人工智能时代的课堂教学革新
如果说教学是为了促进学生学习，那么就要在课堂上完成内化和外化的协调和循环。但是，我们知道，现在的课堂在很大程度上对学生来说是“内化课堂”，学生听讲、学生思考、学生想象、学生记忆、学生分析和综合，如此等等，完成的是心理内化工作。但是学生回答问题、开展讨论、动手操作、表现所得，这些“外化”的工作在课堂上时间不充分，尤其是远远未能覆盖全体。如果说人工智能时代课堂将发生什么变化，那么回答是将从单一的内化课堂或者内化为主逐渐过渡到内化和外化合理配置甚至外化为主。从一定意义上说，翻转课堂通过技术手段增强了预习单和导学案的功能，从而使得外化课堂为主成为可能。翻转课堂的本质不在于采用技术手段的微课或者微视频，而是借助技术实现了多少年难以见到的内化向外化翻转。人工智能时代，课堂教学从学生的内化课堂向外化课堂翻转，这可能是一个极其重要的标志。
二、了解意义学习发生的机制
关于人是如何学习的或一般的学习过程或一般的学习模式，在最近三十年的研究中取得了一些进展。例如，美国科学院关于人是如何学习的研究[2]，荷兰综合学习设计专家范梅里恩伯尔关于综合学习的研究[3]，丹麦的伊利雷斯关于互动学习模型的研究[4]，德国教学设计专家希尔斯关于模型学习的研究[5]，澳大利亚墨尔本大学哈蒂关于可视化学习（深度学习）模式的研究[6]，等等，都是值得关注的。不过，我们认为，最适宜向广大教师普及的一个学习机制发生模型是“生成学习SOI模式”[7]。这项研究是在教学设计大家加涅20世纪80年代的“信息加工模式”基础上，又经过学习科学大家梅耶20世纪90年代以来不断改造和优化，开始聚焦在信息加工方向，现在转向了意义学习、建构学习与生成学习。这样的学习发生机制不是将学习简单地看成是累积，更不是搬运或者倾倒，也不是贮存或者银行式的储蓄与支付过程，而是由学习者发自内心的自觉自愿的动机和行为构成的。
人工智能研究目前在人类学习机制的发生模式上并没有取得突破性认识。人工智能有60多年的研究历史，为什么最近10年来才异军突起，成为风口，这主要是因为我们找到了机器学习的算法。但是，机器学习的算法是不是同人类学习的算法有某种相通性呢？由于脑科学的研究目前暂时还不能完整地勾勒学习在大脑内部发生的生物神经化学传递机制，所以，由信息加工研究演化而来的有关人是如何学习的猜想可能是比较接近实际情形的一种推测。
生成学习模式的研究揭示了这样一种图景：学生入学或者上课是学习的必要条件，但不是充分条件。虽然入学了、上课了，但是学习没有发生的情况是常见的。现代学习科学的研究证明，人的学习主要是感觉记忆、工作记忆和长时记忆发挥作用的过程，其间有三个关键的心理运作，分别是选择、组织和整合。“选择”是指聚焦新知识，“组织”是指梳理新知识，“整合”是指联系新旧知识。没有选择，没有组织，没有整合，则学习将是一无所获；只有选择，没有组织，没有整合，学习仍将是一无所获；有了选择，有了组织，没有整合，学习将是机械学习或者死记硬背，至多达到简单套用的程度；或者说可以学“懂”了，但是没有学透、学深、学活。只有选择、组织和整合三个全部到位了，学习才真正发生，学习才能达到意义学习和融会贯通的状态（参见表1）。以上观点，让我们真正了解到了学习科学最重要的研究发现：学生到学校里学习，必须做好选择、组织与整合三项工作；教师到学校里教学，必须帮助学生做好这三项工作。要提高学习质量，要培养学习能力优秀的学生，最重要的工作是帮助学生将知识技能与个人的情感态度等联系起来，将客观世界与主观世界联系起来，将内化与外化形成良性循环，这就是做好“整合”的工作。是否会整合，是检验学生发展能力和后劲的一把尺子。
三、合理认识师生关系
“教学”如果从师生的复合行为来看，其体现了学与教的统一，即既包括了教师的教，也包括了学生的学。既然学习是一种内部心理结构的变化和外部行为表现的统一体，那么教学就是促成这种变化的外部条件。至于是什么样的外部条件，则有不同的看法。有的人说是安排教学活动，创设教学情境，提供教学事件，选择教学策略，如此等等，都是合理地反映了教学的一种功能。
