识的相互作用形成的。[9] 右侧的图片可以是关于哺乳动物的知识图式的表示。
图式被比作 脚手架 的心理等价物。换句话说，我们形成的图式将在我们发现自己处于新情况或学习新信息时为我们提供支持。[10]
图式是如何形成的？ 在尝试回忆新编码的信息时，在特定主题上拥有预先存在的图式知识与提高记忆新信息的保留率有关。[11] 据信，这是因为这使得新信息能够更快地被大脑吸收（从而被激活的图式吸收）。[11] 我们在图式中编码的信息被分类到所谓的插槽中；某种意义上说，这是我们知识被编码、存储、检索以及最终如何被感知的心理“类别”。[1] 当一个图式发展起来并被证明是事件或概念的常见发生时，它很可能成为我们长期记忆的一部分，在那里它将继续作为我们回忆和任何可能被编码的未来图式信息的基石。[1] 这个过程被称为图式实例化。[12]
产生式
[edit | edit source]产生式是“如果-那么”语句，作为一组行动规则，控制着我们所有的程序性知识。[13] 以下是一个“如果-那么”产生式的示例：“如果交通灯从绿灯变为黄灯，那么减速”。产生式是瞬间的、自动的心理概念，在反复接触到常见的事件序列后，人类学会了将其作为第二天性。[1] 它们为这些事件提供了一组产生式规则和期望，并且像命题一样，它们被组织在被称为产生式网络的交互式组中。[1] 通常，通过激活一个产生式，其他产生式将被触发，以一系列认知过程和行动做出反应，直到最终目标实现。[1] 后面的部分将更详细地讨论产生式和产生式规则作为记忆理论。
脚本
[edit | edit source]
脚本是作为我们所有程序性知识基础框架的心理概念。[1] 人们普遍认为，脚本对于我们对周围世界的社会理解至关重要，并且很大程度上起着提供管理社会情况和事件的信息的作用，具体来说是，谁做了什么，他们什么时候做，他们对谁做以及为什么。[14] 人们在许多类型的事件中使用脚本，例如在酒店办理入住手续。脚本随着时间的推移和持续接触到本质上相似的重复事件而发展起来。[1] 例如，你可能会随着时间的推移发展出自己的酒店办理入住脚本，它可以帮助你整理、记忆事情，以及对情况中可能发生的事件做出反应。右侧的图片是一个孩子在酒店办理入住的脚本。
这些构建块对教学的影响
[edit | edit source]对于所有教育工作者（现任和未来）而言，了解认知构成的每个单独组成部分，以及所有这些心理概念如何协同工作以促进学习、知识积累和发展，以及信息提取和提取过程，都至关重要。通过这样做，他们可以确保所有学生充分利用这些心理过程（例如，在学习新课程之前进行“复习课”以激活之前的学习，构建新信息的编码框架，以及为以后更容易提取信息做准备），以充分利用教育的益处。通过了解这些心理过程的内部运作机制，教育工作者将能够更好地理解学习是如何发生的，以及如何在学生编码新刺激和信息时提供最佳帮助。
本节简要讨论了与长期记忆相关的编码方面的几个方面。有关编码的详细讨论，请参阅下一章。
模态模型是描述信息如何从环境中感知并经过一系列认知功能最终到达长期记忆（LTM）的最广泛接受的模型之一。这是一个最近的研究总结的通用描述，它描述了信息从我们的感官传递到短期记忆，最终到达长期记忆的顺序。基于该模型，假设信息经过三个“较低”记忆系统中的每一个，每个系统都有其独立的功能。[1] 该模型显著区分了不同的记忆功能以及它们之间的过程（该模型的更多细节将在后面讨论不同记忆理论的章节中）。
编码是将信息从工作记忆转移到长期记忆的过程，它非常重要，因为它对人们对事物的记忆程度具有重大影响。以下是一些众所周知且广泛使用的不同编码和处理方法。
参照模态模型，复述是将信息保留在短期记忆中的过程，通常通过不断重复来实现。维持性复述通常采用不断重复和循环信息的策略（也称为死记硬背），但它被认为是一种更肤浅的编码方法，因为信息通常仅被激活很短的时间，并且一旦停止重复，就会迅速衰减。精细加工复述是一种更有意义的编码方式，它通过将待学习的信息与先前学习的信息相关联来赋予其意义。虽然这种复述形式消耗更多的认知资源，但它更利于长期记忆，并利用了更深入的编码活动。[15]
存在几种精细加工编码策略，它们都使新信息更容易处理或记忆。一种众所周知且最常用的精细加工编码策略是记忆术，它通过将新信息与熟知的信息配对来进行更复杂的编码。该策略通常利用押韵、手势、首字母缩略词等。[1] 例如，你可以使用首字母缩略词“SEG”来记忆你的购物清单：牛排（Steak）、鸡蛋（Eggs）和大蒜（Garlic）。其他策略包括联想，这是一种将新信息与更有意义的事物联系起来，以及意象，这涉及将对应图像与待记忆事物联系起来。[1] 你也可以使用你对这些事物的联想，将它们与你熟悉的场所（例如你的房子）联系起来。想象一下打开客厅门时一股浓浓的大蒜味，门边放着一盒破裂的鸡蛋，餐桌上放着一块多汁的牛排。使用这种策略，你可以通过想象从客厅走到餐厅的路线来记住这些物品。
