高中：论深度教学的源起、基础与理念.docx

论深度教学的源起、基础与理念

郭元祥，华中师范大学教育学院教授

内容提要：从深度学习走向深度教学，是教与学的一致性与相融性所决定的必然选择。追求发展学生的核心素养，必须克服表层教学的局限性，实施深度教学，引导学生深度学习。深度教学的根本基础是知识观和学习观的深刻转变，强调知识处理的充分广度、充分深度和充分关联度，突显学习的丰富性、沉浸性和层进性，通过突出知识学习的文化敏感性和包容性，增强课堂的画面感，促进反思性学习和批判性思维，实现知识的意义生成和多样性价值。

关键词：深度学习深度教学知识观学习观课堂教学改革

标题注释：本研究为中国基础教育质量监测协同创新中心重点课题“中小学生实践能力评论与诊断”(批准号2016-4-002-BZK01)项目研究成果。

随着认知科学、脑科学、人工智能和学习科学的不断发展和深化，关于教学和学习的研究由对教和学的形式与技术层面的关注走向对学习过程的深刻探寻。超越对符号知识的表层学习，注重深度学习，追求公共知识的个人意义达成，几成国际教学改革的基本方向。①学生的深度学习，需要教师深度教学的引导。十一年来，笔者基于知识观和学习观对我国新一轮基础教育课程改革中出现的过于注重教学形式、教学时间、教学技术改变等种种局限的反思，在国内开展了深度教学的理论研究和实验研究。深度教学的本质、基础、理念是什么?在追求发展学生核心素养背景下，明确这些问题，实施深度教学，引导深度学习，是深化课程教学改革的核心问题。

一、从深度学习到深度教学

(一)源起：深度学习概念的提出

深度学习的概念，源于三十多年来计算机科学、人工神经网络和人工智能的研究。20世纪八九十年代，人们提出了一系列机器学习模型，应用最为广泛的包括支持向量机(SupportVectorMachine，SVM)和逻辑回归(LogisticRegression，LR)，这两种模型分别可以看作包含1个隐藏层和没有隐藏层的浅层模型。计算机面对较为复杂的问题解决训练时，可以利用反向传播算法计算梯度，再用梯度下降方法在参数空间中寻找最优解。浅层模型往往具有凸代价函数，理论分析相对简单，训练方法也容易掌握，取得了很多成功的应用。②随着人工智能的发展，计算机和智能网络如何通过基于算法革新，模拟人脑抽象认知和思维，准确且高清晰度的处理声音、图像传播甚至更为复杂的数据处理和问题解决等问题，在21世纪来临的时候成为摆在人工智能领域的关键问题。

三十多年来，加拿大多伦多大学计算机系辛顿教授(Hinton，G.)一直从事机器学习模型、神经网络与人工智能等问题的相关研究，并在机器学习模型特别是突破浅层学习模型，实现计算机抽象认知方面取得了突破性的进展。2006年，他在《Science》上发表了《利用神经网络刻画数据维度(ReducingtheDimensionalityofDatawithNeuralNetworks)》一文，探讨了应用人工神经网络刻画数据的学习模型，首先提出了深度学习(DeepLearning)的概念和计算机深度学习模型，掀起了深度学习在人工智能领域的新高潮。这篇文章的两个主要观点是：第一，多隐藏层的人工神经网络具有优异的特征学习能力，学习到的特征对数据有更本质的刻画，从而有利于可视化或分类。第二，深度神经网络可以通过“逐层初始化”(Layer-wisePre-training)来有效克服训练和优解的难度，无监督的逐层初始化方法有助于突破浅层学习模型。③基于深度置信网络(DBN)提出非监督逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。④2012年，辛顿又带领学生在目前最大的图像数据库ImageNet上，对分类问题取得了惊人的结果，将计算机处理图像数据问题时排名前五的错误率(即Top5错误率)由26％大幅降低至15％，大大提高了人工智能图像数据处理的准确性和清晰度，这是早先计算机仅仅依赖数学模型的表层学习和单层学习根本无法实现的水平。

在人工智能领域，深度学习其实是一种算法思维，其核心是对人脑思维深层次学习的模拟，通过模拟人脑的深层次抽象认知过程，实现计算机对数据的复杂运算和优化。深度学习采用的模型是深层神经网络(DeepNeuralNetworks，DNN)模型，即包含多个隐藏层(HiddenLayer，也称隐含层)的神经网络(NeuralNetworks，NN)。深度学习利用模型中的隐藏层，通过特征组合的方式，逐层将原始输入转化为浅层特征、中层特征、高层特征直至最终的任务目标。深度学习可以完成需要高度抽象特征的人工智能任务，如语音识别、图像识别和检索、自然语言理解等。深层模型是包含多个隐藏层的人工神经网络，多层非线性结构使其具备强大的特征表达能力和对