意義學習分類學

戴維·H·喬納森

摘 要：綜合十年的研究，作者描述了意義學習的一種分類辦法。最有意義的學習結果是解決問題。在這種分類法中，四種不同的問題解決按層次方式排列。解決問題的先決條件是兩種基本的推理技能——類比推理和因果推理，這是解決所有問題的基礎。這些推理的形式要求運用概念，以及由概念和關系組成的低階命題和高階命題。解決問題的教學應該是讓學習者解決問題，對結構相似的問題進行類比式比較，對問題空間中包含的因果關系（高階命題）進行分析。

關鍵詞：意義學習;分類學;問題解決;學習遷移

中圖分類號：G434文獻標志碼：A文章編號：2096-0069（2021）03-0087-06

收稿日期：2020-03-03

基金項目：國家自然科學基金面上項目“基于智能教學系統的精準教學模式與發生機制研究”（61977057）

作者/譯者簡介：戴維 H.喬納森（1947—2012），已故國際頂尖教育技術學家。曾是密蘇里-哥倫比亞大學信息科學與學習技術學院杰出的教育學教授，著述等身，貢獻卓著，影響深遠，主要研究建構主義學習設計，聚焦高階能力;盛群力（1957— ），男，上海崇明人，浙江大學教育學院教授、博士生導師，研究方向為教學理論與設計。

文獻來源：Jonassen， D. H. A Taxonomy of Meaningful Learning. Source： Educational Technology， Sept.-Oct.2007， Vol.47， No.5， pp.30-35.

分類學是用來組織和描述實體的相關系統的分類方式。最廣為人知的分類學是將生物分為界、門、綱、目、科、屬和種。在學習領域，分類法是由布盧姆等人[1]在1956年提出的，他們闡述了學習結果的分類學，以描述評估項目的目標。他們對學習結果的分類（知識、理解、應用、分析、綜合和評價）本質上是一種層級結構，這意味著在層級結構越上位的實體承續了層級結構越下位的實體的特征。在學習結果的分類中，承續反映了每個學習結果的先決條件。也就是說，分類學中較高級的學習結果假設分類學中較低級的學習結果是先決條件（例如，學習者不能應用之前沒有理解過的知識）。

在教學設計領域，已經創建了許多分類學來描述學習結果[2][3][4][5]。這些分類的主要目的是為合理排序教學提供規則。如果我們認為一種技能是另一種技能的先決條件，那么就應該按照這樣的順序來開展教學。雖然這些分類學極大地促進了教學設計領域的發展，但也有其局限性。第一，它們考察的是微觀層面的學習結果，因此對于描述復雜的、多方面的學習結果是無效的。第二，它們沒有提供一個有意義的學習目的。這些分類描述的教學處方不一定與各種有意義的學習結果有關。有意義的學習是真實的、有目的的、有意的，并不能總是由教師或教學設計者事先規定好。第三，這些分類學并沒有提供每個學習結果所要求的推理性質的具體說明。例如，加涅[6]描述了規則學習結果，其中概念是先決條件。然而，規則學習卻無法解釋前提概念之間命題關系的性質。第四，它們只把學習結果之間的等級關系規定為先決條件。在真實的語境中，當學習者開始理解發展高階技能所必需的概念之間的關系時，就會理解所謂的先決觀念往往與高階技能同時發生。也就是說，學習結果通常是相輔相成的，某些概念的意義是在完成高階學習任務的背景下掌握的。

在本文中，我提出一個新的分類學——意義學習分類學。這個分類學描述意義學習所必需的技能。意義學習是有意的（目標導向的和調控的）、主動的（動手動腦的和可觀察的）、建構的（表現的和反思的）和真實的（復雜的和情境化的）[7]。這種意義學習的分類學（如圖1所示，并在本文中進行了詳細說明）假設解決問題是最有意義的學習目標狀態。學會解決問題需要分類學中兩種共同必需的推理技能——類比推理和因果推理，將各種概念和圖式整合成解決問題所必需的命題。我并不是說這種分類學是描述所有學習結果唯一的或者必然是最好的方法。相反，這種分類法是將我過去十年的研究綜合為“一種意義學習模式”（a model of meaningful learning）的嘗試。