有影响力的建构主义观点，特别是来自 Craik 和 Lockhart 的理论，[16] 至今仍然具有重要意义。他们的加工深度理论是最有信誉的理论之一。根据该理论，学生从对待学习信息的认知分析中获益最多——信息记忆在这些过程之后自然地保留。然而，信息保留高度依赖于信息被处理的方式。该理论认为，信息被处理得越深入，赋予信息的意义越多，信息就被保留得越好，而对更肤浅细节的浅层处理往往会使信息更快地遗忘。[1] 理论上和实践中都已广泛证明，参与更有意义的任务，而不是枯燥的任务，有助于学生更好地记住学习到的信息。赋予学生自主权和选择权也有助于记忆，因为 Jacoby 等人的研究表明，让学生做出决策（尤其是困难的决策）会比让他们做出简单的决策或根本不做出决策更容易回忆起更多的任务。[1]
该理论由 Allan Paivio 提出，[17] 认为知识在长期记忆中以视觉或语言形式存在，或者两者兼而有之。一些学者和心理学家支持这一点，他们认为，当信息以图像和语言两种形式进行处理和存储时，它最容易被记住。[18] 基于该理论，在教育上的一个启示是，在学习大脑的特征和区域时，可以向学生展示人脑的图形显示以及文本信息。该理论与 Richard Mayer 的 多媒体学习认知理论[19] 有些共同基础，我们将在下一节讨论。
Richard Mayer[19] 一直在探索图像和文字的组合，发现合适的组合可以提供最有效的教学，尤其是对于年龄较大的学生。 这一理论基于三个原则： a) 双重编码理论的观点；[17] b) 工作记忆在存储图像和语言信息方面的容量非常有限，这意味着应该以优化学生工作记忆系统认知负荷的方式呈现指令，这也称为认知负荷理论；[20] 以及 c) 学习需要组织和整合信息。[21]
信息检索
[edit | edit source]激活扩散
[edit | edit source]由于长期记忆中可能存储着大量信息，因此在正确的时间检索或回忆出正确的信息有时可能很困难。 这是通过一个被称为激活扩散的过程发生的，这意味着当我们当前心中有一部分知识时，其他相关的信息也会被激活，通过我们长期记忆中相互关联的信息网络。[22] 例如，如果 Ben 在想，“如果雨现在就停了该多好啊”，这可能会引发他想知道天气预报，看看雨是否会影响他一周后的实地考察，这又会让他想起联系他的旅行伙伴，让他们在那天接他。
重建
[edit | edit source]由于某些记忆片段，例如很久以前发生的事件，可能难以回忆起来，我们的认知系统可能会利用任何我们可以记住的相关线索，并通过逻辑重建这些记忆片段，这可能会产生与实际发生的事件不完全相同但合乎逻辑和合理的记忆。[23] 例如，如果我们十年前和朋友去湖边野餐，我们可能还能回忆起这次旅行，但记不起它的目的，我们可能会说那是一次围绕湖泊的徒步旅行，这与最初的事件有一些相似之处，但并不完全相同。
遗忘
[edit | edit source]如果信息长时间不访问，我们最终可能无法检索到它。 这可能是由于衰退或干扰造成的，分别指信息信号的减弱以及其他冲突信息干扰了我们试图回忆起的记忆片段。[24] 例如，我们可能不再记得在音乐会上穿了哪件 T 恤，因为那是几年前的事了，或者如果我们认为它是一件蓝色的，但朋友最近提到它实际上是绿色的。 对此的一种神经学解释是，如果我们使用得不够，我们的大脑细胞及其之间的连接会变得薄弱，甚至会死亡。[22]
尽管存在衰退和干扰过程，但知识可以长期存储在长期记忆中，尤其是在有适当的提示和记忆信息的其他方法的情况下。[25] 这些包括前面提到的技巧，例如使用记忆技巧和阐述。
专业知识和技能的自动化
[edit | edit source]显式或陈述性知识可以通过许多过程获得和构建，例如指令、经验以及采用认知策略来记忆信息（前面已提及）。
一些学者认为，当一个人通过练习和经验在任务上变得更加熟练时，陈述性知识可以转化为程序性知识，本质上意味着显式知识的运用变得如此自动化，以至于变成了隐式技能。[22][13] 例如，当我们第一次尝试包装礼物时，我们可能会尝试阐明该过程的每个步骤，例如：找到一块适合礼物尺寸的包装纸；将包装纸包裹在礼物周围；剪掉多余的包装纸；使用胶带固定包装纸。 随着我们一遍又一遍地执行此任务，这些步骤会变得自动化，从而消除对单独考虑每个步骤的必要性。 在后面的关于 ACT-R 理论部分中可以找到关于此的更详细的示例。
