本次主题学习为：学习工程学习与思考。

 

附参考资料：

目 录

 

学习工程：催化智能教育转型…………………………………………3

学习工程如何加速教育变革……………………………………………4

学习工程的实现路径与技术工具………………………………………9

从学习科学到学习工程：历史跨越与未来走向………………………14

学习工程的机遇和挑战…………………………………………………23

学习科学的两次重大转折与学习研究的工程转向……………………28  

“看见儿童”的内涵、意义与路径”…………………………………36  

 

 

学习工程：催化智能教育转型

在一个科学技术日新月异、快速更迭的时代，教育的科学和艺术之争日渐消弥。取而代之的是迈向精准、灵活、个性化的智能教育的发展趋势，即运用学习科学前沿成果和现代数字技术，一方面为学生、教师提供多样化支持和按需服务：另一方面记录学生学习、教师教学过程的数据，用于分析、改进学习行为和教学策略。学习工程就是智能教育潮流中一股重要的能动力量、一条主要的实现路径。
学习工程充分利用了工程设计的思维。其核心要素有三点：第一，精确地界定问题；第二，采用系统性的问题解决方法：第三，对产品设计或问题解决方案进行用户需求导向的迭代、优化。工程设计思维落实到学习研究或教育实践领域，有助于精准定位学生在学习当中遇到的困难，侦测到其知识建构过程中的漏洞，并借助于成熟的算法决定何时、以何种方式、以何种频率提供何种支持。比如给出提示、推送补充资源或予以针对性反馈。因此，学习工程应用在产品层面，可以开发自适应学习技术、智能课堂教学助手或AI导师；应用在学校教育层面，可以规划、设计智能教育导向的课程和活动方案，并呈现高效、灵活、个性化的课堂。
 学习工程也是当代先进科学技术的结晶。正是人工智能、机器学习的出现拓展了人们学习研究的边界，使得元学习、监督学习、自适应学习、深度学习、强化学习成为教育领域研究者和实践者耳熟能详的核心实践和关键策略，反过来加深了人们对人类学习者学习机制、学习行为、学习表现的洞察。结合学习算法、数据集、知识空间理论这些人工智能领域的要素和概念，极大地丰富了教育者的资源库和工具箱。不仅为教师量身定制个性化的学习材料、设计个性化的学习体验提供了便利；也提高了他们解读教育数据以及将此转化为实现特定学习目标、满足特定学生需求的教学策略的能力。
 得益于工程设计的精准性、科学性，以及人工智能的迭代发展、应时之需的灵敏性，相信学习工程能凭借对学习、教学内在机制的精准剖析，以得到实证数据支撑的方式提升教学成效，发挥其催化智能教育转型的重要功能。

摘自：《上海教育》2022年12月

摘录人：太仓市明德小学教科室

推荐理由： 学习工程是当代先进科学技术的结晶。学习工程能凭借对学习、教学内在机制的精准剖析，以得到实证数据支撑的方式提升教学成效，发挥其催化智能教育转型的重要功能。

 

 

 

 

 

 

 

学习工程如何加速教育变革

陈姿颖 王树涛

随着当今社会的飞速发展，新技术的不断涌现，新的社会问题与需求不断产生，这呼唤教育变革予以回应，以保障教育质量，培养能应对未来生活挑战的人才。当前，我国教育发展正处于科技与教育深度融合的关键时期，受教育者对教育的需求越来越转向灵活、多样、开放终身的个性化教育，因此，教育变革必须充分利用科技发展成果，推动学习科学、信息技术与教育教学的深度融合，促进教学理念、方法和工具的改进，赋能教育发展。在此背景下，学习工程这一融合了学习科学、计算机科学、数据科学和系统工程的交叉领域得到了愈发广泛的关注与应用。

背景与发展

“学习工程”这一术语最早由诺贝尔经济学奖、图灵奖得主赫伯特·西蒙(Herbert Simon) 于上世纪60年代提出，强调利用计算机科学、学习科学和数据科学等的进展推动教育快速而持续的变革。有感于当时的大学对专业技能培训的忽视以及大学教师教学能力培养的缺失，西蒙期望寻找到更好的教与学的方式，并为此提出了“学习工程”这一概念， 从此投身于相关研究，力求引入工程思维以改进教学。多年来，尽管学习工程在西蒙工作的卡耐基·梅隆大学和美国学界引发了诸多反响，但受限于科技水平，直到21世纪初，随着学习技术不断发展，学习研究的工程化取向日趋明显之后，学习工程才逐渐进入更多人的视线。

近年来，随着人工智能、计算科学、数据科学、网络通讯等技术的不断发展，学习工程的推进与实施具备了现实土壤，变得便捷且迫切。在没有这些技术前，我们对“人是如何学习的”这个问题知之甚少，而一旦有了大量学习行为的数据以及分析数据的技术，我们便得以对这个“黑盒子”一探究竟了。如今，学生使用教育技术平台进行学习，在这些数字化环境中的任何举动都会留下痕迹，从而产生大量可以分析的数据；同时，计算科学的进步使得大型数据分析变得可能。理想情况下，大量数据的采集与分析可以帮助研究人员和授课教师更好地追踪学生的学习情况，以便对教学进行相应调整，从而产生更好的学习效果。而现实情况是，在相关学习研究已经得出可以提高教学效果的成果之后，很多理论发现也并未转化为推动学生更好学习的教育实践。造成这一现象的原因有很多，可能是教师们不知道应该如何改进自己的教学方法，也可能是部分教师满足于自己现有的教学方式，拒绝尝试新的模式。另外，教师是否认同新的教学理念、能否实施创新的教学方式也将直接影响教育教学的效果。有鉴于此，推广致力于改进教学实践的、应用导向的学习工程就显得尤为重要。

与此同时，随着高等教育系统的不断发展，各国对高等教育的资源投入越来越多，高等教育入学率持续提升。如西蒙所言，“国家有权对高等教育期待更多，而不只是培养业余人士。”诚然，西蒙对教育目的的认识带有职业化训练的倾向，有-定的局限性，但其对高等教育形式与内容的反思值得关注。教育是为未来培养人才的，接受过高等教育的人被寄予应对瞬息万变的社会的各种挑战的高期望。并且，高校具有教学与研究的双重使命，高校教师和研究者能在第一时间接触到提升人类学习效果的新研究、新成果，但高校内部固有的结构和程序往往会阻碍教师将新理论运用于教学实践。对高等教育及其培养人才的期望、高校的双重使命，促使他们必须投入到学习发生方式、发生情境的研究中，并采用相关教育干预措施，而这正是学习工程的要义所在。

内涵与原则

随着科学技术的发展和新冠肺炎疫情催生的大规模在线教学活动的普遍化，学习工程的内涵、原则，以及推动教育变革的作用机制等都受到了越来越多的关注。

概而言之，学习工程是一种体系化的培养理念，是指运用学习科学策略、各种信息技术、教育数据，助力教师改进教学，从而让学生的学习更有成效。在学习工程框架内，教师或课程设计者须整合来自多个相关领域的核心原则、概念和实践，系统地应用学习科学和教育技术学的循证策略，适配创新的教学法，结合真实的学习场景和个性化的学习需求，创造有吸引力的、有效的学习体验，从而帮助学习者应对学习中的困难和挑战，完成高标准的学术目标；在此之中，教师也得以更好地理解学习者和学习发生的机制。为此，学习工程强调以学生为中心的设计方法，在实际应用中，学习工程会结合大数据分析技术，开发并持续改进其设计，以回应具体的学习需求，并提供学习机会、解决学习过程中的问题。

本质而言，学习工程旨在改善科学和工程的思维方法在教育中应用不足的弊病，希望通过学习数据分析提高精准教育的水平，并大幅提高学习科学作为一门学科的应用程度和有效性。其中，最为关键的是教育数据和相关学习行为的证据。此外，学习工程还致力于为学习者提供容易获得、能够负担且有效的优质慕课。学习工程也致力于利用数据和技术来提高教师教学的效率，从而提升学生的学习成果，这在全社会对教育期待提高的当下，显得尤为重要。

过去，教育者在很大程度上仅能靠学生的反馈来感知教学的效果，而学生的主观感受与实际效果之间往往存在偏差。因此，学生对不同教育模式、资源、工具的评价很难成为教师判断效果或据此改进的有意义的依据。学习工程的优势在于利用技术、标准化评价和科学方法来提出、测试和实施适切的教学模式及配套教学法。

