中心研究理念和研究工作大图景
报告的目的
中心愿景
- 帮助老师教得更好，帮助学生学得更好
- 帮助科学家研究得更好，帮助科技管理者管理的更好从而促进科技发展
- 帮助企业做更好的管理和创新
- 随时打断我问问题
核心理念和概念
- 人类知识高速公路：相互联系的知识
- 知识的层次和高层知识生成器
- 事实性程序性知识
- 学科概念
- 学科思维等学科大图景
- 一般性人类思维（批判性思维、系联性思考）、教和学的方法（理解型学习）
核心理念和概念
- 上下联系：上层生成下层，上层来自于对下层的抽象和总结
- 左右联系：同层内知识也具有相互依赖的关系
核心理念和概念
- 理解型学习：运用了上下左右的联系来学习的过程
- 机械式学习：孤立知识点，通过重复练习来学习的过程
- 透彻联系，看到整体，对自己来说搞得明白的整体
关于“能力”和“知识”
- “能力”一般而言是“可以干某件事情了”的意思，具有干某件事情的很高的可能性
- 回到教和学，“干某件事情”指的是在某个思维的指导下用某种知识来提出和解决某个问题，甚至进而创造新的知识
- 如果我们追问，到底怎么就能够“干某件事情”了，我们就会发现，其背后往往是一个思维、一些用到知识和使用这些知识来面对问题的意愿和习惯
关于“能力”和“知识”
- 也就是说，通常说的能力是知识和问题间的联系，我们发现“干那些事情”需要
- 思维层（第三层第四层）的知识
- 学科概念层和事实性程序性的知识
- 喜欢面对挑战性问题的习惯
- 在我们的概念体系中，没有独立的能力层，能力就是知识生成器以及使用生成器面对问题的意愿和习惯
- 这也是概念地图的精神：任何联系都要找到合适的连词标出来
举个例子
- 除了死记硬背，这个问题其实可以运用“因地制宜”（环境影响人类行为）的思想来解决
- 能力，只要分解清楚为什么会具有，还是知识
高层知识生成器之学科大图景
- 典型研究对象
- 典型研究问题
- 典型思维方式
- 典型分析方法
- 和世界以及其他学科的关系
高层知识生成器之学科大图景
- 不是所有的知识都需要学习之后才能体会到学科大图景
- 一旦建立学科大图景，可以帮助学习、使用和创造知识
- 有什么方法可以获得这样的大图景吗？
- 惰性知识：孤立的，和学科大图景没有联系的知识
新教育模型
- 在人类知识高速公路上以高层知识生成器为目标的理解型学习
- 通过生成性学习建构自己的知识高速公路
- 课程专业仅仅是某个级别的涌现结构
- 每个人都学成自己的四不像
最终产品形态
- 人类知识高速公路
- 学习资源（教材、课程视频、Wiki词条、习题、项目等）链接到概念以及概念联系上
- 学习者决定学习的整体目标，算法（和专家）设计学习顺序
- 算法（和专家）随时诊断被试的学习进度
- 局部知识也运用理解型学习、创造体验式学习
为什么要实现它
- 学习是为了学会创造知识和创造性地使用知识，或者欣赏知识的创造和创造性使用
- 教是为了帮助学习者学得更好，学会学习的方法以及自学的基础（引领）
为什么要实现它
- 知识的重复性使用很快会被机器代替
- 但是，一方面需要创造型人才，一方面不断地背口诀和刷题
- 培养出来的具有大量的惰性知识的人
中心愿景
- 帮助老师教得更好，帮助学生学得更好
- 用这个教育新模型统一教育的研究和实践
- 透彻联系，看到整体
怎么实现它
- 人类知识高速公路的构建的任务和算法
- 人类知识高速公路上的学习顺序算法和断性检测算法
- 理解型学习的行为和脑活动的实验研究
- 构建最终产品，推广理解型学习
- 促进理解型学习的知识的教和学的层次之上的教育系统的研究
人类知识高速公路的构建和构建算法
- 目前手工构建，以概念地图和Wiki词条的形式
- 汉字理解型学习系统
- 英文单词基本完成
- 小学数学基本完成
- 需要从书和论文中构建概念地图的算法
- 知识层次标记
- 把习题、项目联系到知识高速公路的上
基础架构和算法
- 把教和学的问题分解成两个子问题
- 底层知识结构，用概念网络表达
- 概念网络上的算法
- 人类知识高速公路上的学习顺序算法
- 人类知识高速公路上的断性检测算法
- 顺便，把问题分解成数据（及其描述框架）和对数据的操作是非常具有一般性的研究方法
例如，汉字学习顺序算法