长期记忆和学习：促进更高层次的编码过程
[edit | edit source]当一个人对更复杂的信息进行编码时，通常会激活更高层次的编码过程，而更高层次的编码过程通常对更高教育/学习者的目标更有帮助。[1] 教师应该尝试促进这种过程。 如前所述，学生在对要学习的信息进行更详细的编码时，往往表现得更好。 通过激活先前知识和引导同伴提问等方法，教师可以激活学生相关的图式，并为理解和提出发人深省的问题提供机会。 激活先前知识有助于为学习者准备新的学习活动：一组已知的知识可以帮助引导新的要学习的信息。[1] 为了提高记忆力，教师可以鼓励学生练习某些任务，直到他们获得自动化。[13][1] 尽可能地，教师应该让学生更多地参与到他们的学习中，以鼓励积极学习，而不是被动学习。
长期记忆的功能：评估和研究
[edit | edit source]随着时间的推移积累的记忆更有可能长期保存，但记忆的质量与数量同样重要。 质量可以指个人在体验过程中收集的感官信息，比如在电影院闻到爆米花的味道，而且质量成分之间可以存在双向关系，比如闻到爆米花的味道并想起电影，或者想到电影并想起爆米花的味道。
该领域的大多数研究集中在自我评估或个体记忆测试上，两者都具有合理的误差参数，尽管功能性磁共振成像设备已被用于无创地观察个体大脑的活动。 Anderson、Fincham、Qin 和 Stocco[26] 使用这种技术进行了一项实验，以找到程序执行、目标设定、从陈述性记忆中控制检索和图像表示构造与大脑皮层区域之间的联系。 实验结果表明，这四个区域中的每一个都照亮了成像设备上的不同皮层区域。 这些证据似乎表明大脑的不同区域处理这些不同的区域，但对该技术的批评指出，我们仍然不知道为什么会出现这种活动，以及大脑中形成了哪些连接来引起这种活动的阵列。 尽管存在局限性，但此类实验确实让我们比以前更深入地了解我们的大脑活动，并表明不同的信息如何刺激大脑的不同区域，因此我们知道它们并非始终处于活跃状态。
其他正在变化和发展中的记忆理论
[edit | edit source]网络模型
[edit | edit source]
网络模型可以比作思维导图或头脑风暴图，因为信息以类似网络的模式呈现，通常从一般信息或类别到更具体的信息或类别。这类似于一个小孩慢慢地发展出区分四条腿和毛皮的不同动物的能力，学习到狗和猫有不同的分类。网络模型是组织少量信息的一个比较简单的方法，当这些信息在主题内与其他信息相关联时。这种模型在教学中直接得到应用——“思维导图引导学生关注计划、监控和评估他们的学习过程，这有助于他们获得元认知知识，并将他们的理解迁移到解决新问题和情境中。”[27]
联结主义模型
[edit | edit source]
联结主义模型是一种“大脑隐喻”，它采用了传统用于信息处理、存储和检索模型的计算机隐喻；[1]它也被称为并行分布处理模型。[1]该模型包含基于上下文的理解概念；一个例子是在左侧有一条直线的形状，右侧有一个“3”形。在序列“12 |3 14”中，这将被视为数字十三，但在序列“A |3 C”中，它可以被读作字母“B”。正是由于联结主义模型能够适应上下文，并且能够将认知任务与物理属性相结合，它被开发出来以更好地涵盖这些动态。该理论从多方面平行地看待人类的思维过程，因为人脑能够在计算机无法想到比较或连接的时间和方式下考虑多个思维方向。如前所述，其他模型具有存储-检索方面的功能，可以恢复信息，其中信息的模式连接被存储并在需要时恢复。相反，联结主义模型理论认为模式或连接的元素被存储为它们连接的强度，以便于检索和重新连接。[28]关于此主题，Vickers 和 Lee 提出了一个重要观点：“联结主义对语义或有意义信息的解释是基于将意义视为对有限数量特征的激活，至少在输入层是如此。”[29]这意味着，如果信息具有深度而不是仅仅记忆事实，那么该理论的效果最佳。
与产生式规则相关的记忆理论
[edit | edit source]在对人类认知系统的研究中，产生式（有时也称为产生式规则）是达到特定目标或解决问题的规则。它们通常被认为是我们长期记忆中的组成部分（参见下面的认知心理学中的产生式部分）。本质上，每个产生式都可以被认为是思维过程中一个单一的指导步骤。它通常可以被表示为在特定条件下要采取的行动的说明——“条件-行动”或“如果-那么”序列。[13][30]例如，在煎鸡蛋这一总体目标中，一个产生式可以描述为
如果目标是煎鸡蛋，
并且生鸡蛋已经从蛋壳中取出，
并且平底锅已经加热到合适的温度，
那么将生鸡蛋放入平底锅中，
在这种情况下，产生式根据条件引导行动。一旦满足条件（鸡蛋已经从蛋壳中取出；平底锅已经达到合适的温度等），该规则就变得适用，并且执行操作（将鸡蛋放入平底锅中）。