有了学习工程的帮助，学生可以更有效率地学习，学习的途径更为多样，方式更为便捷，更多人可以取得更大幅度的进步。而教师可以更直观、精准地掌握学生的真实情况，据此有针对性地改进自身的教学法，从而实现学生学习反馈和教师教学改进的有机结合。半个多世纪前，西蒙在首倡“学习工程”概念时就卓有远见地预测到，如果学习工程能得到蓬勃发展，高校的教学方式将会发生重大变化：教授们将从“讲台上圣人般的单打独斗”变成“协同完成学习体验设计的团队合作”这就催生了一个新的角色：学习工程师，以弥合高等教育中学习研究和教学实践间的鸿沟。在西蒙看来，学习工程师将和研究者、教育从业者一起，设计学习环境和数据系统，以建构预测、解释学生学习过程的模型，从而促进课程的改进、教师洞察力的提升、学生学业表现的提高，以及对人类学习科学认识的深化。

然而，教学和学习的过程中会产生许多变量，学习工程的应用并非一件易事。卡耐基·梅隆大学的肯尼斯·科丁格(Kenneth Koedinger)在观察、调研中发现，一位典型的大学老师在对课堂教学进行设计时，面临着成千。上万的选择：使用何种教学手段；何时、如何给予学生反馈：何时、如何检测学生的知识掌握程度等。对于上述选择，教师还需考虑使用的媒介、是否举例等其他因素。为此，研究者和实践者都应当对学习工程进行概念解构，以便进行目标导向的一体化设计。

科丁格提出，学习工程有三个重要的组成部分：认知(cognition)、元认知(metacognition)和激励(motivation)。与此相对应的，教师也可以从这三个方面出发。把握学生的学习规律，进行针对特定目标的教学设计。“认知”是指明确界定并强化学生需要学习的内容；“元认知”是指改进学生接受和保留这些信息的策路；“激励”是指当学生被学习材料难住时，促使学生继续向前的推动力。科丁格认为，要想在学习中取得长足进展，就需要关注这三个部分的所有重要细节。

此外，多种因素都会对学习工程策略的应用效果产生重要影响。

教学的具体情境(context)对学习工程效果的发挥具有重要影响。麻省理工学院教授贾斯汀·赖克(Justin Reich)及其研究团队完成了迄今为止最大规模的高等教有在线教学技术的分析研究，该研究涉及近25万名学生，几乎涵盖世界上所有国家。研究团队意在通过这一研究揭示或验证一些微小行为的干预效果。如在某所大学，课前要求学生讲述他将在何时、如何将所修读的课程融入自己的生活，是否可以以及在多大程度上提高大规模在线课程的完成率。他们初步研究的结果证实提升效果呈统计学上的显著性。另一项大规模、长达数年的研究结果表明，“预先规划”这项千预措施对学生总体课程完成率没有显著影响。该措施的确可以提升学生在最初几周课程中的参与度，但随着课程的推进，这样的效果却逐渐消失了。此后，麻省理工学院研究团队在另一所大学实施了前面提到的“有关课程融入生活的叙事”干预措施，也没能复现之前的结果。

对此，赖克指出，针对不同的学习群体，应采取不同的干预措施。选择干预措施时，必须将学习者的具体背景纳入考量。若发现一种干预办法对某一个群体有效，为了使该措施在其他情境中也发挥作用，必须对措施进行本地化改良。此外，为了进一步基于实证改进教学效果，教育研究者还应当深入探析背景差异影响学习效果的作用机制。

教师教学对教学内容的清晰认知也至关重要。大多数教师可以初步评判学生是否正成长为自己所授学科的专家，并清楚自己需要做些什么来帮助学生获得所需的专业知识，形成专家思维。但教师们很少有机会阐明自己的想法。学习工程要求教师清楚地了解自己在教授什么技能，以及学生将如何学习这些技能。对教学内容和方式的明晰是学习工程的核心，教师对学生学习方式认识的准确程度将影响教师教学的改进质量。换言之，学习工程给予教师根据学生学习效果反思自己教学内容、教学法的机会，并要求教师对所授知识拥有清晰认识，以便为学生提供不同的反馈和点拨，促进他们学业发展。

总之，在合适的情境下，学习工程可以显著强化教师的教学效果，提升学生的学习效率，因而他们可以更快速、方便地习得知识，更多人将有可能精通所学领域。卡耐基·梅隆大学的相关研究发现，使用学习工程的策略，可以大幅提高学生的学习速度，使他们在单位时间内接收的知识大大增加。在过去十几年的实践中，该校也已经探索出了切实可行的办法：在教室中使用电子设备，实时追踪学生的学习行为，比如阅读电子教科书、使用在线实验室等，并分析哪些行为可以帮助学生在学业测试中脱颖而出。作为先行者，卡耐基·梅隆大学不仅提升了本校学生的学习效率，也为学习工程应用提供了典范案例。

当前实践、展望与建议

在教育实践层面，在线教育、电子白板、各类学习软件等都是学习工程的现实应用。近年来，世界各国也涌现了许多大规模测量和改善教学的数字平台，得益于智能学习管理系统和人工智能工具，各类电子学习平台可以自动追踪学生的学习轨迹，帮助教师更直观地观察、理解学生的认知过程。通过分析这些记录，教育研究者可以进一步了解人是如何学习的；教师也可以厘清促进学生学习发生的关键变量，并在今后的教学中有针对性地调整自己的教学法。

与此同时，教育研究者们还将继续深入探究人脑学习的方式，设计出最适合学习者的教学模式，从而使课堂学习更加真实、有效。只有学习者将学习工程思维内化于心，认可技术可以帮助改善学习，才能掌握高效的学习法，以促进自身学业成就的提升。

目前，美国学界正在大力推广学习工程：包括加州大学欧文分校、卡内基·梅隆大学在内的诸多高校，都已经或正在着手创办学习工程硕士项目，以培养相关专业的人才。美国部分高校还招聘了一批专职学习工程师，要求他们根据学习研究的最新成果设计课堂的学习材料和活动，帮助改善教授们的课堂教学实践。截至2020年，全美约有超过10000人从事该项工作，而10年前，这一数字仅为1300名左右。显示出美国高校对学习工程日益重视的趋势。但即便如此，我们离成熟的学习工程实践还有相当一段距离。

毫无疑间，正确应用学习工程策略可以改善学生的学习，但在此过程中，学生所处的情境也发挥着至关重要的作用，因此，在进行教学实践时应将环境因素充分考虑进来。教师如何精准找到教学中的关键之处，学生的学习如何发生，学生如何快速适应科学技术助力的学习模式，这些都有待后续深入的实证研究在这个智能时代，学习正在往深度化、个性化发展，个体对自由发展的向往与日俱增，学习工程必将赋能教育教学变革拥有广阔发展前景，引领新一轮教育创新。但同时，也必须意识到，学习工程在隐私、伦理、偏见等方面不乏争议：追踪学生的学习数据是否会窃取电子设备中的其他信息、获取学习数据前是否征得了学习者同意、随机分组的算法是否有歧视倾向，这些问题都需要学习工程研究者及其实践者多加注意，并进行完善。

此外，虽然数字学习平台的数量激增，但其在设计和实施过程中对学习科学的关注依然较少。在搭建平台时，建议充分听取学习科学研究人员的意见，使平台的建设更具科学性：平台的设计与使用也可以为学习科学研究者提供数据和实验环境，这样一来， 他们就能对通过学习平台采集到的数据加以分析，既加深人们对学习、教学的认识，同时推动平台完善自身。由于环境在学习工程推广的过程中会发挥较大作用，在进行相关研究时，应当采取精细分析和长期实验的办法，厘清真正重要的影响因素，为社会育全人、为未来备人才。

同时，教师对新教育理念的认同与采纳是高质量教育体系建设、新教育理念推广的基础，也是从根本上确保、提升教育教学质量的关键所在。推进学习工程不可避免地会遭到来自教师的阻力，因为部分教师们拒绝接受新观念，认为自己对课堂教学已有充分的了解，有些教师还会以环境不同为由推脱变革责任。因此，应当加强面向教师的宣传、培训和引导，使教师充分了解学习工程的要素和适用条件，从而更好地运用到自己独特的教学情境中。此外，在推广学习工程时，专家组及相关部门应加强对师生的调研，了解他们面临的真正困境和心中所想，再进行基于需求的解释和宣讲。如能在研制学习工程配套教学法、教学策略时，将师生们的诉求体现出来，也能使推广与落地过程更加顺畅。

摘自：上海教育/2022年第28期

太仓市第一中学教科室叶兰推荐

 