- 已知汉字之间的直接联系（$i$是$j$的部件）矩阵$a^{i}_{j}$
- 定义$A$的列归一化（对行求和等于1）的矩阵$\tilde{A}$
- 求解逆矩阵，其中$W$是使用频率，$\tilde{W}$是学习顺序 \begin{equation} \tilde{W}= \left(1-\tilde{A}\right)^{-1}W= W + \tilde{A}W+\tilde{A}^{2}W+\tilde{A}^{3}W + \cdots \end{equation}
- 考虑了汉字的使用频率、直接构成字的数量（度）、是否参与构成了很多层汉字
汉字研究的例子
汉字研究的例子
- 高效学习顺序，甚至个性化
- 自适应诊断性检测算法
- 甚至决定教什么学什么，而不仅仅怎么学
汉字学习顺序
- 成本-累计字数，成本-累计频率
理解型学习的实验研究
- 在选定的局部知识（高层类比、if-then推理、汉字）上，对比理解型学习和机械式学习
- 学习成本（情感负担、认知负担）
- 学习效果（迁移学习、迁移创造、成绩）
- 特征性脑活动，学习过程和运用、创造过程
理解型学习的实验研究
- 选择一定规模的知识，例如一群汉字，做理解型学习和学习顺序算法的实验室实验
- 选择某个学段的某门课，例如小学数学，做理解型学习和学习顺序算法的课堂实验
- 诊断性检测算法的实验研究
其他拓展性和辅助性研究，从知识的教和学到教育系统
- 迷思的产生、抑制和消除
- 从知道到运用的距离
- 多脑同步，教和学联合起来探索理解型教和学
- 教和学的层次标注的任务和算法
- 教师的时间都去哪里了
- 从学校教育到底学到了什么
- 促进理解型学习的教师培训和教育管理
- 最终产品平台的功能设计
新教育模型的“新”和“模型”
- 一个描述教和学主体的数学模型
- 把教和学的问题用模型的语言变成一道数学题
- 找一个方法求解这个数学题，并得到解
- 检验这个解，乃至解法
- 教和学的科学化：数学建模和检验
- 同一个模型可以用于教和学的研究和实践
- 敬请期待“人类高速公路上的理解型学习系统”
科学学三层网络框架示意图
框架：主体和联系，层
- 概念层：学科概念（可以包含事实性知识等更低层知识和学科思维等更上层知识），通过逻辑关系相连。例如定理之间的“证明”关系
- 论文层：论文，通过引用相连
- 研究层：研究者，通过学术传承关系相连
- 层间：作者-写作-论文，论文-研究（用到，提到）-概念
框架：可以用来做什么
- 把概念以及论文聚成主题、领域、学科等
- 衡量论文的创新性
- 领域鸟瞰，给研究者以及科技管理者
- 最终促进科学的发展
- 其实也可以促进较科学
新科学学模型的“新”和“模型”
- 给科学学的主体及其关系找一个数学描述
- 各种科学学的问题都可以变成这个数学模型下的数学问题
- 求解、检验，一般化为分析方法、概念甚至思维方式
- 简单来说，就是科学学数据、问题、分析方法、思维方式的数学语言
- 统一的研究框架和应用框架
举例：网络
- 数学定理，用“证明”相连，配上文章和作者，例如研究各个国家的直接和间接贡献
- 化学反应物和化学反应，彼此相连
- 疾病-特征-药物网络，配上论文和作者
- 汉字，音形义相连，原则上可以配上考据论文
- 英文单词，字源拆分
举例：分析方法
- 收集数据，建网络
- 问问题，用网络上的语言转化成数学问题
- 寻求解决问题的方法和解
- 检验，系统化、理论化
- 分析方法的核心：网络分析，综合直接和间接联系，例如学科支撑关系
服务新模型的出版
- 论文带着概念地图形式的摘要
- 研究了什么问题
- 主要结论和论据是什么
- 将来非常容易整合到学科知识网络
- 成为可供研究者使用的数据集
- 学术书籍也一样
- 学习资源出版在知识网络上
研究工作数据集
中心研究鸟瞰
小结
- 给教和学、科学研究的主体以及主体之间的关系做数学建模
- 把教和学、科学研究的问题变成模型语言下的数学问题
- 求解和检验，系统化，也就是科学化
- 同样的理念和技术，可以用于服务企业
问题时间
- 感谢您的时间，建议和意见
- 带回家的消息：携手同行，改变教育，改变科学学，让世界更美丽
- 帮助老师教得更好，学生学得更好，研究者研究得更好