学习科学如何改变学习，从这三个“常识”开始
（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。
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。
只要有正确的条件，大多数学生都能进行高水平的学习。
个性化教学能带来更大的学习收益。
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。
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。
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。
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