一、問題解決

從過去十年的研究中，我得出結論：最有意義的學習結果是解決問題。這種說法是基于大量研究充分的證據。第一，解決問題是真實的。在日常生活和工作中，人們不斷地解決問題。與其他學習分類法中描述的結構良好的問題，如加涅的高級規則學習[8]相對照，真實的問題往往是結構不良的。卡爾.波普爾曾經聲稱“所有的生活都是解決問題”[9]。第二，解決問題為學習提供了目的。沒有學習的意圖，意義學習很少發生。當學習者試圖解決一個問題時，有必要構建并檢測問題發生時概念系統的心理模型。第三，幾乎所有關于情境學習的研究都表明，在以基于項目和以基于問題的學習環境中，在解決問題的背景下構建的知識更有意義。也就是說，這樣的知識更有包容性、更容易保持和更可能遷移。第四，在解決問題時形成的知識本體論地位高于傳統的課程。在解決問題的過程中建立起來的知識才具有認識論和現象學（epistemological and phenomenological）的價值，這是更有意義的知識形式[10]。第五，數十年的研究表明，基于問題的學習可以提高記憶力、推理能力和終身學習能力[11]。

正如前面提到的，問題在結構化方面是不同的（從結構良好到結構不良），問題的復雜性、動態性和場景性也各不相同。基于這些特征，喬納森[12]闡述了一種問題類型學（a typology of problems），包括算法問題、故事問題（應用題）、規則使用/規則歸納問題、決策問題、故障/排除問題、診斷/解決問題、策略執行問題、政策分析問題、規劃問題、設計問題和困境。盡管問題的類型并不是為了暗示分類關系，但是圖1還是可以推測某些類型問題之間存在著分類關系。具體地說，政策分析、診斷/解決和規劃問題都需要各種形式的決策;設計問題需要政策分析、診斷和規劃等解決問題的能力。有些問題只需要做決定（例如，什么樣的保險政策對我來說最好），而另外一些通常更復雜的問題，如設計和規劃問題，需要迭代的決策周期。由于問題解決的復雜性，傳統的學習分類法無法解釋解決復雜問題所必需的概念整合和高階推理過程。

我認為，這些不同類型的問題解決有兩個分類的必要條件（不一定是先決條件）——類比推理和因果推理，它們集成了各種概念（圖式）作為必要條件。類比推理要求學習者從一個或多個問題中歸納出一個問題圖式，并將其推廣到其他問題中。生成問題圖式是新手解決問題的缺失環節[13]。這些問題圖式必須包括問題的結構屬性，這需要理解問題元素之間的因果關系。這些結構屬性幾乎完全由因果關系來定義。構建問題的因果表征是發展問題空間的概念模型的必要條件[14]，這是解決問題的基礎。

類比推理和因果推理將概念相互聯系起來，這些概念就成為類比推理和因果推理的先決條件關系或者同步關系。然而，我對概念的假設與以往分類學中隱含的傳統的概念觀點有很大的不同。概率論/原型論和范例論迎合了一些概念固有的模糊性。我的假設是，概念只能被完全理解為一個“概念轉變”的過程、概念框架的重組，以及對正在使用的概念模式的評估[15]。下面我將簡要介紹這些概念的作用和每種推理技能，以及它們與解決問題的關系，然后再介紹類比推理和因果推理，最后討論它們如何支持解決問題。

二、運用概念

運用概念是心理表征現象。運用概念是產生意義和開展交流的基礎，在人類的推理中起著重要作用。運用概念包括分類、學習、記憶、演繹推理、解釋、問題解決、概括、類比推理、語言理解和語言加工[16]。傳統的學習處方是根據概念所描述的類別中所有成員的歸因相似性來描述概念的名字。也就是說，任何概念的例子都是彼此相似的，因為它們共享基本特征、性能或屬性。理解一個概念意味著能夠正確地對任何概念的新實例進行分類。概念學習是一種離散的學習結果，它與其他學習相關聯，是學習的前提。先決關系的性質從來沒有予以明確。

人自然會建立個人理論或模型來解釋世界。通過經驗和反思，人構建概念，并在學習的過程中加入理論。概念是人類思想和行為的基礎[17]。適應和重構這些理論的認知過程是“概念轉變”[18]。當學習者改變對所使用概念的理解以及概念框架內的組織方式時，概念轉變就發生了。我之前曾提出[19][20]，與其將概念視為離散的學習結果，設計師應該檢查使用中的概念，因為孤立學習的概念缺乏凝聚力，因此在思想構建過程中用處不大。用命題網絡中的謂詞來描述正在使用的概念之間的動態關系。概念由屬性正式描述，屬性有一個論證的謂詞。運用概念形成概念之間的關系，這些概念是接受兩個或多個論證的謂詞。概念是關系的構建模塊;關系是解決問題所需的心智模型的構建模塊。在本文中，我認為這些關系的兩種必備的推理形式是類比推理和因果推理。