关键特征
[edit | edit source]产生式的重要特征包括，如前所述，每个产生式可以被认为是一个规则或步骤，其学习可以独立于获得其他产生式进行。[13]此外，由于这种性质，当获得一项复杂和复杂的技能或认知功能/过程时，可能意味着构成该技能的整个产生式序列都已被学习——相互关联的子目标被串联起来以实现一个总体目标。[13]例如，在煎鸡蛋的例子中，在烹饪过程之前可能是另一项任务，例如找到最近的杂货店并去那里购买鸡蛋，这本身就是烹饪鸡蛋这一总体目标中的一个子目标。当然，一个过程中的产生式数量取决于其复杂程度。
另一个重要特征是产生式规则本质上是抽象的，并且可以应用于性质相似的不同任务情境。[13]例如，前面提到的煎鸡蛋的产生式也可以应用于煎蔬菜，这将涉及对平底锅是否足够热的条件以及随后将蔬菜放入平底锅中的程序的相同依赖性。
此外，产生式可以特定于某一实践领域，例如数学中的代数，或者相对普遍，例如使用吸尘器。[31]
认知心理学中的产生式
[edit | edit source]通常，在认知心理学中，陈述性知识（或陈述性记忆）与程序性知识的二分法用于区分我们每个人在长期记忆中拥有的知识、经验或技能类型。陈述性知识是指可以明确陈述或表达的观念或命题，而程序性知识只是指可以执行以实现目标的技能或行动。程序性知识通常难以用语言表达。从这个意义上说，陈述性与程序性的二分法也可以被称为显性与隐性知识或记忆。
考虑到这种背景，产生式通常属于隐性、程序性知识类别。事实上，产生式规则通常被描述为程序性知识的内容或“技能的体现”，[13]因为它们是指导行动或认知过程的个别步骤。本质上，简单来说，产生式就是关于“如何做事情”，[24]这就是程序性知识所关心的内容。
总的来说，随着练习和更多经验的积累，一项技能变得更加自动化，这意味着构成该技能的产生式会更快、更一致地触发。随着这种情况的发生，表演者对每个单独的产生式的意识会减弱，并逐渐将触发产生式的序列视为单一的流畅动作。[32]
产生式规则的证据
[edit | edit source]在论证产生式规则在心理上是真实存在的时，Anderson 断言，第一个证据是产生式规则非常适合描述正在进行的技能和认知任务的多个方面。[13]也就是说，它们提供了对任务如何执行的合乎逻辑和合理的解释。Anderson 提出的另一个重要证据是，使用产生式规则，我们能够预测一个人在执行一项技能或任务时的行为方面。[13]例如，当我们观察到平底锅变热的情况时，我们就可以预期他/她会将食物放入其中（条件动作）。
ACT-R 模型：一个基于产生式规则的认知和长期记忆模型
[edit | edit source]一个非常突出的反映了产生式规则应用的理论是适应性思维特征-理性 (ACT-R) 理论，约翰·安德森关于人类认知的理论，该理论使用产生式规则作为认知过程的基础。ACT-R 理论提出的核心论点是，一项复杂的认知技能包含大量独立的“与目标相关的知识单元”。[33]
ACT-R 的历史
[edit | edit source]该理论最初源于人类联想记忆 (HAM) 理论（该理论的创造者之一也是 John Anderson，ACT-R 理论的创造者），该理论解释了人类记忆和知识的某些方面。它涉及陈述性知识的概念，但没有涉及程序性知识。[34]
以此为基础，John Anderson 随后提出程序性知识由产生式规则组成。在对他的理论进行了一些改进后，他于 1983 年建立了最初的 ACT 理论，旨在解释广泛的认知过程。[13]
随后，在考虑了更多关于认知技能的证据和新兴数据后，Anderson 认为应该将认知过程中的理性分析元素与最初 ACT 理论的某种“机械”性质相结合，[13] 因此他创建了 ACT-R（R 代表理性）理论，[13] 他认为该理论比最初的 ACT 理论有所改进，因为它对环境的适应性和选择性更强。[30][13]
该理论最初的重点是人类记忆和认知。它最突出的应用和发展是在计算机模型辅导系统（智能辅导系统）。简而言之，这些是计算机软件，它们可以通过参考基于产生式规则的模型来指导学习者/学生进行问题解决，这些模型会生成解决此类问题的解决方案。[33] 这些计算机辅导系统主要在数学和科学等领域开发和使用。ACT-R 作为辅导系统的应用的更多细节将在另一章中讨论。
该理论有三个基本思想：a）这些知识单元的表示；b）它们的获取；c）它们在认知过程中的部署。[34] 这些将在下面讨论。
该理论的一个中心原则是在认知中既包含陈述性知识（如前所述，它是命题性的、语义性的知识）和程序性知识（它被表示为产生式规则），并且这两种知识在认知处理中紧密协作。[34]