推荐理由：随着当今社会的飞速发展，新技术的不断涌现，新的社会问题与需求不断产生，这呼唤教育变革予以回应，以保障教育质量，培养能应对未来生活挑战的人才。当前，我国教育发展正处于科技与教育深度融合的关键时期，受教育者对教育的需求越来越转向灵活、多样、开放、终身的个性化教育，因此，教育变革必须充分利用科技发展成果，推动学习科学、信息技术与教育教学的深度融合，促进教学理念、方法和工具的改进，赋能教育发展。在此背景下，学习工程这一融合了学习科学、计算机科学、数据科学和系统工程的交叉领域得到了愈发广泛的关注与应用。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

学习工程的实现路径与技术工具

浙江大学教育学院 唐路靖

学习是一个高度复杂的过程，当代学习研宄的基本架构包括学习科学、学习技术与学习工程，科学、技术与工程形成三元耦合结构。学习工程以满足学习者的特定学习需求为目的，基于真实的学习场景和学习科学理论，利用系统的学习技术对学习行为、学习体验、学习环境等数据进行分析与测评并做出反馈，然后据此帮助教师与学生不断完善学习设计，以提升学习效果。

在具体实践中，学习工程的实现路径主要依靠教育数据挖掘来获取学习者的相关信息并进行数据分析与测评，通过各种工具化的平台来实现学习者与资源的链接并提供互动式个性化教学设计。近些年来，人工智能的发展掀起了人们对ＡＩ导师的探索热情，为学习工程的应用实践增加了新的方向。另外，研宄人员常利用Ａ／Ｂ测试工具（Ａ／Ｂｔｅｓｔｉｎｇ）来检验学习工程的实施效果，筛选出应用效果良好的方案，淘汰或改善效果较差的方案，促进学习工程应用成果的转化与不断完善。

教育数据挖掘

在当下这个数字科技时代，记录和存储数据的方式越来越数字化，由此产生了大量标准化的学生信息，如学生信息系统中的课程完成率、考试成绩等。另外，学习管理系统还可以便捷地记录学习者在课堂上的学习行为，这些学习行为在传统面对面的课堂上一般很难记录，该过程也形成了大量的教育数据。数字时代的这两大趋势为教育研究者带来丰富的教育大数据，以其多样化的数量、速度和种类，为教育研宄者提供了关于学习行为的研究视角。

教育数据挖掘是学习工程在实践中的基本实现路径，研宄人员通过测量、收集和分析学习者的学习行为以及学习环境的数据，追踪与监测学习过程，深入了解学习者的学习状态，在学习者有需要时及时提供指导和反馈，保障学习者顺利完成学习任务、取得良好的学习效果。基于教育大数据的学习分析技术在教学、学习和研究中有着广泛应用：首先，它能够帮助教师优化教学设计，制订符合学生兴趣与需求的个性化教学方案；其次，它能够帮助学生进行学习过程的自我监控，实现学习成果的自我评估，并能为特定学生发送学习危机预警并帮助他们化解危机、步入正轨；再者，它还能够帮助教育研究者探索更加科学的学习设计、开发更加先进的工具，以促进学生个性化学习。美国的教育研究人员几十年来一直致力于寻找可与一对一辅导相媲美的有效教学方法，而现在通过教育数据挖掘就可以创造学习者的个性化学习体验，进而实现一对一辅导的目标。丰富的教育大数据还可以帮助政策制定者和政策研究者理解政策运行机制、检验政策实施效果，从而进行政策完善与改进。例如，将行政数据和学习者学习过程数据相结合，可以揭示个人层面的教育不平等状况，为破解教育难题、采取行动提供实证支持。

从技术角度来看，教育数据挖掘技术大致有预测、结构发现算法、关系挖掘、可视化和模型发现等五类。预测是教育数据挖掘的一个重要应用，常用于预测学生成绩和学习成果，般通过分类技术和回归等方法来实现。结构发现算法的重点在于发现教育相关的内容与技能的分布结构，分析学习者的社会网络结构。关系挖掘主要用于数据之间的关联分析，如不同数据集可能存在的相关性、序列性、因果性等。可视化是教育数据挖掘结果的呈现方式，通过形象化的方式将数据之间的复杂关系直观呈现，帮助研宄人员提炼研究结果，做出总结判断。模型发现技术在应用中首先需要建立一个可验证的现象模型，然后将该现象模型用于其他分析过程，如进行预测或者关系挖掘等。

此外，还有一些不断更新发展并应用于教育数据挖掘领域的技术，如通过模拟动物神经网络特征而对数据进行分布式存储和并行协调处理的人工神经网络算法、通过模拟自然选择和生物进化过程而搜索最优解的遗传算法等。近年来，聚类分析也受到越来越多的关注，它是将大数据集划分成若干子数据集的过程，子数据集内部元素高度相似，子数据集之间彼此不相似，聚类分析可帮助研究人员有序管理大型数据集，对学习者的学习行为进行针对性强的分析。由此可见，教育数据挖掘在技术上实现了统计学、计算机科学、心理学等多个学科的融合。

在实践层面，学者通常从微观层面（如点击流数据）、中观层面（如文本数据）和宏观层面（如机构数据）三大层面来研宄教育数据挖掘的具体内容和应用价值。在微观层面可直接获取学习者的个人数据，在学习者与其学习环境的互动中自动收集动作间隔为几秒钟的互动数据，这些环境包括智能辅导系统、大规模在线开放课程等。通过微观层面的教育数据挖掘，可以了解学生学习活动中的复杂认知技能、元认知和自我调节、情感状态，评估学生的知识水平，对学生档案进行分类并进行教育资源的个性化分配，以加强教学和学习效果。

中观层面的教育大数据包括在各种学习环境中收集的学生过程性的学习作品，如课程作业、论坛在线讨论的发言、智能辅导系统里的互动对话以及社交媒体上的发帖等，这些系统性收集起来的学生作品经过计算机化处理形成数据集。数据集提供了学习者在认知、社会能力以及情感状态发展等方面的原始信息，再借助数据挖掘技术就能够洞察学生的认知过程（如认知功能、知识和技能），社会过程（如话语和协作结构），行为过程（如学习者参与和脱离），以及情感过程（如情绪、动机）。

宏观层面是指在机构层面收集数据，例如学生的人口统计和入学数据、校园服务数据、课程表和课程注册数据，以及大学专业要求和学位完成数据等。宏观层面的数据通常是在多年的时间跨度中收集的，它们的更新频率很低，通常每学期只更新一两次。宏观层面教育数据的挖掘在实践中多用于建立课程信息指导系统和学习危机的早期预警系统，帮助学生选择合适的课程、预防“挂科”和辍学等。

教育数据挖掘作为学习工程在教育教学与研究实践中的基本实现路径，在追踪监测学习者学习行为方面发挥着重要作用。它为教师、学习者和研宄人员提供丰富而精细的信息，建立起关于学习者学习动态的追踪与自我监测系统，有助于实现一对一的精准教学，创造个性化、自适应的学习体验。

工具化平台

学习工程的另一条重要的实现路径是依靠工具化的教育平台，在教育者和学习者以及各种资源之间搭建起桥梁，注重使用者与平台的互动以提高应用效果。代表性的工具化平台如ＦｌａｍｉｎｇｏＬｅａｒｎｉｎｇ，它整合了资源和教学管理系统等关键功能，是一个完全在线的、适合移动端操作的教师专业发展系统，能够实时为教育工作者提供精心设计的高质量课程、资源、支持和网络等，并提供实用的问题解决方案，帮助他们发展技能和提高知识水平、促进教学技能提升和专业发展。

其他工具化平台如ＭＡＴＨｉａ、ＭａｔｈＮａｔｉｏｎ、Ｃｏｕｒｓｅｋａｔａ和ＡＬＥＫＳ都提供了资源的链接以及互动的学习环境，以便使用者进行自主学习，取得更优的学习成果。

ＭＡＴＨｉａ是一个同时面向教师与学生的数学学习平台，它结合了认知科学、学习科学、教育学与实际的教学实践，为学生提供易于理解的、概念化的学习内容，以降低数学学习的难度。该平台使用复杂的人工智能技术为初高中学生提供个性化的学习内容和有洞察力的数据／学生通过ＭＡＴＨｉａ实时的个性化反馈和上下文提示保持高度的学习参与；还可以获得自己的学习数据并自我监测学习进展，得到他们所需的一对一反馈和鼓励。与此同时，ＭＡＴＨｉａ也能够给教师提供学生学习的实时反馈和评估，使他们能够实时了解学生的学习现状和动态，明确进一步的提升方向。

