E—Learning背景下基于深度學習CNN算法的“導學激趣”ACT—R模式研究

摘 要：“ACT-R”是一種類似OAR架構的網狀結構認知模式，又叫做推理思維的自適應控制模型，它能在儲存知識時按照情境的“模塊”進行組裝。模塊化方式能幫助學習者快速分析問題，增加知識的數量，評價核心問題，提升認知深度，創新問題結構，促進知識遷移。在“導學激趣”ACT-R模式上運用深度學習CNN算法，使教者苦教與受教者苦學的狀況得以改變。目前，深度學習算法運用比較成功的是CNN卷積神經網絡算法，在“導學激趣”ACT-R模式過程中引入CNN，能在激發學習者學習興趣的同時，增強學習的自信心，有助于促進學習的深入，學習者的思維也能得到啟迪，潛能得到開發，有助于學習者發展自身的個性品質。本項目基于E-Learning時代背景，從深度學習的角度出發，探索研究“導學激趣”ACT-R模式的基本思路，幫助學習者捕獲感知、行為和思想，組織生活語言情景產生智能行為，用以仿真并理解人的認知。

關鍵詞：導學激趣；深度學習；E-Learning；ACT-R模式

中圖分類號：TP18 文獻標識碼：A 文章編號：2096-4706（2018）09-0136-03

Abstract：“ACT-R”is a network structure cognitive model of SOAR architecture，also called an adaptive control model of reasoning thinking，which can be assembled according to the“module”of the situation in the storage of knowledge. Modularization can help learners to analyze problems quickly，increase the number of knowledge，evaluate the core issues，improve the depth of cognition，innovate the structure of the problem，and promote knowledge migration. In the“guided learning interesting”ACT-R mode，we use the deep learning CNN algorithm to change the state of hard teaching. At present，the CNN convolution neural network algorithm is successfully used in the depth learning algorithm. The introduction of CNN in the“guided learning interesting”ACT-R model can stimulate learners’ interest in learning，enhance their confidence in learning，and contribute to the deepening of learning. The learners’ thinking dimension can also be enlightened and potential development. It is helpful for the learners to develop their own personality traits. This project is based on the background of the E-Learning era. From the perspective of deep learning，this project explores the basic ideas of the“guided learning interesting”ACT-R model，helping the learners to capture perception，behavior and thought，and organize life language scenarios to generate intelligent behavior to simulate and understand people’s recognition.

Keywords：learning to stimulate interest；deep learning；E-Learning；ACT-R mode

0 引 言

多倫多大學機器學習領域專家Hinton教授在美國權威雜志發表了關于深度學習和深度網絡的概念等文章，從此全球開啟了深度學習算法研究的熱潮。目前，深度學習算法比較成功的應用是卷積神經網絡算法（CNN）在各科學研究領域的具體實踐。如Facebook的自動圖像標注技術，汽車自動駕駛技術，阿爾法狗（AlphaGo）人工智能機器人等。CNN在圖像分類中取得了重大突破。Hinton還提出，E-Learning網絡電子數字化時代，要挖掘深度學習內涵，對于目前知識層面仍停留在淺層階段的人們來說，深度學習能更好地揭示問題的癥結所在，有效促進學習者學習能力的提高。

1 研究意義

ACT-R是目前新教育時代背景下的創新型學習模式。它是一種自主探究型學習方式，它不僅能幫助學習者充分利用學習資源，還能充分調動學習者的學習積極性和學習主動性。

“導學激趣”ACT-R模式首先站在認知結構基礎上激發學習熱情。深度學習算法CNN的應用可以幫助學習者提升淺層知識點的學習，促進學習能力的提高。學習者在生動形象的現實場景中學習，不僅可以激發學習熱情，引起內心共鳴，還有助于理解學習內容。良好的、輕松的學習氛圍能促進學習者的心智發展。傳統學習講究的是死記硬背，填鴨式學習。若在傳統學習過程中采用“導學激趣”ACT-R模式，使學習的過程由被動化為主動、由壓抑化為積極，實現提高學習效率的目的。本項目研究的“導學激趣”ACT-R模式基于深度學習算法CNN，創設科學的學習情境，目標明確，理論與實踐相結合，重視學習者的主體地位，能夠提高學習者的學習效果。