三、類比推理

為解決問題，學習者必須歸納或建構高階問題圖式（又名腳本、問題空間），其中包括命題網絡。學習者需要從解決示例中歸納（建構）問題圖式，將圖式存儲在記憶中，然后在解決問題時進行類比遷移[21]。在幫助學生學習解決問題時，一個主要的挑戰是讓他們根據問題的結構成分（即高階命題）來歸納圖式。我稍后會解釋，幫助學習者解決問題的高階命題（有兩個或兩個以上論據的命題）是因果命題。不幸的是，學習者往往會根據被解決問題的對象或屬性的相似性，特別是故事線和對象的對應關系來引出問題圖式[22][23]。這些屬性只是帶論證的命題。當面對一個新問題時，他們會嘗試應用問題圖式，這個問題圖式是基于對問題的表面屬性進行類比，而不是對其結構特征進行類比。結構特征即使不是唯一的，很大程度上也是一種因果關系。當學生學會根據示例中共享的結構關系對問題圖式進行類比時，就會改善遷移[24][25]。為了在學習解決問題的同時促進圖式歸納，最成功的方法是類比編碼，在這個過程中，學習者在遷移之前明確地比較成對問題的結構特征[26]。

另一種學習解決問題的方法是類比新問題和以前解決的問題，不是試圖歸納出問題圖式，而是基于案例推理的示例。根據案例推理，問題解決包括從記憶中或從標注問題案例的索引庫中檢索最近的案例，然后重用或調整它來適應一個新問題。當遇到新問題時，大多數人都會嘗試從記憶中檢索以前解決的問題的案例，以便重用舊的案例。如果前一個案例中建議的解決方案不管用，那么必須修改舊的案例[27]。當任何一個解決方案得到確認時，所學習的案例將保留以供以后使用。案例推理是基于一種記憶理論，在這種理論中，情景或經驗記憶以腳本的形式出現[28]或故事編碼在記憶中，并在需要時檢索和重用[29][30]。

人們通過嘗試解決問題來學會解決問題。在解決新問題時，學習者會很自然地將這些問題與他們已經解決的問題進行比較，這個過程需要在問題之間進行不同種類的類比推理。對于學習解決問題來說，學習者試圖歸納問題圖式進行類比推理是必不可少的。雖然還沒有嘗試過將圖式歸納法和基于案例的推理方法進行直接比較，但通常使用圖式歸納法來支持學會解決結構良好的問題;基于案例的推理則通常用于學會解決結構不良的問題。

四、因果推理

如前所述，當學習者生成圖式，在結構上彼此匹配時，問題解決遷移就會得到改善。結構匹配要求在問題示例中對高階命題進行類比。對于問題來說，最完整的命題都是有因果關系的。因此，正如圖1所示，與解決問題相輔相成的另一種推理是因果推理。

因果推理是最基本的認知過程之一，它支撐著包括解決問題在內的所有高階活動。休謨把相互作用稱為“宇宙的黏合劑”[31]。因果推理支持四種不同的學習結果：預測、推斷、解釋和辯護（論證）。“預測”（prediction）假定因果之間存在一種確定的關系。從一個條件或一組條件或事件狀態的描述推理出這些狀態可能產生的結果，這就叫做預測。預測的兩個主要功能是預測事件（如經濟預測或氣象預報）和驗證假設，以證實或推翻科學假設。當一個結果或狀態存在而原因是未知的，就需要有一個“推斷”（inference）。從結果到原因的逆向推理需要推斷過程。推斷的一個主要功能是診斷。因果推理也支持解釋（explanation）。要解釋任何一個實體，需要的不僅僅是對該實體各部分的認識。解釋需要理解任何系統中各組成部分之間相互關系的功能和結構，以及它們之間的因果關系[32]。最后，對不同解決方案的辯護（justification）是基于對潛在系統行為的預測或推斷。

對于大多數學習者來說，因果推理是一種并未熟練掌握的技能，這通常是由于他們學習因果關系的方式所致。以往涉及因果關系的教學一般只關注因果關系定量的、協變的屬性，通常過分簡化因果關系的本質。在科學課中解決問題時，默認的教學方法是將問題陳述轉化為公式。這些公式定量地描述了這些因果關系的性質。這些公式傳達了關系的方向和配價，但通常忽略了結果的概率、持續時間和直接性。學習者必須理解這些屬性，以發展對任何因果關系的完整理解。要完全理解問題中所代表的對象之間的因果命題，還需要理解因果關系的基本機制。許多當代的因果理論家認為，經驗的歸納雖然是必要的，但對于理解因果關系是不夠的[33]。機制是解釋因果關系的理論實體、理論或過程。機制指定事物的運作方式，回答“為什么”的問題，以指定事件“如何”發生，與共變一樣，有不同的機制屬性。