ＭａｔｈＮａｔｉｏｎ也是一个互动性的初高中数学学习平台，能够２４小时为学习者按需提供大量动态的在线资源，如高质量教学视频、作业本、协作学习工具、适应性评估和学习脚手架等，涵盖了学习者在初中和高中数学学习中所需要掌握的全部知识点。平台提供的资源是与当地大学的教育研究人员、学科专家合作，根据美国各个州的学术标准制订的内容，且会随各州政策变化做出灵活调整。ＭａｔｈＮａｔｉｏｎ为每名学生用户创造了个性化的学习体验：他们可以按照自己的学习习惯安排学习进度；从平台所提供的、不同风格的学科或领域专家中选择符合自己需求的导师，并跟随其学习；还可以使用练习工具进行测验并获得即时的结果和个性化的反馈：在需要帮助时，可向平台上的教师、辅导员和同伴寻求实时支援；在完成大项目或大任务时则可进行跨校的合作学习。

Ｃｏｕｒｓｅｋａｔａ是一本互动式在线教科书，涵盖了高中和大学的入门统计学和数据科学的所有内容。平台提供５个版本的教科书，包括１５００多个形成性评估问题，创造高度互动的学习体验，以此吸引学生全程参与、主动学习。ＣｏｕｒｓｅＫａｔａ还拥有丰富的教师数字化教学工具，在教师界面可以轻松分发和收集笔记，实时了解学生的思考过程和学习进展。

ＡＬＥＫＳ是一个知识空间和学习自适应平台，提供数学、化学、统计学入门和商业方面的课程材料，以及在线辅导和学习成果评估服务。ＡＬＥＫＳ利用知识空间理论，从测试问题的答案中精确诊断学生的学习水平，并基于评估结果为学生推送所需的材料，允许学生从平台推送的互动学习模块中自主选择并学习。

工具化平台的意义在于整合各种学习资源与平台学习、教学管理等功能，成为教师和学习者集结、利用学习资源的数字空间，不仅为他们提供了丰富、便捷的资源链接，同时也创造了互动性的个性化体验。

ＡＩ导师

人工智能（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）是制造智能机器、特别是智能计算机程序的科学，关注计算机如何利用人工的神经网络、强化学习、深度学习模仿人类的学习方式，实现机器学习。如今，人工智能已经应用于语音识别、客户服务、计算机视觉等场景，为人类生活和工作带来极大便利。

当下，人工智能己进入学习工程领域，美国的一批高等教育机构正在使用数据分析技术和机器学习平台来帮助学习困难的学生顺利完成学业。例如，佛罗里达大学利用数据分析和自动化技术追踪学生的学习进展，及时为那些学业落后的学生提供所需的支持，使其成功完成学业。常春藤科技社区学院利用机器学习来识别学生潜在的“挂科”可能性，并及时向有关学生提供辅导。在实际应用中，人工智能和机器学习对于降低学生“挂科”率、提高其学业完成率具有显著效果。以常春藤科技社区学院为例，第一个学期有８００多名教职员工参与机器学习项目，当系统识别出有“挂科”风险的学生后，这些教职员工即根据每个学生的情况提供具有针对性的学习建议，为学习困难学生提供免费辅导，帮助他们避免“挂科”。到了期中阶段，该校的“挂科”率同比下降了3.3个百分点，这意味着相比前一年，多了３１００多名成功完成课程考核要求的学生。

ＩＢＭ公司预测，随着知识图谱这一新兴技术在人工智能领域的兴起，自然语言处理的应用预计也会越来变得越来越复杂，人工智能在未来将使得人类和机器之间的互动更加便捷。具体到学习工程领域，更加生动直观的人机互动为ＡＩ导师的出现创造了可能性。其实早在１９７０年代中期，ＡＩ导师的设想就己经被提出，美国科幻作家艾萨克阿西莫夫在一篇题为“ＴｈｅＮｅｗＴｅａｃｈｅｒｓ”的文章中预测了一个未来：人口出生率下降，人类寿命延长，老年人仍需继续工作。这种情况要求人类终身学习，教育成为一种终身活动，然而社会上缺乏足够的教师，难以满足人们终身学习的需求。基于此，阿西莫夫认为教师不一定是人类，也可能是无生命的机器人，他因此提出了ＡＩ导师的设想。

在阿西莫夫的设想中，每个人都与一台带有互动功能的个人教学机器紧密合作，这台机器从“数字化中央图书馆”获取信息，然后与人类进行互动。这个教学机器能够为人类提供无穷无尽的知识，运转起来非常灵活，最重要的是还具有无尽的耐心，它不仅能为人类提供教学指导，还能向人类学习。人类将提出问题、回答问题、做出陈述、提出意见，机器能够从这些过程中很好地衡量学习者的学习进展，根据学习者实际水平调整其教学速度和强度，还能根据学习者的兴趣灵活调整教学方向。这便是ＡＩ导师的初期设想。这个设想激发了美国高中的一位校长巴利的灵感，他在课堂上尝试使用机器人来辅助教学，希望机器人教师能够帮助改善那些教师资源匮乏地区的教育状况。巴利的尝试十分成功，但他也强调机器人只是人类教师的补充，对人类教师的工作提供支持，而不能替而代之，简言之，人类教师不会被淘汰。

随着ＡｕｔｏＴｕｔｏｒ的诞生，人类对ＡＩ导师的探索前进了一大步，它是由美国孟菲斯大学发明的基于自然语言的人工智能导学系统，能够模仿人类导师的话语和动作，为学习者提供辅导。ＡｕｔｏＴｕｔｏｒ具有认知智能和情感智能，能够评估学习者的知识水平并给出个性化反馈，还能够基于导学对话过程中的话语模式、学习者面部表情、肢体动作和语音语调来监测学习者的情感状态，及时做出相应的情感回应。与ＡｕｔｏＴｕｔｏｒ类似，创立于美国匹兹堡的语言学习软件Ｄｕｏｌｉｎｇｏ也带有基于人工智能的对话机器人导师功能，机器人导师能够辅导学习者的语言学习，与学习者进行即时对话。

基于人工智能的机器人导师具有自然的人机交互、智能的服务方式、丰富的技术框架，可为学习者提供个性化辅导、交互式问答和情境式学习，为学习者和教师创设了智能化、个性化的学习支持系统，促进了教育领域的智能化发展。

Ａ／Ｂ测试

Ａ／Ｂ测试是学习工程领域中广泛应用的检验工具，用于对某项技术或某个平台的应用效果进行检验。Ａ／Ｂ测试也称简单随机对照实验，对照组与实验组的样本分别记为Ａ样本和Ｂ样本，除了实验所关心的某一条件外，两个样本在其他方面具有相同的条件，因而形成对照。Ａ／Ｂ测试所利用的统计原理是双样本假设检验，在不同情境下分别通过几种不同的检验方式来实现，如Ｚ检验（Ｚｔｅｓｔｓ）、ｔ检验（ｔｔｅｓｔ）和费雪精确检验（Ｆｉｓｈｅｒ’ｓｅｘａｃｔｔｅｓｔ）等。

在学习工程领域，研究人员常利用Ａ／Ｂ测试来比较教学辅助平台上教师提供的两种不同的问题反馈方式，使教师能够确定使用哪种反馈方式对学生学习最有帮助，如ＴｅａｃｈｅｒＡＳＳＩＳＴ。其创建者尼尔赫弗南（ＮｅｉｌＨｅｆｆｅｒｎａｎ）的初衷是创设一个平台，全美各地的教师都可以在此分享、讨论教学技巧。教师在ＴｅａｃｈｅｒＡＳＳＩＳＴ平台选择教学问题，并为学生创建关于该问题的反馈（Ｆｅｅｄｂａｃｋ），教师可以选择文本或视频格式，以提示（Ｈｉｎｔｓ）或解释（Ｅｘｐｌａｎａｔｉｏｎｓ）的形式提供反馈。教师提供的反馈通过平台中的ＡＳＳＩＳＴｍｅｎｔｓ功能向学生显示提示和解释信息，ＡＳＳＩＳＴｍｅｎｔｓ就像教师的维基百科，针对学生学习中的普遍性问题，特别是那些作为开放教育资源提供的问题进行众包（Ｃｒｏｗｄｓｏｕｒｃｅ）、提示和解释。对于学生而言，不同的反馈方式和反馈内容对于问题解决以及后续学习可能具有不同的效果。因此，为了了解哪些解释和提示是有效的，平台使用Ａ／Ｂ测试对教师提供的内容进行测试，帮助教师和学生找到有效的反馈内容和最具效率的反馈方式，为不同类型的学生提供个性化支持。

