知覺組織規律在神經網絡與深度學習課程教學中的應用

張自豪　牛英　樊超　侯惠芳

關鍵詞：人工智能；神經網絡；深度學習；知覺組織規律；教學改革

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2023）21-0168-04

0 引言

新工科背景下，伴隨人工智能教育的熱潮，“人工智能+X”復合專業培養模式正如火如荼，2018年教育部印發了《高等學校人工智能創新行動計劃》，明確提出高校要成為建設世界主要人工智能創新中心的核心力量和引領新一代人工智能發展的人才高地。黨的二十大報告強調，推動戰略性新興產業融合集群發展，構建新一代信息技術、人工智能、生物技術、新能源、新材料、高端裝備、綠色環保等一批新的增長引擎。自覺融入中國現代化建設大局，實施科教興國戰略，強化現代化建設人才支撐，積極推動新一代人工智能技術落地是高校義不容辭的責任。為響應黨和國家的號召，各大高校陸續建立人工智能學院或研究院并申請設立相關專業，據不完全統計，截至2022年，國內已有440余所高校增設人工智能本科專業[1]。

深度學習技術是人工智能的重要分支，旨在促進人工智能在計算機視覺、語音識別、自然語言處理等領域的突破，已成為實現人工智能的重要技術之一。深度學習通過模擬人腦的神經網絡來解析和學習數據，例如圖像、語音和文本等，可以通過監督學習和無監督學習來實現，不同的學習框架會建立不同的學習模型。例如，卷積神經網絡是一種基于監督學習的深度學習模型，而深度置信網絡則是基于無監督學習的深度學習模型。相比于傳統的特征手動提取，深度學習通過非監督和半監督的高效學習算法可以自動學習和提取更復雜的特征。在深度學習技術中，深度神經網絡是一個主要的技術基礎。與傳統神經網絡相比，深度神經網絡在學習理論、網絡結構、數據規模、算法設計和優化技術等方面有了重大的發展。例如，CNN和RNN等常見的深度學習神經網絡已得到廣泛應用，同時新的神經網絡也不斷涌現。為了有效設計和實現高效的深度學習網絡，通用的計算平臺也非常必要，這些平臺可以降低深度學習技術的學習門檻和使用成本，提高深度學習網絡的搭建速度和計算效率[2]。深度學習作為此輪人工智能革命的核心技術，將其納入專業人才培養方案勢在必行，在人工智能專業開設相關課程刻不容緩。

1 神經網絡與深度學習課程現狀分析

1.1 課程開設現狀分析

自2018年各大高校相繼開設人工智能本科專業開始，深度學習就進入了大眾的視野，面向本科生開設神經網絡與深度學習課程也逐漸成為業內共識。從文獻梳理中發現，該課程最初以獨立課程形式開設的較少，開設學院以計算機學院為主，多以線上自學、公選課的形式講授相關知識，隨著人工智能專業的普及，該課程逐步成為人工智能模塊課程不可或缺的部分[3]，神經網絡與深度學習課程建設在短短幾年里走完了從無到有再到飛速發展的過程。有學者就人工智能專業培養體系課程建設，提出人工智能模塊課程應包含Python程序設計語言、人工智能概論、神經網絡與深度學習以及深度學習綜合項目訓練四門專業課程，其中神經網絡與深度學習課程是其核心課程，該課程的開設對于完善人工智能人才培養體系，培養具有智能思維和應用開發能力的復合型人才不可或缺[4]。

1.2 課程教學存在問題

神經網絡與深度學習課程是一門多學科融合性課程，主要講解神經網絡與深度學習的基本概念，主要結構、核心方法和關鍵應用，注重學生對人工智能專業基礎的理解及解決實際問題能力的提升。該課程內容龐雜，知識涉及數理統計、計算機編程語言、神經網絡、算法設計等多個方面，整體課程難度較大，教學實踐中發現課程教學中存在4個方面的問題：①學生知識儲備欠缺，神經網絡和深度學習課程要求有一定的基礎知識儲備，如計算機語言、高等數學、矩陣理論、統計學習、機器學習等，由于課程設置的原因，可能出現本課程與前導課程同學期開課的現象，以致學生無法理解相關概念，學習難以為繼；②課程內容理論性強，學生缺乏興趣，作為綜合性課程，神經網絡和深度學習知識面廣、概念抽象，有大量的原理闡述和公式推導，內容枯燥，難以激發學生學習興趣，學生積極主動性受限；③教學方式單一，當前課程教學方法以講授為主，無法兼顧學生差異性，缺乏個性化教育；④理論實踐脫節，神經網絡和深度學習課程設計上理論課時多，實踐應用安排少，僅有少量的上機實驗課，理論和實踐的脫軌不利于提升學生深度學習算法編程實現能力，無法學以致用。

