新学习科学的基础(译文).docVIP

《Foundations for a New Science of Learning》译文 新学习科学的基础 Andrew N. Meltzoff, Patricia K. Kuhl, Javier Movellan, Terrence J. Sejnowski 摘要：与其他物种相比，人类学习是由可学技能的范围和复杂性以及所能达到的抽象程度来区分的。人也是唯一一个形成了教师、学校和课程这样一种正规方式去增强学习的种群。人类婴儿对人和人的行为有着强烈的兴趣，并且他们具有受社会互动所影响的强大的内隐学习机制。神经系统科学家正逐渐理解隐含在学习中的大脑机制，以及用于感知与行为的共享大脑系统是如何支持社会学习的。机器学习算法正在被开发出来，它允许机器人和计算机进行自主学习。来自于不同领域的新见解被汇聚到一起，以创建一种可以改变教育实践的新的学习科学。 文化演变（culture evolution）极少在物种中出现，但它在人的身上却发展到了一个顶峰，当新的学习形式随着我们祖先的自然选择压力而逐渐进化时，文化演变就成为了可能。文化是支撑语言、艺术和科学上成就的基础，而语言、艺术和科学是自然界中本没有的。人类智力的起源仍然是一个深奥的迷。但是，有关儿童发展、人脑的可塑性以及学习的计算方法的研究则为新的学习科学奠定了基础，而这种新的学习科学为人类智力的起源提供了见解。 人类学习和文化演变是以一种看似矛盾的生物适应（biological adaptation）为基础的：我们生来是不成熟的。婴幼儿不会讲话、走路、使用工具或采纳他人的看法。这种不成熟带来了一笔巨大的代价，不仅对于新生儿，他们的大脑消耗了全部精力预算的60%[1]，而且对于父母来说都是如此。在生命的第一年，婴儿的大脑充满了结构性活动，同时神经元在规模和复杂性上逐渐增长，并且在它们之间形成了数以万亿的新联系。大脑在儿童期继续成长，在青春期左右达到成人的规模。大脑皮层的发育有一个“敏感期”（sensitive period），在此期间，神经元之间的联系更具可塑性且更易受到环境的影响：感觉加工区（sensory processing areas）的敏感期发生在发育过程中的早期，越高级的皮质区成熟得越晚些，而前额皮质则要持续发育到成年期早期。[2] 然而不成熟也有价值。延缓大脑神经回路的成熟和增长会使得初始学习可以以一种支持后续更复杂学习的方式来影响神经结构的发展。在计算机模拟中，与用一个完全发展好的感觉系统来开始学习过程相比，用一个低分辨率的感觉系统来开始学习过程会使学习更加高效。[3] 在儿童期出现的充满活力的学习有哪些特点呢？来自于心理学、神经科学、机器学习和教育学这几大交叉学科研究中的三个原则，促成了新的学习科学（见图1）。这些原则支持跨地区和跨年龄的学习，并且对解释儿童在人类智慧的两个独特领域（语言和社会理解）中的快速学习特别有用。 图1. 新学习科学来源于好几个学科。发展心理学研究者已经确认了对学习至关重要的社会因素。机器学习中的强大学习算法表明：环境中的偶发性事件是一个有关社会线索的丰富信息源。神经科学家已经发现了社会互动所涉及的大脑系统和促成学习的突触可塑性机制。而教室是发现有效教学实践的实验室。 学习计算化 发展心理学和机器学习中的新发现正聚合成新的学习计算报告。最近的研究结果显示：婴儿和幼童拥有强大的计算技能，这些技能使他们可以自动根据其经历过的统计模式来推断他们环境中的结构模型。婴儿运用从经验中收集来的统计模式去学习语言和因果关系。在三岁之前，儿童使用频率分布（frequency distribution）来了解哪些语音单位可以区分他们母语中的单词[4][5]，利用音节之间的过渡概率（transitional probability）来分割单词[6]，并且使用共变（covariation）来推断物质世界中的因果关系[7]。 机器学习的目标是开发能自动从经验中得到提升的计算机算法和机器人。[8][9]例如，宝贝机（BabyBot）是一种配有摄像机、麦克风和扬声器的玩具娃娃[10]，它利用机器中已编程好的发音与试图回应这种婴儿般发音的人之间的短暂关联性来学习检测人脸。在6分钟的学习之后，宝贝机检测出新的人脸，并把它们归纳到用于婴儿人脸识别研究中的人脸范例库中。 因此，真实世界中的统计规律和共变提供了一个比我们先前所想更为丰富的信息源。婴儿对于这种信息的获取是隐性的；它无需父母的训练就会发生，并且在婴儿可以掌控物质世界或讲出他们第一句话之前即已开始。新的机器学习程序也无需直接的强化或监督就能成功。根据概率输入（probabilistic input）来学习为我们在斯金纳的强化学习和乔姆斯基的先天论之外提供了另一种学习理论。[11][12] 学习是社会的。儿童不会不加区别地使用