与ＴｅａｃｈｅｒＡＳＳＩＳＴ类似，ＥＴＲＩＡＬＳ平台也利用ＡＳＳＩＳＴｍｅｎｔｓ功能，让研宄人员在真实的学习环境中自由运行实验，在平台上大规模地提出教育问题，并测试哪些类型的提示或解释对不同学生在ＡＳＳＩＳＴｍｅｎｔｓ中的学习效果最有提升价值。此外，还有其他一些平台支持Ａ／Ｂ测试以实现特定的比较功能，帮助学生找到更有效率的学习方式和学习环境。例如，ＵｐＧｒａｄｅ是一个用于教育领域Ａ／Ｂ测试的开源平台，它允许教育科技公司在他们自己的软件中运行实验。而Ｔｅｒｒａｃｏｔｔａ平台则能够进行一系列的实验设计，以反映教学实践的复杂性，通过更加方便的实验和测试帮助教师了解

不同教学实践的有效性，确定对学生学习效果最好的教学方式。Ａ／Ｂ测试非常适合用于了解学习者喜欢哪种反馈方式，它基于真实的学习行为进行数据分析与比较，可以清楚地了解学习者对反馈方式的偏好，大大提高了学习工程在教学和学习中的应用效果。

（摘自：《上海教育》2022年（28） 太仓市良辅中学教科室周萍）

 

推荐理由：学习是一个高度复杂的过程,当代学习研究的基本架构包括学习科学、学习技术与学习工程,科学、技术与工程形成三元耦合结构。学习工程(Learning Engineering)以满足学习者的特定学习需求为目的,基于真实的学习场景和学习科学理论,利用系统的学习技术对学习行为、学习体验、学习环境等数据进行分析与测评并做出反馈,然后据此帮助教师与学生不断完善学习设计,以提升学习效果，本文学习工程的实现路径与技术工具，有借鉴意义。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

从学习科学到学习工程：历史跨越与未来走向

周子荷 刘三女牙 李 卿

 

[摘 要] 在学习理论层出不穷、学习技术蓬勃发展的背景下，学习工程受到了广泛关注。文章基于对科学、技术与工程之间的关系的新解读，分析了学习科学的工程学隐喻，提出当代学习研究中存在着“科学—技术—工程”的三元耦合结构，以此论证了学习工程即将崛起的必然性。 在此基础上，总结了学习工程这一学习研究新的分支领域目前发展的基本状况与成果，指出了未来在基础研究深化发展、方法论创新与伦理和价值观重建方面面临的挑战，并通过对教育领域内技术原始创新及其工程化应用的两个经典案例的分析与解读，讨论了如何从历史中汲取经验与智慧，展望了学习工程未来的发展之路。

[关键词] 学习工程； 三元耦合结构； 学习科学； 学习技术

一、引 言

学习作为教育的一个基本范畴，是一个高度复杂的过程。 它在实践中的改进既需要以学习科学为支撑，又需要以学习技术为杠杆。 但学习科学和学习技术要真正走进学习实践，必须要经过学习工程这一关键环节， 即基于学习科学对学习技术的工程化应用。学习科学、学习技术与学习工程共同构成了当代学习研究的基本架构。 要真正把握当代学习研究的总体格局，首先必须正确认识科学、技术与工程之间的关系，而人类对科学、技术与工程之间的关系的认识是在历史实践中不断深化发展的。

二、学习研究中“科学—技术—工程”的三元耦合结构

（一）从线性相关到多级耦合：对科学、技术、工程关系认识的深化

科学是“对自然或现实世界的结构和行为的系统研究，或是通过对世界的仔细观察及试验中获得的知识”。 它关乎对客观事实与本质规律的探索。 技术是“科学发现用于实践的方法”， 为科学知识的运用与发展提供了途径。 而工程则是综合科学理论与技术手段，“将人工物的设计和结构组织起来以改变周围的物理世界，使之满足认知需要的实践”，是基于自然规律、特定社会需求与目标而形成的可能的特定技术方案组合，是一个从无到有的造物过程。

在漫长的历史进程中，科学、技术与工程构成了一个连续体。 这一连续体首先展现出来的似乎是线性延展的特征。 科学理论的深化为技术提供了扎实的基础与强大的动力，技术创新架起了科学与工程之间的桥梁，进而实现了工程的应用与推广。 然而，其后社会历史实践的进一步发展表明，科学、技术与工程之间又不只是这种正向延展的线性关系，在从理论向实践转化的过程中，工程化应用反过来又会推进技术的进步，而技术的进步又会给科学研究提供强有力的支撑，推动科学的发展。

在从理论到实践，又从实践反馈于理论这一螺旋式上升的过程中，科学、技术和工程形成了一种三元耦合的稳定结构。 在这个结构中，它们相互作用、具有多层级结构和复杂因果循环反馈回路。 工程通过将科学知识综合化、技术手段系统化，对科学理论进行验证，为技术应用提供反馈，最后为实践这个复杂性过程提供最优化的解决方案。 相较于工程，科学与技术在发展的过程中，往往是在某一特定的方面有先进性与创新性的突破，但工程项目的实施则需要在技术现实性、经济可行性等多方面进行考虑。

科学的目的是获取知识， 技术的目的是开发工具，而工程的目的则是创造“人工物”。 由知识到人工物的转化过程，涉及多次的协调与优化，因此，设计与建模在工程中起到了重要作用。 设计作为工程实践中综合性较强的统筹环节， 主要对人工物的结构形式、

功能特点和运作方式进行反复考量，以实现效用最大化，从而达到外部环境所期望的目的与要求。 工程设计通过对人工物进行系统的、智力的概括与评估，以实现人工物由功能结构到物质结构的转译。 而模型作为工程实践中表征性较强的认知工具，则主要是针对人工物的材料或设备创造、优化进程，以增进认识目的而构建的具体对象。 工程中的模型能够为人工物提供全面的、明晰的认知与构建，在这个特定的实践过程中，模型因其较强的表征性、中介性及构建性而有助于理解、优化与完善人工物的创造。

（二）学习科学及其工程学隐喻

19 世纪末 20 世纪初，心理学家转向教育，开启了征服教育学这一新世界的新征程，对学习的探索逐渐从猜想走向科学。 20 世纪 50 年代以后，神经科学、心理学、语言学、哲学、人类学、社会学、认知科学、人工智能等领域不断交叉融合，对科学、全面地认识人类如何学习起到了重大的促进作用。 20 世纪 80年代后，“基于设计的研究”（Design-based Research）作为学习研究方法论创新的标志性成果，直接促成了学习科学这一新学科的崛起，实现了学习研究重心由单纯的理论解释向综合性的技术“人工物”构造的转化，建立了学习研究的工程学隐喻。 柯林斯（CollinsA）指出：“教育研究同样具有工程科学的性质，因此，应该创立一门教育的设计科学……然而，它不能是一门分析的科学，诸如物理学或心理学，而应该是一门设计的科学，诸如航空科学或人工智能。 ”

新生的学习科学具有浓郁的工程学气质。 库伯（Paul Cobb）曾经指出：设计实验（即基于设计的研究）的典型特征即在于以工程实践的方式构造出特定形式之学习的同时，对这些形式的学习展开整体性的研究；无论是工程化的构造还是整体性的研究，都是在由支撑那些学习形式的手段所界定的境脉中完成的；这一经过设计的境脉要不断接受检验和修正，由此导

致的逐次迭代过程所发挥的作用和实验中系统性波动所发挥的作用是类似的[13]。 巴拉卜（Sasha Barab）等人也认为，作为一个新学科，学习科学所从事的研究，很关键的一点即在于：它超越了对世界的静观，而是深度参与到对研究境脉的系统性构造中，并以此促进新理论的产生与发展。 基于设计的研究作为一种新的学习研究方法论，为学习科学家以工程实践的迭代方式构造作为人工物的学习环境， 进而改进学习实践，发展学习理论，提供了一个强有力的方法论的工具包。

进入 21 世纪之后， 在学习科学不断揭示人类学习机制的基础上，信息技术的发展催生了众多学习技术，极大地丰富了研究人员揭示学习机制和改进学习绩效的工具箱。 学习技术不断走向各个领域，为学习者提供了多元化、系统化的知识建构平台，营造了个性化、智能化的学习环境。 基础科学、技术创新和工程实践之间的交互关系日益密切。 人工智能、交互式多媒体、可视化技术、计算机网络等学习技术的发展都与学习科学的基础研究有着密切关系，如人工智能关注机器如何进行学习，而准确掌握人类学习的方式有助于实现机器学习。 特别值得注意的是，以罗杰·尚克（Roger Schank）为代表的大批人工智能的科学家与技术专家从机器学习日益转向对人类学习的关注，使学习研究的工程化取向达到了新高度。