近年來針對神經網絡和深度學習的教學改革，多關注課程設計優化、課程內容改進、混合教學模式探索、產教融合等[1，5]，而聚焦學生本身，從心理角度出發，緊扣知識學習過程中的心理規律，探究符合學生認知規律的教學研究甚少。而深度學習本就源于心理學，神經網絡的概念借鑒了心理學中大腦神經元的模型，深度學習又來源于神經網絡，復雜神經網絡是真正人工智能的關鍵，如何按照人腦的工作方式進行計算機編程，如何讓計算機像人類一樣有智慧是人工智能的長久追求[6]。同時從人工智能發展的歷史來看，心理學也提供了諸多人工智能研究的概念源頭和模型，由此可見心理學和人工智能有著密切的聯系。學生是學習的主體，教學中要注重發揮學生主觀能動性，激發學生學習熱情和興趣，培養自主學習能力，最終實現“教是為了不教”，因此依托心理學研究，尊重學生自身認知規律，探索進行更科學、更有效率、更人性化的教學改革有著重要意義。

2 知覺組織規律在神經網絡與深度學習課程教學中的應用

2.1 知覺組織規律概述

知覺組織規律的研究源于格式塔心理學，格式塔意即“整體”“完型”，因而格式塔心理學又稱完型心理學，代表人物有維特海默，考夫卡和科勒[7]，其強調知覺的整體性，認為“整體大于部分之和”，個體先于知覺部分而知覺到整體[8]。學習理論方面，該學派認為學習是一個積極主動的過程，是知覺的再組織，提出了“頓悟說”，并用大量實驗論證問題的解決在于個體對問題情境和知覺經驗的重新組織，即“頓悟”[9]。知覺識別理論方面，該學派主張知覺具有整體性和組織規律，將知覺加工定義為對可觀察刺激的組織，即觀察者把刺激排列轉換成意義，認為知覺具有完型性，“心理只是在主要感覺允許的情況下，才會盡可能地把它組織的‘好”，好這個術語沒有限定，包括諸如規律性、對稱性、相似性等[10]，在此基礎上維特海默對圖形進行了細致的實驗現象研究，發現了8種組織化因素，分別是圖形與背景、接近性、類似性、閉合性（好圖形）、良好的連續、良好的形態、共同的命運、簡單性[11]。他認為正是這些組織化因素，才使得知覺世界作為一個整體形成最有秩序的統一。

圖形和背景原則是指個體在對對象進行知覺時，有些對象凸現出來圖形，有些對象就退居成了背景，而個體往往會對圖形進行細致加工而不注意背景；接近性是指在空間和時間上接近的部分，容易組成整體；相似性是指相似的部分容易被知覺為整體；閉合性是指知覺會傾向于把對象加工為完善的形式，彼此相屬的部分容易組合成整體；連續性是指盡管線條受其他線條阻斷，卻仍像未阻斷或仍保持連續一樣被人們所體驗；良好形態是指知覺會把不完全的圖形看作一個完全的圖形，把無意義的圖形看作一個有意義的圖形；共同命運是指一個整體中的部分，如果作共同方向的移動，則這些作共同方向移動的部分容易組成新的整體；簡單性是指人們對復雜對象進行知覺時，傾向于把對象看作有組織的簡單的規則圖形[10-11]。

格式塔心理學派從認知心理角度出發，提出學習在于把新知識與已有的知識結構構成一個整體，是知覺的再組織，并提出個體知覺的組織規律。在課堂教學實踐的基礎上，本文從圖形與背景、接近性和相似性、閉合性等組織規律對知識學習的影響出發，探索有意識地利用知覺組織規律對于學生更快架構知識網絡、激發學生學習主動性、促進學習發生的有效性，為進一步提升神經網絡和深度學習課程的教學授課效果提供理論支撐和事實依據。

2.2 圖形與背景規律及教學啟示

圖形與背景規律指在具有一定配置的場內，有些對象凸顯出來形成圖形，另一些退居成為背景，此時個體很輕易地就可以識別出圖形。一般來說，圖形與背景的區分度越大，圖形就越可突出成為我們的知覺對象，比如寂靜夜里的鐘表聲。反之，圖形與背景的區分度越小，就越是難以把圖形與背景分開，軍事上的偽裝便是如此[10]。要使圖形成為知覺的對象，最好要具有突出的特點和明確的輪廓。

神經網絡與深度學習的教學必須面對一個問題就是傳統機器學習及神經網絡與深度學習課程的有效銜接，神經網絡與深度學習即是傳統機器學習的一個延續更是一次變革，有經驗的老師都會在教授神經網絡與深度學習之前對傳統機器學習知識進行復習。而圖形與背景的規律也告訴我們圖形在背景下是很容易成為注意的焦點，也即當有已有的知識經驗作為背景時，新知識的學習不僅能得到一定的范圍界定而且很容易成為注意的中心。這就給我們一個教育啟示，教授新知識時，背景知識非常重要，它對于新知識的學習起到了一定的界定和突出作用。