陈述性知识被编码、存储和表示在块中，或人类记忆的单个单元，类似于模式（知识结构）。每个块包含关于主题项目的命题或描述性特征，存储在槽中，[30] 包括它所属的更大的类别。块可以用文本格式或图形格式表示。[34] 例如，关于煎鸡蛋的块可以用文本表示为：煎鸡蛋是一种烹饪技能；需要在烹饪前将鸡蛋从蛋壳中取出；需要热量。右侧是块的图形表示的可能性。
另一方面，程序性知识表示为一组产生式。[34] 如前所述，产生式可以采用相互关联的一系列子目标的形式，这些子目标旨在实现一个总目标。
两种知识之间的关系是，陈述性知识结构的块提供了产生式发生所必需的条件和行动过程。例如，为了煮鸡蛋，一个人必须拥有购买鸡蛋、从蛋壳中取出鸡蛋和准备锅子等的知识块。如果没有其中之一，程序性知识就会有差距。因此，拥有更多知识块意味着更多可用的产生式规则和更好的程序性知识。也可以认为，陈述性知识可以转化为程序性知识，这将在下一节中讨论。
陈述性知识的获取方式相当简单，要么来自对环境中的信息或想法的感知，[34] 要么直接来自指令（被告知信息）。[33] 由于陈述性知识块是为告知产生式所必需的，因此 ACT-R 理论的这一原则意味着，具备执行认知或程序性任务的知识本质上需要收集任务所需的所有单个信息块——任务是“各个部分的总和”。[34] 因此，复杂的任务需要收集许多块。
另一方面，程序性知识中产生式规则的获取稍微困难一些，也不那么直接，因为它们不能简单地被告知或阐述。本质上，它们只有在陈述性知识被部署时才会被学习。这意味着学习者在执行任务时会获得产生式规则，而不仅仅是在被告知陈述性信息时。需要重点注意的是，这种部署只能在产生式发生所需的适当环境和条件下发生。当执行任务的条件合适时，以目标为导向的认知活动就会发生，其中陈述性块会依次被付诸行动（或“执行”）。这样，就可以认为它们实际上被转换为产生式规则，以指导人的行为朝着目标前进。[33] 随着练习，这种转换过程可以在速度和准确性方面得到改进或加强。[33] 因此，提供练习和反馈的机会是促进产生式规则获取的一种非常有利的方式。[33]
这方面涉及 ACT-R 对我们的认知结构如何能够在特定任务或问题解决的环境中调用正确类型的知识的解释。这是理性分析的功能——该理论名称中的“R”部分。理性分析过程识别两个元素，以便确定要激活的心智中正确的块和产生式规则：a）这种知识在过去这种情况下取得成功的机会；b）这种知识在这种情况下可能取得成功的机会。结合这两个因素，这种选择性过程识别了知识片段在给定任务环境中适用和适用的可能性。[34]
从本质上讲，这也意味着人类认知系统会记录哪些类型的知识在哪些类型的任务中是合适的，尽管这很可能是在心智中进行的潜意识过程。因此，该理论对这方面的解释基本上描述了一个统计过程。[34]
简而言之，根据 ACT-R 理论，陈述性知识通过对周围环境中信息的感知来编码（包括学生从老师、父母和同伴等那里获得的指令）；程序性知识是通过学习在执行任务或解决问题的环境中部署这种陈述性知识（通常是许多单元依次部署）而产生的；以及在给定情况下选择正确的知识类型进行部署，取决于认知系统对知识片段有用和合适的可能性的估计。
在 ACT-R 的许多应用中，Anderson 及其同事进行的两项实验为该理论提供了重要的经验证据。这些实验研究了大学生如何计算出从起点到地图上不同中途点到最终目的地的最有效路线（宾夕法尼亚州匹兹堡市的城市地图），并考虑了成本和时间等因素。[13] 这些实验是通过监控学生在计算机屏幕上查看地图并单击他们想要移动到或通过的位置/中途点来完成的，以到达最终目的地。
然后，将受试者的发现与基于 ACT-R 理论（使用一组产生式规则）的计算机模型生成的“思维过程”和解决方案进行比较，以解决相同的导航问题。下表[13]显示了一些模型中用于确定此导航任务中路线的产生式规则示例
| [为了]组合路线 | |
|---|---|
| 如果 | 目标是从位置 1 找到到位置 2 的路线， 并且存在到位置 3 的路线，并且位置 3 更靠近位置 2， |
| 那么 | 选择到位置 3 的路线， 并从那里进一步计划。 |
| 直接路线 | |
| 如果 | 目标是从位置 1 找到到位置 2 的路线， 并且存在从位置 1 到位置 2 的路线， |
| 那么 | 选择该路线。 |
表 2. 确定导航任务中路线的产生式规则示例
ACT-R 模型的思维方式与大学生一步一步地比较 - 模型做出的每个路线选择（每个产生式）都与每个学生做出的每个选择并列（他们点击的中途点）。结果表明，ACT-R 模型的路线决策与学生的路线决策“67% 的时间相匹配”，[13]即使它们不匹配，它们也与学生的第二或第三个最佳选择相匹配，密切平行于人类受试者在认知上的行为方式。[13]