学习是发生在学习者身上的，教学则可以发生在教师身上、媒体（教材或者视频）和学习者自身身上，发生在人工智能代理（教师）上。教学主要由教师来承担，但是教材、机器、媒体和学习者自己都能够部分乃至全部承担教学的功能。从这个意义上来理解，教师是不是在场，甚至是不是在线，都不一定是教学有没有发生的主要依据。教师不在场，教师不在线，教学也能发生。教学怎么发生？靠教材，靠视频，靠机器辅助，靠学生自主学习。所以，我们一定要强调：不是教师在课堂上不开讲，就一定没有教学了。教学其实有多种不同的形态或者“代理”，在技术推动下，机器人或者人工智能协助教学的情况将逐渐成为常态。
教师是教学的重要主体。教师的角色形象该描绘为精神的导师还是燃烧的红烛抑或是吐丝的春蚕？这些当然均是对教学功能或者教师职责的一种描绘，不过现在更多的是将教学的功能看成是促进、支持、鼓励、帮助。教师是学习的伙伴与搭档，教师是学习共同体的成员，这样一些认识显然是将教学主要看成是一种师生交往的“协同”，体现为正确引导而不是强行牵拉，是激发鼓励而不是一味硬推，是指点门径而不是包办代替。教师不再是“讲坛圣贤”而是“俯身指点”的人。在技术促进教学的过程中，教师尤其不能在展示台、操作台前和固定话筒前“驻足不前”，要大力提倡教师“走下去”，走到课堂中央与四周，走到学生身边与身后。只有这样，课堂氛围才更有利于互动，师生之间才更体现出平等。
学习与教学究竟是一种怎样的合理关系呢？是学重要还是教重要呢？是学在先还是教在先呢？这确实难以简单地笼统地下结论。一般地说，学与教处于同等重要的地位。不能说倡导“生本教育”就是将学生放在首要位置，要发挥教师与学生两个方面的积极性——“互为主客体”与“自为主客体”。这样看来，我们更愿意将师生教学中的协同关系体现为“以教定学与以学受教”和“以教促学与以学论教”的结合。教师“以教定学”并不是一厢情愿的事情，需要学生表现出愿学、爱学、乐学与会学，这样才能说做到了“以学受教”。另外，“以教促学”也不是盲目的，需要凭借学生学到了什么来作出合理判断，所以，“以学论教”就是一块试金石，我们主张“扶放有度，学教统一”。
四、教学的空间和时间发生较大变化
从时间和空间一致性变革要求方面来说，最重要的首先是大力推行“预习”的方式，将本来要在课堂上内化的大部分时间和内容转到“课外或者校外”去，只有这样教师才有可能将原来的内化课堂转型为外化课堂，让学生在课堂上有更多的机会分享、质疑、讨论、深化、展示、互助。
从空间上来说，无“围墙”学校，学校向社区开放，学校走进社区，将是一种标准化要求。这里特别要倡导引入网络、社区、家庭的各种资源，善于利用模拟——语言模拟、场景模拟、结构与功能模拟。这方面，有了移动学习、互联网和5G技术，在拓展课堂和校园上可以大展身手。学习真实地发生，教学功能的实现，不是简单地走上街头、田间、厂矿、社区就算达到了要求，而是要处理好现实任务环境和模拟任务环境之间的合理关系，区分“心理逼真度”“功能逼真度”和“物理逼真度”之间的差异。精心设计的教学任务，一开始总是心理逼真度比较高（例如阅读医学教材中的疾病案例），功能逼真度和物理逼真度也许会较低，随着学习者技能的增加再逐渐增加这两方面的逼真度。在第二阶段，学习者可以在一个功能逼真度更高的任务环境中继续操练，也就是说，这是一个有互动、对学习者的行动能作出反应的环境（例如计算机虚拟病人，或者角色扮演病人、同伴模拟病人等）。在第三阶段，学习者的层次更高，就要涉及更多的现实任务环境中的细节（人体智能模特病人，与现实的病人一样会有反应）。最后，到了第四阶段，才真正走向现实任务环境，在实际生活情境或者工作情境中完成任务（到医院里给真实病人诊断）。