（三）学习工程的崛起及基本内涵解读

随着研究的深入，国际学术界的学者们对学习工程纷纷提出了自己的理解。 亚马逊学习科学和学习工程项目主管坎迪斯·蒂勒（Candace Thille）提出“在高等教育中，学习工程师需要与学习研究者、教学实践人员合作，设计给学生和教师提供反馈的学习环境以及数据系统，为学习设计的持续完善提供支撑，同时促进人类科学的发展”。 哈佛大学教育学院教授克里斯·迪德（Chris Dede）将学习工程师描述为懂得学习、学习测评理论及实证研究的专家，并能将这些成果运用到具体实践情境中，以考核它们的价值，并在此基础上，改进先前的启发式算法和模型，使学生的学习更高效。 谷歌分析学会团队负责人克莉斯·詹宁斯（Chris Jennings）认为，长期的形成性评估是学习工程的一个重要优势，学习工程的成功取决于对数据的充分利用与分析；同时，学习工程通过制定持续的测评计划，在测评结果的基础上不断探索更合适的方法，从而在教学、学习及实践上取得更好的表现结果。波士顿学院学习工程硕士研究生项目创始人珍妮特·科洛德纳（Janet Kolodner）将学习工程定义为“系统地应用学习科学的原理和方法，从而对学习者和学习有更全面的了解”。

尽管不同学者对学习工程的定义在用词与着重点上不尽相同， 但基本都体现了学习工程的本质特征：面向真实的学习场景，以满足特定学习需求为目的，基于学习科学的理论，系统地利用学习技术方法对学生的学习体验、学习环境等数据进行测评，并根据反馈帮助教师与学生不断完善学习设计，以提升学生最终的学习效率和效果。 学习科学、学习技术与学习工程是三个不同而又相互联系的分支领域，学习科学植根于理论中，学习技术植根于实验室中，而学习工程扎根于现实世界中，三者共同构成了当代学习研究的三元耦合结构。 学习科学仅为教育者提出理论，并不直接作用于学生的学习过程。 学习技术的应用常常只优化了学习全过程中的某一方面，难以全面提升学生在学习生涯中的整体表现。 相较于学习科学与学习技术，学习工程则整合了学习的理论研究与技术创新的成果，强调系统方法和最优结果，探寻的是对真实场景里多种变量协调后的最优解，开辟了面向学习实践进行探索的新领域。

学习工程面向实践， 以结果或者绩效为导向，可变因素较多，需要经过多次修改与完善。 在这个寻求最优解的过程中，学习科学的理论背景与学习技术的方法起到了重要的基础作用。 然而从理论、技术到实践并不是一蹴而就的过程，需要大量试错与优化。 这种试错与优化在传统学习过程中耗时过长、 难以实现，但现在流程化、高效能的计算机技术和实时性、高质量的数据分析技术可以使学习工程实践中的结果和绩效更易采集、可变因素更易分析，最终将这种漫长的过程进行简化和压缩，大幅提升数据分析的精准水平和反馈效率，从而更全面地引导学习工程实践中的设计与优化。

交叉性是当代学习研究的一个显著特征。 要驾驭这种交叉性，需要系统工程的方法论。 日本学者三浦武雄曾说：“为了圆满解决这些交叉领域的问题，除了需要某些纵向的专门技术以外，还有一种技术要横向把它们组织起来，这种横向技术就是系统工程，也就是研究系统所需的思想、 技术和理论等体系化的总称”。 系统工程的目的就是从各个方面平衡、组织、管理系统中的各种元素，以实现最终需求，达到最佳的学习效果。 系统工程中的协同优化过程，即是将技术和方法综合集成，进行规划、研究、设计、制造、试验与改进的结构化过程。

综上所述，学习工程是一门整体性、综合性极强的交叉学科，融合了学习科学、学习技术、计算机科学、数据科学与系统工程[23]，充分体现了集科学特征、技术特征、大数据特征、设计特征为一体的工程思维。基于前文关于内涵的阐述以及推导，笔者提出，在学习科学、学习技术、计算机科学、数据科学与系统工程的共同作用下，构成了学习工程实践框架，如图 1 所示。

 

三、初露峥嵘：人工智能时代学习工程崛起的现实景观与潜在挑战

（一）学习工程学科专业设置与学术机构建设

在数据量级增大、数据类型增多、信息交换频率增加的背景下， 在机器学习不断发展的催化作用下，人工智能技术改造社会的工具性优势日益明显，大量基于人工智能的教育工具逐渐渗透到学习的不同场景，为学习工程未来的发展营造了良好的氛围。一方面，人工智能作为计算机科学的分支，通过算法解析为海量数据的分析提供了高效的技术手段，为工程的设计打造了智能化的环境，为工程的优化带来了信息化的管理平台。 另一方面，人工智能综合了数据科学的核心思想，通过对数据进行操作、对信息进行解析、对知识进行转换以实现智慧的综合集成，其间涉及信息科学、统计学学科理论与机器学习可视化等技术手段的交叉与融合，是一个解析的、不断学习的、“应用驱动”[26]的数据增值手段，大幅度地提高了面向实践与应用的学习工程的反馈效率，从而更全面地引导了学习工程的设计与优化。

人工智能时代，都看到了学习工程未的发展前景，相继开设了学习工程项目，开始了对学习工程师的培养。 哈佛大学“技术、创新与教育（TIE）项目”为期一年，以学习的认知、情感和社会维度为中心，主要研究设计促进教学的学习技术、教学管理方法，并开发参与式学习的新技术与媒体，如在线学习、移动式学习、社交媒体等。 斯坦福大学“学习科学与技术设计（LSTD）项目”历时两年，课程包括学习、设计研究、计算机科学、工程或同类领域（比如心理学、语言学、机器学习、神经科学或者数据科学）方面的专业知识。 波士顿大学“学习工程（MA）项目”主要培养学习工程师针对学习环境、学习体验和学习技术所需的设计技能，主要强调三方面的内容：人们在社会发展、文化交融、情感交流中的认知过程，以及其他因素对这些过程的影响；如何使得学习者在参与式学习中学习效率最高；应用所学的知识对学习者进行个性化学习设计，并针对学习的体验、环境和技术对学习设计进行分析与评估。 这些专业虽然侧重点、培养模式有所不同，但都体现了学习工程这一学科的交叉性与系统性。

近年来，研究人员在学习科学、学习技术的整合发展及工程化应用方面做了大量创新工作，并取得了阶段性成果。 国内外诞生了各种信息化、智能化的学习平台，极大地拓展了智能技术的教育应用场景。 人工智能技术深化发展有力推动了智能助手在不同教育阶段、不同教育功能、不同教学学科等多维度教育场景中的应用，受到了广泛关注。 如纽约大学和加州大学尔湾分校（UCI）两所世界名校共同研发的知识空间的评估和学习自适应学习平台(ALEKS)，目前已经被全球数千所 K12 学校与大学作为日常教学用具使用，通过知识空间和认知诊断技术精准定位每位学生的知识水平， 从而实现个性化学习资源的推送。再比如孟菲斯大学的人工智能研究所发明的基于自然语言的智能导学系统（AutoTutor），通过预期—误解定制式对话，在反馈、铺垫与启发式提问中帮助学生建构出理想的答案。 基于人工智能的教学助手所具有的自然人机交互、智能服务方式、丰富的技术框架，为学生、教师等创设了有效的学习与教学环境，未来有着相当大的发展空间，成为当前学习工程创新发展关注的焦点主题。大数据时代，教育领域也涌现出海量的数据，“智能导师系统”“人工智能系统”的蓬勃发展，掀起了学习工程领域中“教育数据挖掘”研究的热潮，激发了更多的学者对学习者行为分析的探索，即通过测量、收集、分析和报告有关学习者及其学习情境的数据集，对学习进行实时诊断、反馈及干预，实现学习的持续改进，最终优化学习效果。 目前，国外部分高校已全面展开学习分析系统实践，如北亚利桑那大学的评价绩效状态系统 GPS（Grade Performance Status），基于Mixpanel Analytics、Userfly、Gephi、Socrato 等学习分析工具，对学生的出勤情况、课程成绩以及课业问题进行分析评估，并通过邮件发给学生，学生根据邮件内容作出相应改进，以提高学生的学习质量。 基于大数据的技术创新为教育者、学习者、管理者、教育研究者等各层次的使用者揭示了原本隐藏的教育信息，为学习工程的各阶段提供了复合化的数据资源、 实时的多角度分析技术以及可视化的分析结果，在丰富使用者视角的同时，实现学习系统的高效组织与管理，这成为当前学习工程创新发展的重要板块。

（二）学习工程专业领域发展中的隐忧与挑战

随着科学的发展与技术的进步，人类会步入学习工程时代。 在这个新的学习时代，学习将逐渐由学习工程所主导，即以学习者为中心，制定面向实践的个性化方案，为学习者提供最优化的技术与方法，将学习的最终效果提升到一个新的层次。 然而，我们必须承认：学习工程还处于成长的初期阶段，在未来的可持续发展道路上还面临着诸多挑战。 总体来看，主要包括以下几个方面：