此外，另一个重要的发现是，计算机模型在做出路线选择时的延迟（所用秒数）与受试者的决策速度非常相似。即使这一发现是一个相对普遍的相关性，它也可能支持 ACT-R 理论关于人类认知系统在执行认知任务时根据产生式规则做出判断所需时间的观点（在做出决策之前考虑和评估不同的路线选择）。[13]
与 ACT-R 理论一致的最终结果是，随着实验期间（大约一周）的练习，人类受试者在优化路线规划的速度方面有所提高，这可能支持了强化产生式规则可以提高任务性能的原则。[13]
安德森指出了这种地图导航活动及其在支持 ACT-R 理论方面的证据的重要性，[13]他认为，它涉及一项现实生活中的任务，人们需要考虑成本和时间等现实因素和后果，而不是将实验建立在抽象的学术问题上，例如数学问题，这些问题与真实情况几乎没有关联。此外，找到到达目的地的不同路线这样的任务涉及不止一种解决方案，这意味着解决方案的成功程度不同，这使得它成为检验 ACT-R 模型是否忠实于人类认知系统的更现实的测试。
除了这些实验之外，对 ACT-R 理论的其他高度重要的经验支持包括对智能辅导系统 (ITS) 的研究，这在里特和他的同事等学者中得到了详细的探讨。[35]虽然不在本章的范围内，但关于计算机辅导系统的进一步讨论将在另一章中进行详细阐述。
ACT-R 理论的教学意义
[edit | edit source]基于上述理论的原则和特征，安德森等人[33]提供了一份设计辅导系统的原则清单，其中一些原则也适用于一般的教学设计，包括以下想法：a）将技能表示为一组产生式；b）阐明解决问题时的子目标（产生式）；c）针对特定问题情境提供指导，同时促进可转移的产生式规则；d）仅关注必要的产生式规则，以减少记忆负担；e）根据任务中产生式规则需要细化到何种程度，提供适当粒度的指导；f）随着学习者获得能力，适当地收回指导帮助。
您可以访问《问题解决、批判性思维和论证》一章（2.5 认知辅导员解决问题）和《学习数学》一章（4.5 认知辅导员教授代数）以获取有关认知辅导员及其有效性的更详细信息。
对 ACT-R 理论的批评和回应
[edit | edit source]由于 ACT-R 理论认为，获取或理解一项技能（或认知任务）仅仅意味着学习构成它的各个产生式，因此它面临着来自建构主义学习观点的批评，即对知识或技能的理解是由学习者自己构建的，而不是以预先指定的方式实现的。[13]
这与该理论认为学习者的答案或问题解决方案应该符合或被归类到某些产生式规则集中的观点相结合，使其对认知采取了一种行为导向的方法，[13]压制了元认知等因素。安德森等人[33]回应说，ACT-R 的方法在指导应该如何专注于将技能或任务分解为组成部分方面与行为主义方法相似，但他们认为 ACT-R 以更抽象的方式（可能在不同情境之间更具可迁移性）表示任务，而不是典型的行为方法。
此外，约翰·安德森承认，由于该理论的关键教育或教学设计含义是促进获取各个产生式规则以完成任务，因此该理论的主要重点可以被认为是学习效率。[13]不出所料，这种优先级对于那些重视学习深度或丰富程度而不是效率或速度的人来说可能显得有问题。[13]安德森的回应是，学习深度可以简单地解释为丰富陈述性和产生式（程序性）知识，这需要练习和反馈。[13]
词汇表
[edit | edit source]- 赋予意义
- 当对感知到的刺激赋予意义时
- 自动化
- 将一项技能发展到自动化的程度，使其成为一个不需要太多思考的隐式过程
- 多媒体学习的认知理论
- 梅耶的理论，基于双重编码理论，认知负荷必须在学习中得到管理，以及学习需要组织和整合信息的观点
- 概念
- 一种将心理信息分类到有意义的类别和结构中的方法；“认知的基石”
- 条件性知识
- 对不同策略以及何时以及为何使用它们的知识；“知道为什么”的知识
- 陈述性知识
- 事实性知识，例如知道首都城市和代数公式；“知道什么”的知识
- 双重编码理论
- 帕维奥的理论，即以视觉和文本格式提供信息可能会使学习受益
- 情景记忆
- 特定于每个人的个人经历的记忆
- 基本学习
- 理解要处理的信息所必需的认知需求
- 外来认知负荷
- 任何导致认知负荷超出原始认知任务的事情
- fMRI
- 功能性磁共振成像。一种神经成像技术，能够通过检测流向大脑激活区域的血流变化来监测大脑活动
- 遗忘
- 记忆无法被回忆
- 偶然加工
- 对理解要处理的信息有用的认知需求，但不完全必要
- 内在认知负荷
- 任何给定任务所需的认知负荷
- 长期记忆