一個重要的機制屬性是復雜性。因果關系通常被認為體現為摩爾水平（例如，貨幣政策控制通貨膨脹）。這一摩爾關系必須被分解成因果關系（例如，美聯儲利率改變銀行借貸成本，進而影響銀行收取的利率，進而影響銀行向客戶借款的成本，等等）。如果學習者不能充分闡明這些復雜的因果過程，他們對機制理解就是過度簡化了。同樣，他們也無法清楚地說明個別因果關系的復雜性。

因果關系的復雜性也來自連接的多樣性，即兩個或兩個以上的原因必須共同出現才能產生結果。然而，效應幾乎總是由多個單獨必要和共同充分的因素產生的[34]。因果關系必須在一個更微觀的層次上解釋，識別產生結果所必需的原因的連接程度[35]。

除了復雜性，對因果關系的機械解釋的影響效果還必須包括對原因的必要性和充分性的標記。此外，學習者應該能夠識別原因的貢獻度或近因性。充分的原因是一個動因，它本身可以導致一個結果。一個必要的原因是一個結果發生時必須存在，但它本身不能產生這個結果。貢獻度是指一個行動者幫助產生一種結果，但這種結果本身既不是必要的，也不是充分的。近因性是指緊接在結果之前發生的動因或事件。一個近因實際上可能是另一個原因的結果，因此它與最終結果的關系是間接的。

知識領域中最常見的高階命題是因果命題。因果關系定義了大多數領域關系的本質，因為因果關系描述的是涉及任何問題的概念之間的功能關系，而不是歸因關系。

五、總結與結論

在這篇文章中，我簡要地綜合了很多最近對意義學習分類學的研究。在任何領域最有意義的學習結果都涉及解決問題。問題需要學習者發展對任何問題中包含的概念作出理解。這種理解要求學習者能夠比較問題示例之間的命題關系。能夠根據命題關系的相似度識別問題類型是學習解決不同類型問題的關鍵。最清楚地描述問題結構的命題關系是因果關系。因果關系要求學習者在數量和質量上都理解這些關系。描述在概念之間定義命題的復雜因果關系也是解決問題的關鍵。因此，我的分類學包括作為目標狀態，以及類比推理和因果推理的問題，還包括了領域概念之間命題關系的推理的先決/充分形式。雖然我的分類學與以前的分類學有一些相似之處[36]，但只是描述了一種目標狀態，并為需要學習的技能的性質增加了特異性。

這個分類學有許多啟示。第一，我認為設計人員應該重新關注有意義的學習事件，比如解決問題，而不是孤立的學習結果。喬納森[37]提供了關于如何支持解決問題教學的實質性建議。第二，領域知識準備，無論是在問題解決之前提供的還是即時提供的，都應該關注具有相似結構的領域問題的類比。第三，定性地界定這些結構的因果關系，以支持對這些復雜關系的理解，這對于概念性地理解問題是至關重要的。喬納森等人提供了關于如何從教學上支持因果推理的實質性建議。第四，概念教學應該關注運用概念，即定義問題的領域概念如何在命題（因果）關系中相互關聯。在正規的教育環境中，我們很少有時間和學生相處，為什么不好好利用它呢？

[1]BLOOM B S，ENGLEHART M D，F?RST E J，et al.The Classification? ?of Educational Goals：Handbook 1 The Cognitive Domain[M].New York：Longman，1956.

[2][6]GAGN? R M.Learning Hierarchies[J].Educational Psychologist，? 1968，6：1-9.

[3]JONASSEN D H，TESSMER M.An Outcomes-based Taxonomy for Instructional Systems Design，Evaluation，and Research[J].Training Research Journal，1996/97，2：11-46.

[4]LEITH G O M.The Acquisition of Knowledge and Mental Development of Students[J].Journal of Educational Technology Systems，1970，1：116-128.

[5][36]MERRILL M D.Component Display Theory[C]//REIGELUTH C M.Instructional Design Theories and Models：An Overview of Their Current Status.Hillsdale：Lawrence Erlbaum Associates，1983：279-334.

[7]JONASSEN D H，HOWLAND J，MARRA R M，et al.Meaningful Learning with Technology[M].3rd Ed.Columbus：Merrill，Prentice Hall，2007.

[8]GAGN? R M.The Conditions of Learning [M].4th Ed.New York：Holt，Rinehart & Winston，1985.

[9]POPPER K.Alles Lebenist Probleml?sen[M].Munich：Piper Verlag，1978.