（1）完善科学层面的基础研究。 我们无法想象：没有牛顿对经典力学的贡献，人类可以构造航空航天的工程技术系统，实现飞天和登月的梦想；没有爱因斯坦的质能发展对原子能量之奥秘的揭示，人类可以在原子武器的研发上取得成功。 同样我们也无法想象：没有脑科学在分子、细胞甚至基因水平上对学习之神经机制的揭示，我们对学习的理解能够真正摆脱蒙昧的状态，彻底把对学习实践的改进建立在科学而不是猜想的基础之上。大脑是学习的重要器官，脑科学对大脑的功能、结构和规律的认识，有助于开发适宜不同个体大脑发展的学习环境， 为因材施教和个性化学习提供依据。 现在，我们已经非常欣喜地看到，伴随着各种技术的进步， 人类打开大脑这一黑箱可以使用的工具也越来越多，对人类学习的基本理解日益丰富。

（2）发展学习工程的方法论。 个性化学习与发展离不开脑科学、认知科学、心理学等层面上对学习的基础研究，但如何把科学层面上对学习机制的基础研究向学习工程实践层面上进行转化，却是一个无比巨大的挑战。 这个挑战主要是方法论层面上的。 基础科学研究告诉了我们有关人是如何学习的知识，但基础科学沿用的一套方法论却回答不了如何改进人类学习这个问题。 科学的方法论注重推理、演绎，而工程的方法论注重建模与设计。 科学方法论只能够为如何解释学习提供指南，只有工程方法论才能为改进学习的实践提供行动框架。 学习工程未来发展面临的一个核心问题即为方法论体系的构建，即如何在科学方法论上进一步创造属于学习工程的实践方法论，借助新的资源实现方法论的重建。

（3）构建学习工程的伦理与价值观。 改进学习实践，促进人的发展，是学习工程最高层面的追求。 一套标准化的伦理规范与价值观体系，能够对学习研究的合理性以及价值进行实时审查，对学习实践过程的偏差进行及时纠正与调整，有助于确保学习工程能够服从和服务于这个目标，而不是相背离。 同时，鉴于学习工程直接面向学生的学习过程、 教师的教育过程，因此，人文关怀也是必不可少的。 只有构建完整和标准的伦理和价值观体系，才能达到规范学习的技术实践、优化最终学习结果、实现学习工程可持续发展的目的。 但是，我们也必须看到，由于学习工程涉及不同学科之间的交叉与融合，且其直接面向的是真实的学习场景， 使得伦理与价值观体系的构建更加复杂，也给学习工程未来的发展带来了极大挑战。

四、从历史中汲取经验与智慧：展望学习工程创新发展的未来之路

回溯历史，我们可以从中为学习工程找寻到一些应对以上挑战的经验与智慧，并可以有效推动教育技术的创新发展。 近代以来，教育领域内技术的原始创新及其工程化应用，有两个例子相对具有典型性。 一个是斯金纳（B. F. Skinner）发明的教学机器，另外一个则是西摩尔·帕伯特（Seymour Papert）发明的 LOGO语言。 二者的历史告诉我们：扎实的学习科学基础研究无疑是学习工程创新发展的源泉。 没有在科学层面上对学习机制的基本理解，就难以在教育领域内实现真正意义上的技术创新，其工程化应用无疑也会沦为遥不可及的水中月、镜中花。

1954 年，斯金纳基于对操作性条件反射的研究，设计了一台程序教学机器，首次实现了对学习领域原始的技术创新。 斯金纳认为，“学是循序渐进的科学过程，教则是将学生与教学设计相结合的艺术”，传统教学方式主要通过负强化刺激学生学习，不利于学生学习兴趣的培养，应该通过积极的强化来提升学生的学习动机。 基于以上理论，斯金纳设计的教学机器通过程序教学技术创新囊括了一系列正强化关联的教学设计，并能对学生的答案及时作出反馈，有助于增强学生的学习动力，培养学生的自主学习能力，提升最终的学习效果。 但其实早在 20 世纪 20 年代末，另外一位心理学家普莱西就设计了一台与斯金纳高度类似的教学机器，希望能对学生进行自动测试，但却失败了。 其中一个很重要的原因就是普莱西教学机器这一技术创新的背后缺乏在学习基础研究上的突破。

20 世纪 60 年代，信息技术的快速发展激发了学者对计算机教育应用的探索与创新。 作为人工智能的先驱之一，帕伯特将皮亚杰（Jean Piaget）“建构主义”（Constructivism）学习理论进一步发展为“构建主义”（Constructionism）教学理论。 帕伯特坚信“越小的孩子越容易从变化的学习环境中受益，而计算机为孩子提供了主动构建知识的环境，有助于提升孩子思考与学习的能力”。 为此，他开发了一门可供儿童学习使用的编程语言—LOGO， 希望通过程序化语言情境的创造来有效激发儿童的好奇心，培养儿童的逻辑性与条理性。 LOGO 作为构建主义教学理论最经典的原型，是历史上第一款专门针对儿童学习设计的编程语言，也是继斯金纳教学机器之后，早期学习的基础研究在技术领域上又一次成功的探索与创新。 但我们必须看到，LOGO 语言成功的前提是皮亚杰以建构主义理论对儿童学习机制作出的新科学解释。

在展望学习工程的未来前景时，我们还不应忘却一位先贤，那就是第一次提出“教育工程学”概念的查特斯（Werrett Wallace Charters）。 作为 20 世纪上半教育科学化运动的代表人物，查特斯在长达半个世纪的时间里都致力于对“教育工程”思想的实践探索，强调以系统方法把教育理论与实践进行结合，却一直遭到当时学术界的曲解与批判。 查特斯的思想无疑是领先于他所处的那个时代的。 但这些闪光的思想何以没有能够放射出灿烂的光辉以照亮那个时代，而是被遮蔽在历史的烟雾深处不为人知， 他本人也成为“孤独的先驱” 这无疑是非常值得我们深思的。 在当时的历史阶段，教育的科学研究尽管有进展，但显然还没有到科学的水平上，教育的技术创新也是以引进通用技术为主，而难以在原始创新上有所作为。 以上两点决定了即使有人领先于时代提出教育工程学的思想，这些思想也不具备落地生根的现实性。 历史的发展自有其本身的规律，是不能人为超越的。 学习工程一步步走向历史的舞台，遵循的也是这个逻辑。

历史的车轮滚滚向前。 一百年来，学习的基础理论研究取得了丰硕成果，从早期关注“动物是如何学习的”，到其后关注“机器是如何学习的”，再到今天致力于回答“人是如何学习的”，学习科学的理论家们在教育学、心理学、认知科学、神经科学与脑科学、语言学、社会学、人类学、计算机科学、哲学等多学科领域的交叉地带破解人类学习的奥秘， 取得了重大进展。特别是当代教育与认知神经科学在分子、细胞乃至基因的水平上对人类学习机制的认识，为我们利用技术手段干预学习实践奠定了新的科学基石。 与此同时，信息技术革命的纵深发展，特别是计算机和互联网在教育教学领域内深入而广泛的应用，催生了一系列现代化的学习技术，构造了数字化的学习环境，极大地提升了教学与学习的技术含量，在把教育这一古老的行业从劳动密集型向技术密集型转变的历史进程中实现了阶段性突破。 70 年前，发明了教学机器的程序教学之父斯金纳曾经感慨：“教室的机械化水平连家庭的厨房都不如。 ”今天，这种局面已经在很大程度上得到了改观。当今世界正发生深刻变化，面临百年未有之大变局，教育面临深刻变革。 科技进步日新月异，新一代信息科技革命蓄势待发，信息化发展进入融合与创新的新阶段。 互联网、云计算、5G 通信、人工智能、物联网、大数据、区块链、虚拟现实等新兴技术正深刻改变人类的思维、生产、生活、学习方式。 经济社会发展对人才的需求快速变化，各国人才竞争进一步加剧，对创新人才的需求空前迫切。 为应对瞬息万变的社会需求，推进教育深层次、系统性、全方位变革刻不容缓。一百年前，查特斯创建教育工程学的梦想，在今天将通过学习工程重新回到人们的视野，引领学习研究的创新发展，并肩负起创造新教育的历史责任。 已有的学习科学的基础研究及学习技术的创新发展，已经为学习工程的崛起奠定了坚实基础。 立足于学习科学的基础研究，抓住新一轮科技革命的机遇，推进教育领域内技术的原始创新和系统集成，充分发挥新一代人工智能、大数据等新兴信息技术的作用，开展大规模的工程化应用，构造一个面向学习实践的多维综合系统，形成学习科学、学习技术、学习工程三元耦合、协调发展的新格局，不但有利于学习工程的快速崛起与可持续发展，也有利于推进学习的基础研究和技术创新，并打破理论与实践之间的阻隔，实现第一代学习科学家们在创建学习科学这一新领域时确立的发展学习理论、改进学习实践的价值追求。