- 在几天、几个月、几年和/或几十年时间内发展的记忆。一生积累的永久记忆
- 程序性知识
- 关于如何完成日常任务的知识，例如开车、滑雪或煮咖啡；“知道怎么做”的知识
- 原型
- 一个极其常见/突出的概念
- 回忆
- 当以前存储在短期或长期记忆中的信息被记住时
- 重建
- 当以前存储在短期或长期记忆中的信息在回忆时被重建，但没有完全记住时
- 参照保持
- 当一个人在同时处理其他信息时，将信息暂时保存在工作记忆中
- 复述
- 认知重复，使信息能够在短期或长期记忆中保持活跃
- 提取
- 将信息从长期记忆中转移到工作记忆中的行为
- 支架
- 一个临时支持框架，在物体（或图式）“正在构建”时提供支持，在完成并且不再需要支持时被移除
- 图式
- 帮助组织知识并指导思维、感知和注意力的认知结构
- 语义记忆
- 对一般概念和程序的非特定记忆；与特定的个人事件或经历无关
- 感觉登记
- 工作记忆中的一种认知功能，其中存储感知的输入以接收意义
- 扩散激活
- 通过回忆另一个相关想法触发的想法回忆
参考文献
[edit | edit source]- ↑ a b c d e f g h i j k l m n o p q r s t u v w x y z aa ab Bruning, R. 和 Schraw, G. (2011)。认知心理学与教学 (第 5 版)。皮尔森教育
- ↑ Khajah, M. M., Lindsey, R. V. 和 Mozer, M. C. (2014)。通过间隔复习最大限度地提高学生的记忆率：来自记忆计算模型的实用指导。认知科学主题，6(1), 157-169。doi:10.1111/tops.12077
- ↑ a b c d Bonner, M. F. 和 Grossman, M. (2012)。听觉联想皮层的灰质密度与原发性进行性失语症患者的声概念知识相关。神经科学杂志，32(23), 7986-7991。
- ↑ a b Chi, M.T.H.，de Leeuw, N.，Chiu, M. 和 La Vancher, C. (1994)。引出自我解释提高理解力。认知科学，18, 439-477。
- ↑ Bruner, J.S., Goodnow, J.J. 和 Austin, G.A. (1956)。思维研究。纽约，纽约：Wiley
- ↑ Remue, J.，De Houwer, J.，Barnes-Holmes, D.，Vanderhasselt, M. 和 De Raedt, R. (2013)。重新审视自尊：隐式关系评估程序的性能作为一种衡量抑郁症中自我与理想自我相关认知的指标。认知与情感，27(8), 1441-1449。doi:10.1080/02699931.2013.786681
- ↑ Anderson, J.R. (2005)。认知心理学及其影响 (第 6 版)。纽约：沃思
- ↑ Jui-Pi Chien. (2014)。模式作为文化的主要建模系统：非语言交流研究的前景。符号系统研究，42(1), 31-41。doi:10.12697/SSS.2014.42.1.02
- ↑ Le Grande, M. R.，Elliott, P. C.，Worcester, M. U. c.，Murphy, B. M.，Goble, A. J.，Kugathasan, V. 等人 (2012)。识别疾病认知模式及其与心脏病患者抑郁和生活质量的关联。心理学、健康与医学，17(6), 709-722。doi:10.1080/13548506.2012.661865
- ↑ Sternberg, R. J. 和 Sternberg, K. (2012)。认知心理学 (第 6 版)。贝尔蒙特，加州：沃兹沃斯。
- ↑ a b van Kesteren, Marlieke T. R.，Rijpkema, M.，Ruiter, D. J.，Morris, R. G. M. 和 Fernàndez, G. (2014)。在先验知识的基础上：模式依赖的编码过程与学业成绩相关。认知神经科学杂志，26(10), 2250-2261。doi:10.1162/jocn_a_00630
- ↑ Rumelhart, D.E. (1981)。认知的基石。在 J.T Guthrie (编) 中，理解与教学：研究综述 (第 3-26 页)。纽瓦克，特拉华州：国际阅读协会。
- ↑ a b c d e f g h i j k l m n o p q r s t u v w x y z Anderson, J. R. (1993)。心灵的规则。希尔斯代尔，新泽西州：劳伦斯·厄尔鲍姆。