在空间上来说，课堂或者教室会有一些什么样的变化呢？教室肯定不是“讲课”的地方了，教室成为学习室和辅导室，成为学生表现与探究的天地、合作与竞赛的舞台。教师的讲台将被撤下（至少扁平化处理），黑板或者白板下的台阶将抹平，师生连成一体，课堂无边界接续，课桌椅灵活摆放，按需组合，取消秧田式结构；教师走到学生中间，走到学生背后，走到学生面前，参加交流，检查操作，示范程序，讲解规则和概念，鼓励表现，督促合规，激发热诚，等等。有一点是肯定的，教师将与学生建立学习共同体。教师不再是学科权威、讲台圣贤，而是敞开心扉沟通、谆谆启发的搭档，心理发展的治疗师，成长道路的知心人。
空间的另一种布局是，学科教学将普遍采用分层教学，走班教学将是一种常态。这样，专用教室、学科教室、专题教室等个性化的教学场景将出现。不仅仅是部分学科分层教学，如果能够逐渐过渡到全部学科分层教学，那么固定的班级将会消失，取而代之的是学生导师组管理和学生合作小组自我管理。如果采用网络化、大数据和人工智能教师个性化学习辅导的结合，那么年级制将消失或者淡化，按照学习成果和表现性成就进入到下一学习阶段，而不是刻板的熬到了固定的时间升入高一年级。
跨学科教学（Interdisciplinary/Cross-Curricular
Teaching）作为一种特殊的教学形态，将是课堂教学改革的一大趋势。所谓跨学科，就是在不同程度上跨越了原有学科（subjectsordisciplines）的边界的一种形态，具体来说，在单学科独立型基础上，有多学科联系型、跨学科整合型和超学科融入型等具体形态，分别实现交叉、整合和融入。跨学科教学有什么好处呢？将突破教学中知识零散片段和刻板僵化的不足，实现高层次教学目标，如批判性思维、推理和决策能力、问题解决能力、协同合作能力和沟通交流能力，还有利于培养系统思维、设计思维、工程思维、技术思维、科学思维、形象思维、视觉思维、艺术思维、数据/数字思维等新的思维能力。
在时间上，将重点改革固定40分钟的排课法，将长短课结合起来。例如，常规课30分钟，短课20分钟，长课分成模块叠加成60分钟或90分钟等，有了计算机排课，日课表和周课表、月课表就不再是一种空想了。还有，在学年和学期上也会有一定的变化。统一时间到校或者上课、放学回家等就不再是一定不能更改的定规。
五、课程内容将实现翻转
在学习任务的类别上，要重视“为什么”的知识的内化和外化，在动力、策略和原理上下功夫。“核心素养”（一般意义上的关键能力）和“学科核心素养”（各学科具体的关键能力）几乎都是“为什么”的知识。要将事实性知识的教学升格为“概念性知识和规则性知识”的教学，只有这样才能真正实现学习迁移。
不仅是课堂教学方式的时间与空间实现翻转或者异步，课程内容体系（教什么）也必须翻转。美国课程再设计中心的专家提出了翻转后的课程内容将更多的时间放在理解、专长、迁移方面（参见图1）。靠搜索和人工智能算法能够解决的内容，将逐渐退出课程的主阵地。在一个数字世界和人工智能赋能的世界中，数字素养和信息传播与技术能力被提到了重要地位，计算思维、工程思维、设计思维、技术思维、科学思维、系统思维等整体性、策略性素养被提上了日程。
学习科学与教学科学研究的一个重要趋向是将学习任务划分为不同的知识类别。这里的知识的概念是广义的，涉及自然界和人类社会的各种事实、概念、程序、规则、步骤、方法和策略、动力和原理等一项或几项。假定我们暂时不考虑年龄、学科、专业的差异，那么，一般而言，这些知识可分为陈述性、程序性、原理性、策略性、动力性等几种。其中，“是什么”的知识主要对应的是事实和概念，“如何做”的知识主要对应的是程序、规则、步骤，“为什么”的知识主要对应的是策略、动力和原理（如表2所示）。