2 國內外研究現狀

美國“教育技術白皮書”聲稱E-Learning是一種能對因特網進行教育，并提供相對應服務的過程。網絡促成了學習者終身學習的可能性。E-Learning重新詮釋了教學者的作用，重新定義了教與學之間的關系，為改變教育的本質提供了可能。

瑞典學者Marton和Saljo在研究如何采取措施來閱讀學術論文時，首次提出淺層學習和深度學習的概念。之后，John Biggs、Ramsden、Entwistle分別闡述了淺層學習和深度學習的相關理論，并總結了相關的特征。Van B.Weigel在研究遠程教育時也對深度學習進行了闡述。

著名學者R.Keith Sawyer認為，深度學習是一門跨學科，通過多種研究來認知的過程，涉及很多領域。深度學習得到了學術界和工業界的廣泛關注。主要用來研究教與學，它關注的是真實情況下學習者的學習情況。這些真實情況有學校的正式學習，也有實驗室外的非正式學習，與傳統認知學科不同，無需嚴格控制各種變量以及在實驗室得出結論才能使用，其主要目的是幫助學習者提高學習的效率以及學習的深度。Henry Markan南非科研團隊試圖通過深度學習模擬人腦完成各種實驗。李彥宏在2013年的百度年會上宣布要成立深度學習百度研究院。麻省理工大學在2013年將深度學習列為年度第一個十大突破性技術。2013年10月，臉書Facebook正在試圖通過啟用稱作深度學習的人工智能技術幫助理解它的用戶和相關數據。谷歌研究的“初弈號–AlphaGo”機器人在2016年圍棋對弈賽上，成功戰敗了世界圍棋冠軍李世石。

浙江大學肖剛教授提出在E-Learning環境下探索深度學習顯得尤為重要。中國要想在世界科技之林立于不倒之地，應該加強國家科技的創新性建設。當年，數以億記的網民隊伍急劇增長，學習者如何在紛雜的網絡環境下學得有用信息，深層學習能保障網絡學習的有效性。除此之外，深度學習對網絡學習還具有沖擊力，更能彰顯網絡學習的優勢，為網絡學習提供了可持續性。

陜西師范大學焦建利教授指出深度學習不同于其他學習，我們之前接收的教育是淺層學習，知識只是停留在表面上，學習者了解熟記即可，而深度學習是一種基于掌握理解應用的學習。學習者在學習知識時應帶著批判性精神來進行學習，在原有的認知結構中建立新的情景，納入新思想和新知識，從而幫助學習者決策問題和解決問題。深度學習改變了原有的認知結構，變革“實驗范式”和“哲學范式”的固有套路，更加關注人的價值的成長，提升知識深度。

綜上所述，基于學習者主觀能動性的建構主義學習論為深度學習可持續發展奠定了可靠的理論基礎。深度學習的主要理論基礎包括分布式認知理論、建構主義學習理論、連通主義學習理論、元認知理論、情境認知理論等。這些理論的特征和概念為深度學習提供了強有力的解釋。

3 研究內容

“導學激趣”ACT-R模式能利用計算機技術訓練學習環境的認知代理過程。通過實踐，學習者不光識記、掌握、應用淺層知識，還提高了學習興趣，增強了學習自我探究性，上升到了深度學習的層次。學習者最大限度地發揮主觀能動性，獨立思考、學以致用，學習效果也顯著的提升。項目組重建知識體系，對知識內容進行挖掘，變淺層學習為深度學習，對知識進行重組。以深度學習CNN算法為主線的知識體系和學習內容重組，構建“導學激趣”ACT-R模式。

（1）首先，學習者應該充分掌握學習知識點，提煉主要內容，在掌握應用難點的基礎上結合深度學習算法CNN，對知識的體系和內容進行重組。宏觀上來看，是以深度學習作為主線來貫穿重組后的知識體系；微觀上來看，實際上是在淺層學習基礎上融入其他學科內涵，如ACT-R架構。這些知識點的概念和方法以及應用符合新時代對人才的要求，符合可持續發展的目標知識體系和方案。