- ↑ Trillingsgaard, A. (1999)。剧本模型与自闭症的关系。欧洲儿童与青少年精神病学，8(1), 45。检索自 http://search.ebscohost.com/login.aspx?direct=true&db=aph&AN=4689586&site=ehost-live
- ↑ Craik, F.I.M. (1979)。人类记忆。心理学年鉴，30, 63-102。
- ↑ Craik, F.I.M. 和 Lockhard, R.S. (1986)。CHARM 不够：关于 Eich 的线索回忆模型的评论。心理评论，93, 360-364。
- ↑ a b Paivio, A. (1986)。心理表征：双编码方法。纽约，纽约：牛津大学出版社。
- ↑ Butcher, K.R. (2006)。从带图的文本中学习：促进心理模型发展和推理生成。教育心理学杂志，98, 182-197。
- ↑ a b Mayer, R.E. (2001)。多媒体学习。纽约，纽约：剑桥大学出版社。
- ↑ van Merrienboer, J.J.G. 和 Sweller, J. (2005)。认知负荷和复杂学习：最新进展和未来方向。教育心理学评论，17, 147-177。
- ↑ Mayer, R. E. (2008)。应用学习科学：基于证据的多媒体教学设计原则。认知与教学，19, 177–213。
- ↑ a b c Anderson, J.R. (2010)。认知心理学及其影响。（第 7 版）。纽约，纽约：沃思。
- ↑ Koriat, A.，Goldsmith, M. 和 Pansky, A. (2000)。走向记忆准确性心理学，在 S.Fiske (编) 中，心理学年鉴，(第 481-537 页)。帕洛阿尔托，加州：年度评论。
- ↑ a b Woolfolk, A.，Winnie, P. H. 和 Perry, N. E. (2016)。教育心理学 (定制版)。多伦多，安大略省：皮尔森教育。
- ↑ Erdelyi, M.H. (2010)。记忆的起伏。美国心理学家，65, 623-633。
- ↑ Anderson, J.R.，Fincham, J.M.，Qin, T. 和 Stocco, A. (2008)。心灵的中心回路。认知心理学趋势，12, 136-143。
- ↑ Ismail, M. N.，Ngah, N. A. 和 Umar, I. N. (2010)。思维导图与合作学习对计算机科学学生编程能力、问题解决能力和元认知知识的影响。教育计算研究杂志，42(1), 35-61。doi:10.2190/EC.42.1.b
- ↑ McClelland, J. L. (1988)。连接主义模型和心理证据。记忆与语言杂志，27, 107-123。
- ↑ Vickers, Douglas 和 Lee, Michael D. (1997)。走向记忆的动态连接主义模型。行为与大脑科学，20, 40-41。doi:10.1017/S0140525X97460016
- ↑ a b c Anderson, J. R. 和 Matessa, M. (1997)。串行记忆的产生系统理论。心理评论，104(4), 728-748。检索自 http://www.ebscohost.com/
- ↑ Anderson, J. R. (1990)。认知心理学及其影响。纽约，纽约：弗里曼。
- ↑ Schraw, G. (2006)。在 P. A. Alexander 和 P. H. Winne (编) 中，教育心理学手册 (第 825-847 页)。马瓦，新泽西州：厄尔鲍姆。
- ↑ a b c d e f g h Anderson, J. R.，Corbett, A. T.，Koedinger, K. R. 和 Pelletier, R. (1995)。认知导师：经验教训。学习科学杂志，4(2), 167-207。检索自：http://www.jstor.org/
- ↑ a b c d e f g h i Anderson, J. R. (1996)。ACT：一种简单的复杂认知理论。美国心理学家，51(4), 355-365。检索自 http://www.ebscohost.com/
- ↑ Ritter, S.，Anderson, J. R.，Koedinger, K. R. 和 Pelletier, R. (2007)。认知导师：应用数学教育研究。心理公报与评论，14(2), 249-255。检索自 http:// link.springer.com/