有关学习科学的研究表明：应该遵循从“为什么”的知识开始（策略与动力），然后进入“是什么”的知识的学习（事实与概念），再进入“如何做”的知识的学习（程序、规则、步骤），最后再回到“为什么”的知识的学习（策略、动力、原理）。学习过程就是这样一个循环圈，螺旋上升，持续提升。如果借用学习培训专家麦卡锡的“学习流程”加以标示，就是由四个象限组成的循环圈（参见图2）。这里的“该怎样”是指假如到了实际应用的时候，要考虑具体情境的需要能够有所变通和取舍，这是属于“为什么”的知识。总体上说，我们现在的学习与教学上半圆做得很不够，下半圆做得相对好些。右上扇形教师会做但是往往省略了，经常将社会的价值或者教师的价值直接代替学生的价值；左上扇形教师做得很少，因为不怎么会做。改进左上扇形是我们从教教材走向教能力、从考教材走向考水平的关键。
六、扶放有度地开展教学
从创设有利学习的条件角度来看，教学科学研究最重要的一个成就是依据不同的知识类型（学习目标）来开展针对性的教学，同时也倡导在教学过程中应依据不同学习任务类型，扶放有度地为学生提供指导，培养学生的自我调节、自主发展能力。
当代国际著名教学设计专家梅里尔教授积累了50年的研究总结出的“首要教学原理”，应该看成是教学科学与学习科学中的高新技术。他倡导的有关不同知识类型（这是能力或者素养，也就是我们通过教学要达到的学习结果）与四种基本的教学方式之间的对应关系（如表3所示），恐怕是最重要的教学研究成果之一。
不仅是教学方法可以从扶到放，教学任务也是可以从扶到放的。扶的力度最大的是案例学习任务，扶的力度最小的是常见（独立）学习任务。中间半扶半放的是补全学习任务（如表4所示）。
另外，从教学科学的视角看，有效教学方法最佳的组合是归纳与演绎、讲解与探究（发现）的二维矩阵组合。综合学习设计倡导者范梅里恩伯尔将这个二维矩阵进行组合，这样就出现了四种情况：（1）演绎-讲解；（2）演绎-探究；（3）归纳-讲解；（4）归纳-探究。从扶到放，最容易的是演绎-讲解，教师全扶；最难的是归纳-探究，教师全放。演绎-探究和归纳-讲解都属于半扶半放，区别是扶多一点还是放多一点。归纳-探究表示的是完全探究发现的学习，等同于像科学家那样思考和工作，差别在于学生探究发现的是人类已经发现的东西，科学家则是在探究发现人类未知的领域（如图3所示，图中的L条形表示概念、规则或者原理，圆圈表示实例。箭头表示直接告知，问号表示不直接告知）。学习科学研究认为在一般的课堂教学中，建议优先采用的教学方法是归纳-讲解。
从学习投入或者参与的方式上看，学习科学的研究已经证实：被动学习—主动学习—建构学习—交互学习是一个进化链，交互学习的效果最好，有利于培养深层次的能力与素养。如果说季清华获得2015年美国心理学会颁发的桑代克教育心理学职业成就奖和美国教育学会2016年颁发的心理学对教育的贡献奖的代表性成果“ICAP学习方式分类学”带给我们什么启示的话，那么其证实了这样一个假设：参与就是能力！参与程度或者投入程度越大，学习层级就越高，学习深度就越深，学习能力就越强大[12]。另外，根据我们的分析，ICAP四种学习方式，交互方式(Interactive)、建构方式(Constructive)、主动方式(Active)与被动方式(Passive)，与人工智能神经网络设计元素之间能够建立起一种关联，在人类学习与机器学习之间可以建立某种对应参照关系，为人工智能神经网络设计研究和人类学习机制研究提供一个新思路[13]。
七、学业评估注重学习迁移
目前学习科学与教学科学强调的是依据学习目标到达度开展评估，同时开展形成性评估和自我评估。这里的重点是考虑知识类型（明确学习任务类型）与学习结果水平之间的关系。
目前，国际上公认的学习目标分类学是安德森主持的布卢姆认知目标分类学修订版（当然，还有SOLO分类，即可观察学习结果；KUD分类，即知道、理解和会做；马扎诺分类；等等）。这个分类学修订版将知识分为事实性知识、概念性知识、程序性知识与元认知知识（包括策略知识、任务知识和自我知识），将认知水平分为记忆、理解、应用、分析、评价与创造六个水平，每一个水平还有若干具体的层次[14]。不过，上文四种知识和六种水平构成的矩阵目标，教师在实际运用中会感到一定的不便和困难。所以，我们建议，可以采用了解、理解和应用（基本应用和综合应用）三个水平，同时将学习任务类型与掌握水平匹配构成一个矩阵表（参见表5），用以指导备课和上课。