（2）其次，準確把握深度學習CNN算法的知識要點，及時更新所學內容，對知識點進行優化修正，組織學習者構建基于意義的個人學習空間，然后在此基礎上，做出內容組織的決定方案。個人學習空間的建立是一個計劃、學習、反饋的循環過程。每個人都有既定的學習目標和學習偏好，會對自己的學習進行學習投入和目標監控。學習空間的建立與完善需要學習者自我選擇學習資源和學習社群，同伴或者導師的推薦及介紹也起了相當大的作用。學習者選擇資源和社群進行學習，從不同的學習活動中獲得技能與體驗，評估內容、評估自己。

（3）最后，動態調整知識體系、不斷修正知識獲取過程，為促進“導學激趣”ACT-R模式建立而制定科學體系。在“導學激趣”ACT-R模式中運用深度學習CNN算法的有這些應用，如處理圖像分層，標注圖像、生成主題圖像、生成內容圖像，標注物體。如處理視頻，CNN能將視頻的預測和標準進行細化。如自然語言方面，CNN能生成對話，生成文本，翻譯機器。如控制人工智能機器人方面，深度學習算法還能分析更多參數。

4 研究目標

近幾年，深度學習是一個備受關注的研究領域，在機器學習中起著重要的作用。如果說淺層學習是機器學習的一次浪潮，那么深度學習作為機器學習的一個新領域，將掀起機器學習的又一次浪潮。深度學習通過建立、模擬人腦的分層結構，實現對外部輸入的數據進行從低級到高級的特征提取，從而能夠解釋外部數據。

（1）理論聯系實際，迫使傳統學習方法迎接新的挑戰。基于E-Learning背景為學習者學習的知識創設感興趣的情境。理論是總方針，堅持以理論作指導，一切研究活動的前提都是在理論的框架下進行的。每個人都應該關注深度學習的教育及其推廣，應該注重理論與實際相結合，因此必須對學習隊伍進行規劃和培養。

（2）以學習者群體為主體，重組現有學習內容知識體系。基于深度學習算法CNN，精設利于學習者的探疑情境，利用現代化“導學激趣”ACT-R模式渲染學習氣氛。深度學習不同于傳統的學習，不像傳統學習一樣能起到立竿見影的效果，它只能慢慢滲透。因此，這種重組機制對于浮躁的學習來說，等待知識的效果和時間是不容許的。因此，深度學習的實踐過程很不容易。我們應該本著以學習知識為主體的原則，充分調動自我積極性，讓自己的主觀能動性得以發揮，真正做接納知識的主人。

（3）堅持科學性原則，重新在所學知識中植入深度學習CNN算法。學習者要找準激發學習興趣的方法，善于“營”勢，強于利導。可以選取部分容易的知識點作為“導學激趣”ACT-R模式試點，運用深度學習CNN算法思想規劃和建設部分知識資源庫，堅持科學性原則，實施深度學習的學習方法，成熟后再向其他知識點遷移。這個過程必須不斷進行優化和調整，既要理論科學，又要方法科學。

5 結 論

目前來看，深度學習可以說是學習科學知識的最終目標，也是E-Learning時代需要破解的重大難題。學習者在學習理論時引入深度學習概念，同理，在實踐環節也應該全面應用深度學習。理論上仔細尋求學習者所學知識的關鍵點，充分挖掘其隱含的興趣所在，適當添加深層次知識，逐步達到訓練學習者運用深度學習算法創新思維的能力。因此，在E-Learning背景下，研究將深度學習CNN算法運用于“導學激趣”ACT-R模式顯得非常必要。

參考文獻：

[1] 王天欣，張征.基于ACT-R模型的互聯網交互模式庫設計 [J].計算機與數字工程，2014，42（6）：1095-1099+1103.

[2] 鄧渝.E-learning背景下在線學習模式在高校教學中的應用研究 [J].教育教學論壇，2018（20）：78-79.

作者簡介：黃玲（1984.10-），女，湖南岳陽人，講師，碩士。研究方向：計算機技術、圖像處理。