查看原文
其他

学习科学如何改变学习,从这三个“常识”开始

2016-06-14 洛克 芥末堆看教育


(图片来源:pixabay)


芥末堆 洛克 2016年6月14日编译


为了给学生带来一个更光明的未来,我们必须要理解并应用学习科学(Learning Science)。作为一个数据科学家和教育科技产品的研发者,我认为我们的工作不是发明一个又一个闪闪发亮的电子设备,而是基于论证和经验去研究如何提高学生的学习成果。那就得从理解目前的学习科学研究入手,而在我多年的研究经历中,有三点最重要。


个性化教学能带来更大的学习收益


本杰明·布鲁姆因“布鲁姆分类法”而闻名,他是美国最优秀的教育心理学家之一。在1984年,他写了一篇原创性的论文,学习科学界称之为“2 sigma problem”(注:Sigma,标准差)。布鲁姆的研究团队比较了学生在三种不同的教学条件下的学习情况。


  • 常规式。学生在标准的传统课堂上学习知识,周期性地参加测试,检验他们是否掌握了这些知识。


  • 掌握式学习(又叫精熟学习)。在掌握式学习中,学习材料与常规式学习是一样的。然而,学生必须展现出自己已经掌握了这一阶段的知识,才能开始下个阶段。而且,考试也被连续的反馈和纠错式的评估所取代。在掌握式学习中,教学的重点从总结性评估(考试)转变为形成性评估(反馈)。


  • 一对一辅导。每个学生都配备一位个人学习教练。学生除了享受掌握式学习的所有好处之外,还可以得到一位专业助教的帮助。




哪种模式的效果最好?把常规的教学模式作为基线,在掌握式学习的条件下,学生的表现提升了一个标准差。而接受一对一辅导的学生,有两个标准差的提升。


一个标准差大概就是一个等级的提升(例如从B等提升到A等)。这可能意味着一个学生从不及格变成及格,而这是大多数教育方法都做不到的。两个标准差的提升则意义更大。


在布鲁姆的研究中,还有另一个微妙的、常常被忽略的方面。通过掌握式学习和助教辅导来进行个性化教学,不仅仅提高了学生成绩的平均值,还降低了成绩的标准差。这意味着,在成绩分数的分布中,分数低的学生能渐渐赶上分数高的学生。


从布鲁姆的研究中,我们能得出几个重要的结论。


  1. 只要有正确的条件,大多数学生都能进行高水平的学习。

  2. 个性化教学能带来更大的学习收益。

  3. 个性化教学能缩小高水平学习者和低水平学习者之间的差距。

  4. 目前还没有一个可扩展的学习系统和解决方案,能给学习收益带来一个或以上标准差的提升。


一万小时定律:刻意练习的重要性


作为一个研究专家的专家,瑞典心理学家K.安德斯·爱立信的“刻意练习”框架,为我们理解学习和技能发展的核心要素,提供了统一的原则。爱立信的研究有一个基本原理,就是你必须投入时间,没有任何捷径可走。不管你有多少天赋,就算你是迈克尔·乔丹,为了保持自己的一流水平,也必须花费10年,也就是大约1万小时的时间,不断地练习。


我们常常以为运动员是“天生奇才”。要成为精英必须有天赋,这没错。但乔丹不是从妈妈的肚子里一出来就能扣篮,就能滞空转身带球上篮。乔丹也要通过不停地练习来打磨自己的球技。他能超过其他运动员,是因为他的职业原则:比大多数竞争对手练习得更苦、更久。


一些研究员在技能发展所需的具体练习时间上不同意爱立信的结论。借鉴自爱立信的工作,另一位杰出的心理学家和麦克阿瑟研究员,安吉拉·达克沃斯提炼出了刻意练习的四个主要特点。


  • 目的性练习。为了达到最佳的技能发展效果,我们不要随意练习。练习必须具有一个非常具体的目的。它需要在当下的技能发展水平和下一个目标水平之间进行适当匹配。


  • 挑战有难度的技能。只有当我们做那些超出我们已有技能水平的事情时,我们才能学到什么新东西。学习者需要坚持在这个区域中,只有长时间挑战有难度的任务,克服自己懒惰的天性,才能发展我们的技能。


  • 立即反馈。在大多数情况下,学习表现与反馈之间的时间太长了。这是因为教师的时间和资源有限。刻意练习要求表现与反馈之间的间隔趋近于零。


  • 重复直至自动化。对于任何新技能来说,除非你能重复练习这一技能,直至你能自动化地,不需要意识努力地完成它,否则你就不能说自己真正掌握了这一新技能。


助推分析


一系列研究表明,我们人类都是糟糕的决策者。哪怕正确的信息和“洞见”都摆在我们的面前,我们仍然会做出糟糕的选择。


这些糟糕的决策并非仅仅是不理性的,它们是可以预测的系统性错误。尽管我们都知道,适当的营养和锻炼能让我们保持健康,但为什么我们当中仍有很多人超重呢?为什么营养学和运动的知识对我们大多数人都无效呢?是意志力的原因吗?


我们能从行为经济学中学到一些东西。这个领域的研究显示,我们的行为是可以预测的非理性。在不同的背景下,一些看似不重要的小细节会让我们改变自身的行为。


行为经济学著作《助推:事关健康、财富与快乐的最佳选择》中讲过一个故事,一般男人在小便时不会刻意对准便池,阿姆斯特丹的史基浦机场在每个小便池里都画上了黑色的苍蝇。因为他们预测,如果一个男人看到了这个黑色的苍蝇,他就会瞄准它。结果是,史基浦机场带有苍蝇画的小便池减少了80%的某物溢出。


数据科学研究的目标之一是,通过经验研究,发现那些能让知识变得更具实践性的“助推”。我们可以把“助推”看作一个很小但是很重要的动机性推动,它能把知识变为行动。数据科学能帮我们发现这些可能的“助推”,并验证它们的有效性。


通过研究机器和人类智能的结合,个性化学习能显著地推进学习效率。但我们同样也要理解人类的动机、耐性和非理性特征,从而做出更好的应对之策。


注:本文编译自EdSurge,原作者Alfred Essa,R&D的副总裁和McGraw-Hill教育集团的分析员。



本文编译:洛克 芥末堆 实习编辑
喜欢学术,对互联网和教育也有兴趣 



编译:芥末堆-洛克

© jiemodui.com

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存