了解（knowing）——学生知道某一知识“是什么”（事实与概念）、“如何做”（程序、规则、步骤）和“为什么”（策略、动力、原理），知识呈现的方式可以是口头的、文本的、动作的，包括文字、符号、图示等。
理解（understanding）——学生对已了解的知识能独立确定其意义，具体分为解释、举例、分类、总结、推断、比较与说明（论证）等。
应用（doingorapplying）——学生能根据具体情况（即知道在什么条件下）运用已理解的知识解决相同情境或变式情境中的特定问题。应用水平具体可以分为基本应用和综合应用，其中包括了执行、实施、评价、创造等。
从考试和检查的角度看，我们无疑也是相对来说重视“是什么”的知识和“如何做”的知识，对“为什么”的知识重视远远不够，像对策略、原理和动力性知识的考查我们做得比较少，尤其在闭卷考试为主的情况下，我们将很多力气花在了记忆背诵等方面。根据现代学习科学的研究，知识的考查有两种类型：一种是保持，一种是迁移。保持测验的目标是记忆教材，迁移测验的目标是理解与掌握，学会在新的情境中评价和使用所学知识。从考试考查题目的顺序方面来讲，一般要呈现“是什么”的知识放在前面，“如何做”的知识居中，“为什么”的知识放在后面，这样一个梯度。
根据现在学习科学的研究，传统的书面考试考查的题目难以检测出高层次的素养或者能力，所以，是非题、判断题、选择题、术语释义、观点或者解决方案论述比较适合“是什么”的知识。“如何做”的知识聚焦于了解和理解。“为什么”的知识比较适合的题型可能是开放题、综合情境题、真实/模拟任务题等，主要检查材料分析与综合，观点或者解决方案比较、评价与择优，案例分析与评判，创造性计划与实施方案等方面的素养。
参考文献：
[2]NATIONALRESEARCHCOUNCIL.HowPeopleLearn:Brain,Mind,Experience,andSchool:ExpandedEdition[M].WashingtonDC:TheNationalAcademiesPress,2000:14-18.
[3]范梅里恩伯尔.人如何学习？[J].开放教育研究.2016，22(3)：13-23，43.
[4]ILLERISK.TowardsaContemporaryandComprehensiveTheoryofLearning[J].InternationalJournalofLifelongEducation.2003,22(4):396–406.
[5]IFENTHALERD,PIRNAY-DUMMERPN,SPECTORJM.UnderstandingModelsforLearningandInstruction:EssaysinHonorofNorbertM.Seel[M].NewYork:Springer,2008.
[6]HATTIEJAC,DONOGHUEGM.LearningStrategies:ASynthesisandConceptualModel[J].npjScienceofLearning.2016,1(1):1-14.
[7]费奥雷拉，梅耶.学习是一种生成活动[J].数字教育，2016，2(2)：85-92.
[8]FADELC.FlippingtheCurriculum[EB/OL].[2020-10-05].https://curriculumredesign.org/wp-content/uploads/Flipping-the-Curriculum-Charles-Fadel.png.