圖形與背景規律同時告訴我們對圖形的關注度與圖形的辨識度和特異性有關。這給我們的另一個的啟示就是新知識的引入可以考慮從不同之處入手，或者從不同的角度進行講述，增加新知識的可辨識度。如講解卷積神經網絡時，局部連接、權重共享與時間或空間上的次采樣三個結構特性作為一個很重要的性質而且又是很不同于以往的其他性質，就可以首先引入以增加其可區分性。

2.3 接近性和相似性規律及教學啟示

接近性是某些距離比較短或相互接近的部分，容易形成整體，如距離較近而比鄰的兩條線段會被認為是一個整體。現有神經網絡與深度學習教材在此方面的考慮較為充分，具體體現在具有關聯性的知識放于放在同一本教材上，而且在知識點的編排上也很注意這一點，如將全連接網絡與卷積神經網絡的知識，就有將其放在一起比較的部分，既便于學生加以比較又有利于把他們作為同一整體加工。這給我們的啟示就是，把關聯型的知識放在一起講述不僅易于學生理解而且可以減輕學生記憶負擔，例如針對實際問題選擇網絡模型時，根據兩個模型的特點不難看出卷積神經網絡更適合數據量較大的對象。

相似性是指相似的部分容易組成整體，這個可以很好地解釋混淆錯題的產生，就是因為它們具有很多的相似性，所以在記憶時學生才簡易把它們歸為同一類，以至于不能注意不同之處。一方面相似性同樣可以減輕記憶負擔，如循環神經網絡基本結構與梯度神經網絡、長短時記憶神經網絡具有較高的相似性，所以可以只記憶這一個基本網絡結構，而不必一個一個去記憶不同網絡模型的結構。但另一方面，相似性很容易產生混淆，比如循環神經網絡之間的時序性在梯度神經網絡卻不存在此類性質，而往往會記憶混亂。

因此，接近性和相似性給我們的啟示就是，一方面我們要利用知識點之間的連接和相似，讓學生學會整理和總結，化零為整地加強理解，同時減輕記憶負擔。另一方面，在教學方面也要注意對易混淆的知識點進行對比說明，理清不同之處。同時，知覺本身存在著的相似組織的性質，也提示教師在做教育評價時減少對混淆題目錯誤的苛刻。

2.4 好圖形的規律及教育啟示

主體在知覺圖形時，會盡可能地把一個圖形看作一個好圖形，好圖形的標準是勻稱、簡單而穩定，即把不完全的圖形看作一個完整的圖形，把無意義的圖形看作一個有意義的圖形。比如會把云彩看成是某種動物或者人等，個體在知覺這些時會運用自身的經驗把圖形“補充”起來，使之盡可能有意義[10]。

在神經網絡與深度學習，很多學生常在卷積神經網絡的題目上出錯，尤其是連接關系常常無法做出判斷。這就跟知覺的組織性有關，解題過程中學生會自覺地試圖把圖形完善化，因而無法加工非完全連接的信息導致解題出錯。這就提示我們在教學時對這種特殊的知識，一定要重點講解，反復講解，并細化解題步驟。因此在講述這些抽象性的問題時必須考慮到同學們可能產生的理解困難，針對這些問題多做練習和說明。另外，在圖神經網絡的學習過程中，因為好圖形的規律，很多同學在使用之前就可以知覺出兩個節點之間存在相關性，因此教學時，也可以利用這一點引發學生的興趣，激起學生探究的熱情，比如學習圖神經網絡結構前，可以呈現給學生“不可能圖形”，讓他們知覺的完整性和實際情況出現錯差，以調動學生的積極性，引發其內在學習動機。

3 總結

神經網絡與深度學習課程入門難度大，內容較為晦澀難懂，如何在有限的課時內講懂講透這門課程是老師們關心的重點。格式塔心理學反對把心理活動分解為部分，主張以整體的觀點來描述意識和行為，研究并提出了8種知覺組織性規律，認為知覺的事物中存在這些規律時，對象更容易被作為整體進行知覺。

本文基于認知心理的研究，認為圖形與背景、接近性和相似性、閉合性等組織規律對教師教學有重要啟示。圖形與背景規律提示在教學時已有的知覺經驗可以為新知識提供背景作用，為新知識提供一定的界定作用，而且強調新知識的不同之處會更易于學生知覺和注意到新知識。接近性和相似性規律啟示可以利用整體性教授學生整理和組織學習的內容，減輕記憶負擔同時對相似知識點進行并列比較，避免混淆。好圖形規律提醒在教不“完善”的知識時，一定要細化解題步驟，反復講解，避免學生產生好圖形現象，同時可以利用不可能圖形引發學生的知覺沖突，引起學生探索學習的興趣。實踐證明，教學過程中遵循到學生認知規律利于更有效的施教，有助于學生系統掌握深度學習的基礎知識、建構自己的知識網絡，為進一步學習和從事科研工作打下堅實基礎。