[10][19]JONASSEN D H.2006a，Accommodating Ways of Human Knowing in the Design of Information and Instruction[J].International Journal of Knowledge and Learning，2（3/4）：181-190.

[11]HUNG W，JONASSEN D H，LIU R.Problem-based Learning[C]//SPECTOR J M，VAN MERRI?NBOER J G，MERRILL M D，et al， Handbook of Research on Educational Communications and Technology （3rd ed.）.Mahwah： Lawrence Erlbaum Associates，2007：485-506.

[12]JONASSEN D H.Toward a Design Theory of Problem Solving[J].? Educational Technology Research and Development，2000，48（4）：63-85.

[13]CHI M T H，FELTOVICH J，GLASER R.Categorization and Representation of Physics Problems by Experts and Novices[J].Cognitive Science，1981，5：121-152.

[14]SIMON D P.Information Processing Theory of Human Problem Solving[C]// ESTES ?D.Handbook of Learning and Cognitive Process.Hillsdale：Lawrence Erlbaum Associates，1978：271-295.

[15][20]JONASSEN D H.On the Role of Concepts in Learning and Instructional Design[J].Educational Technology Research and Develop-ment，2006b，54（2）：177-196.

[16]THAGARD P.Conceptual Revolutions[M].Princeton：Princeton University Press，1992.

[17]MEDIN D L.Concepts and Conceptual Structure[J].American Psychologist，1989，44（12）：1469.

[18]VOSNIADOU S.Conceptual Change Research：The State of the Art and Future Directions[C]//SCHNOTZ W，VOSNIADOU S，CARRETERO M.New Perspectives on Conceptual Change. Amsterdam：Pergamon，1999：1-13.

[21]GICK M L，HOLYOAK K J.Schema Induction and Analogical Transfer[J].Cognitive Psychology，1983，15：1-38.

[22]ROSS B H.This is Like That： The Use of Earlier Problems and the Separation of Similarity Effects[J].Journal of Experimental Psychology： Learning，Memory，and Cognition，1987，13：456-468.

[23]ROSS B H.Distinguishing Types of Superficial Similarities：Different Effects on the Access and Use of Earlier Problems[J].Journal of Experi-? ? ?mental Psychology：Learning; Memory，and Cognition，1989，15：? 629-639.

[24]CATRAMBONE R，HOLYOAK K J.Overcoming Contextual Limit-? ? ations on Problem-solving Transfer[J].Journal of Experimental Psy-? ? chology：Learning，Memory，and Cognition，1989，15（6）：1147-1156.

[25]REED S K.A Structure-mapping Model for Word Problems[J]. Journal of Experimental Psychology：Learning，Memory，and Cognition，1987，130：124-139.

[26]GENTNER D，LOWENSTEIN J，THOMPSON L.Learning and Transfer：A General Role for Analogical Encoding[J].Journal of Educational Psychology，2003，95（2）：393-405.

[27]JONASSEN D H，HERNANDEZ-SERRANO J.Case-based Reasoning? ? and Instructional Design：Using Stories to Support Problem Solving[J].? ? Educational Technology Research and Development，2002，50（2）：? 65-77.

[28]SCHANK R C，ABELSON R.Scripts，Plans，Goals，and Under-standing：An Inquiry into Human Knowledge Structures[M].Hillsdale：Lawrence Erlbaum Associates，1977.

[29]SCHANK R C.Tell Me a Story：Narrative and Intelligence[M].Evanston：Northwestern University Press，1990.

[30]KOLODNER J.Case-based Reasoning[M].New York：Morgan Kaufman，1993.

[31]HUME D.A Treatise Of Human Nature[M].Oxford：Oxford University Press，2000.

[32]SEMBUGAMORTHY V，CHANDRASEKARAN B.Functional representations of devices and compilation of diagnostic problem-solving systems[C]//KOLODNER J，RIESBECK C K.Experience，memory，and reasoning.Hillsdale：Lawrence Erlbaum Associates，1986：47-73.

[33]AHN W，KALISH C W.The Role of Mechanism Beliefs in Causal Reasoning[C]//KEIL F C，WILSON R A.Explanation and Cognition.Cambridge：MIT Press，2000：199-225.

[34]CHENG P W.From Covariation to Causation：A Causal Power Theory.[J].Psychological Review，1997，104（2）：367-405.

[35]MARINI M M，SINGER B.Causality in the Social Sciences[J].Sociological Methodology，1988，18：347-409.

[37]JONASSEN D H.Learning to Solve Problems：An Instructional Design Guide[M].San Francisco：Pfeiffer，Jossey-Bass，2004.

（責任編輯 王策）