[9]麦卡锡B，麦卡锡D.自然学习设计[M].陈彩虹，盛群力，译.福州：福建教育出版社，2013.
[10]梅里尔.首要教学原理[M].盛群力，钟丽佳，等，译.福州：福建教育出版社，2016.
[11]VANMERRIËNBOERJJG,KIRSCHNERPA.TenStepstoComplexLearning:ASystematicApproachtoFour-componentInstructionalDesign(3rdEd.)[M].NewYork:Taylor&Francis,2018:157.
[12]盛群力，丁旭，滕梅芳.参与就是能力：ICAP学习方式分类学研究述要与价值分析[J].开放教育研究.2017，23(2)：46-54.
[13]熊媛，王铭军，盛群力.教育心理学研究对人工智能神经网络设计的启示：以学习方式分类学（ICAP）研究为例[J].中国电化教育，2018(11)：118-125.
[14]盛群力，褚献华.布卢姆认知目标分类修订的二维框架[J].课程.教材.教法.2004(9)：90-96.
作者简介：
盛群力（1957— ），上海崇明人，浙江大学教育学院课程与学习科学系教授、博士生导师，研究方向为教学理论与设计；
倪鉴（1975— ），浙江萧山人，杭州市萧山信息港小学、浙江大学教育学院实验学校校长、高级教师，研究方向为学校管理。返回搜狐，查看更多
物联网、大数据、人工智能之间的关系，通俗的理解！
目前最火的物联网、大数据、人工智能之间到底有没有关系呢？回答是肯定的，而且关系非常紧密，现最通俗的讲下：
1、物联网——基础中的基础
物联网，万物互联的结果，就是人和物、物和物之间产生通信和交互。想象下，相当于一个物品也有了一部手机（芯片），可以给出频率、方位、轨迹、习惯。这些通信和交互，跟人类一样，最终都以数据的形式呈现。
而数据就可以被存储、建模、分析。人的数据被采集，物的数据被采集，人与人、人与物、物与物各自的数据和相互之间的数据，随时间的推移，都被记录采集了下来，OK，这些海量数据，怎么办？当然交给大数据分析和计算了！所以说，物联网是给大数据打基础。
2、大数据——基于物联网的应用，人工智能的基础
大数据的数据从何而来，就是物联网提供的。以前是人人互联、人机互联，现在是万物互联，其数据更加庞大，因此而带来的大数据结果，将更加丰富和精确。这里也能看出，大数据就是物联网的最佳应用。
也因·大数据，物联网的价值被更大的发挥。那么，大数据是做什么用的呢？对头，是为人工智能准备的。起初，大数据为人类决策（人类的大脑，也就是BI）提供支持，最终大数据将支撑机器人的大脑。
3、人工智能——大数据的最理想应用，反哺物联网
OK，人工智能来了，很好奇人工智能的智力从何而来？其实，就是来自于大数据。小数据可被人类大脑计算使用，但是，当海量超海量数据被分析挖掘应用于人工智能的时候，将呈现出几何增长的速度和精准，且几乎无失误。一个语音机器人，可以在被使用过程中收集的数据调教，越来越聪明、越来幽默，无外乎数据的量级增长的效能。
超量数据，让机器人能获知包含甚至超出人范畴的行为习惯，运行规律，甚至能分析出人类及万物的下一步进化和发展。大量的数据，能让机器人的判断能力更加精准，失误几乎消失，阿尔法狗不就是大量数据+计算分析的最佳例证嘛。在记忆和运算方面，当前机器已经远远摔人类在后，接下来，只要给机器人足够的数据，会发生什么？……，不敢想象！
写在最后：人工智能，有无穷的空间和时间可以想象和发挥。可以想象得到，有一天，机器人会嫌弃人类进步太慢，将代替人类让万物互联更加彻底，数据更加海量海量，运算更加快速敏捷，分析模型更加智能智慧。随之而来的，就是机器人更加智能、速度敏捷、几乎零失误、几乎零误差，那是时代，极有可能的场景——人类成为机器人的仆人或宠物！！！
总结：三者的关系就是，物联网支撑大数据，大数据支撑人工智能。最终人工智能会辅助物联网更加发达，形成一个恐怖的循环。