五、结 语

当学习研究的历史转折尚未来临时，强行提出学习工程的概念，自然不会有多大的意义。 但当学习研究的时代变局到来时，如果消极应对、无所作为，也是对历史的一种不负责任。 本文对学习工程的探讨，正是基于一位教育技术与学习科学领域专业人员对历史的责任，希望在学习工程小荷才露尖尖角时能够引起更多学界同行的注意，加速这一历史进程，从而更好地促进学习工程的创新发展。

摘自：《电化教育研究》2020.11

摘录者：太仓市浮桥镇浏家港中学 教科室 蒋健

 

推荐理由：文章基于对科学、技术与工程之间的关系的新解读，提出当代学习研究中存在着“科学—技术—工程”的三元耦合结构，在此基础上，总结了学习工程这一学习研究新的分支领域目前发展的基本状况与成果，指出了未来在基础研究深化发展、方法论创新与伦理和价值观重建方面面临的挑战，并通过对教育领域内技术原始创新及其工程化应用的两个经典案例的分析与解读，讨论了如何从历史中汲取经验与智慧，展望了学习工程未来的发展之路。

 

 

 

 

学习工程的机遇和挑战

作者：林晨一

2022年7月26日至28日，在美国马萨诸塞州剑桥市麻省理工学院校园内，由学习工程行业联盟(Industry Consortiumon Learning Engineering,ICICLE)主办的学习工程会议隆重召开，就帮助学习者挖掘自身潜力、提升学习效率、享受学习过程等学习工程的理论与实践话题展开研讨。会议旨在搭建平台，让学习工程研究者、实践者交流前沿发现和优秀案例，也促使行业企业、政府教育管理部门和教育基金组织更好地了解学习工程中的经验、机遇与挑战，以便做出明智决策。

学习工程（Learning Engineering）是一个跨学科的概念，综合了心理学、教育学、人工智能、工程学、计算机科学等领域的相关理论。具体而言，是指对基于学习科学和教育技术的证据、原则和方法的系统化应用，目的在于创造有吸引力且高效的学习体验，以帮助学习者解决在学习中遇到的问题，并高效完成目标明确的学习任务。为此，学习工程将一套成熟的循证策略应用于对教学设计的改进，以提高教育成果。这一过程既强调重塑教育过程，以提升效率；又强调采用以用户（学生者）为中心的设计思维，结合对丰富数据集的分析、改进与迭代，在学习技术的支持下精准满足学习者的需求，为他们创造学习机会，铲除学习过程中的路障，最终取得更好的学习成果。

“学习工程”这一概念并非新词，但直到专注于人工智能、机器学习研宄的科学家们开始关注学习过程，学习研宄工程化转向的兴起与发展后，学习工程才得到普遍关注与重视。美国杜克大学数字教育与创新学院助理副教务长马修·拉斯科夫(Matthew Rascoff)就表示：“从教与学的角度来看，这是一个黄金时代，我们比以往任何时候都更了解人们的学习方式。”处在新发展阶段，学习工程面临着机遇与挑战并存的局面。

机遇：多股力量助推

数字技术的进步推动学习工程从理论走向应用、实践与创新。尽管20世纪60年代学习工程的概念就己出现，但当时学者关注与讨论的重点在于学习工程的概念、理论等哲学层面的思考。尽管这些探讨在很大程度上奠定了学习工程的发展基础，但其自身的实践性与应用性导向表明理论层面的构建是远远不够的，而近年来兴起并蓬勃发展的学习分析技术在学习工程的理论与实践之间架起了桥梁。学习分析技术涉及多个学科与领域，如认知科学、计算机科学、信息科学、神经科学等，主要整合了机器学习、工程技术、人工智能等相关领域的核心内容。学习分析技术可以基于教育过程及教育结果中产生的数量多、种类繁的教育大数据，系统、全面地搜集学习指标数据并予以智能算法分析，为学习工程的实践提供了数据支持。事实上，学习工程始终以数据为中心，不仅需要根据数据分析的结果调整、优化现有的课程设计方案，还需要对分析中出现的问题进行针对性的解决，以便为未来设计方案的迭代路径提供启示。未来，学习分析技术将进一步朝着精细化、科学化方向发展，而数据驱动的学习工程也可以凭借更加精准、更加全面的教育大数据，顺着其理论脉络更广泛地融合到教育实践中，推动学生学习效率的提升和学习结果的优化。

此外，个性化学习的盛行为学习工程提供了新的发展方向。根据美国教育部2010年发布的《国家教育技术计划》中的界定，个性化学习是指依据学生的学习需求来调整教学节奏，基于学生的学习偏好来调整教学内容，以及针对不同学习者的兴趣来调整教学内容。在一个完全个性化的学习环境中，学习目标和内容以及方法和节奏都可能因个体差异而有所不同。随着信息化时代的到来，传统工业时代基于统一标准、统一进度的大规模教学模式，难以承担为国家与社会培养出具备创新能力的新时代人才的重任。在此背景下，对于个性化学习的关注与呼声愈来愈高。但受限于传统教育模式下教育者的时间、精力，他们很难全面关注到不同学习者的差异化诉求与个性化需要，真正实现因材施教。

这一现实困境恰恰是学习工程大有可为之处。在技术与数据的支持下，学习工程实践者可以开发多种模式的学习体验和差异化课程，使每个学生都能依据学习效果最优原则以及长期学习目标的指引，独立安排个人的学习重点与学习过程；并通过营造合作学习的氛围，提升学生的学习参与度、成长性思维、自我效能感和学习初性，来帮助他们提升学习品质；此外，学习工程还可以在每段教育经历中嵌入诊断性评估，如针对学生的学习需求或课程重点、难点进行更快、更深入、更及时的诊断，包括对学科、领域知识的深度学习评估、真实情境中的表现性评估等。这些诊断性评估对学生系统思考、协作和解决问题的提高不无裨益，也有利于指导学生的自主学习，对他们后续的学习具有长远的积极作用。

不难看出，一方面，个性化学习的实现需要学习工程提供重要的数据与技术支持；而另一方面，对于个性化学习的追求也进一步推动学习工程朝着更全面、更精准、更科学的方向发展。两者相互借力，共同营造基于人机互动、师生互动、生生互动、资源共享的线上、线下同步的学习环境，真正做到以学习者为中心，凸显学习者个性和特长，助力培养数字时代所需的创新型、创造型人才。

此外，对教育效率的追求为学习工程提供了评价标准。对个性化学习的重视并不意味着放弃教学与学习的效率，相反，处于科技发展的大时代，教育变革必将回应时代需求，通过学习资源的最优化配置以实现高效率学习。在传统教育情境下，全面衡量学生的学习行为与学习结果，进而评估教育效率和有效性是一件极具挑战的任务：一方面，评价教育效率有赖于大量学习过程的信息，仅仅依靠人力难以完成大规模、大范围数据的搜集，且相关信息的隐私问题也将面临质疑；另一方面，教育过程中对于学习者批判性思维、创新能力等隐性、长远能力的培养，也很难依靠标准化考试的分数或调查问卷予以测量。

而学习工程恰恰可以利用教育大数据来反复改进学习体验的设计。采用学习分析技术和教育数据挖掘技术，我们可以很好地对来自多元教育环境的数据进行分类、统计和深入研究，将此与设计研究(Design-based Research)相结合，就能对“学习者是如何学习的”“什么样的教学策略能够实现最佳的学习效果”以及“如何采集关于学习者实现预期结果的有效、可靠的证据”等问题形成更为科学、专业的洞察力。得益于实证性的精准施教，学习者的课程参与度、教师的教学效率都将显著提高，换言之，学习工程促进了教育效率的提高。

美国伍斯特理工学院计算机科学教授尼尔·赫弗南(Neil Heffernan)始终致力于学习工程的应用与实践，在他关于“提高基于机器学习的学术写作的质量”的项目中，他发现，该技术一方面可以帮助学生快速、直接获取反馈，无需等待教师的评价就能独立完成学术写作训练；另一方面也大大减少了教师批改作业的任务量，优化了他们的教学时间安排。随着新时代教育变革的不断发展，对于教育效率的追求为学习工程的发展提供了方向与路径指引。基于当前教育系统中效率较难评估，存在教育资源闲置、错配的现状，学习工程若以问题为导向，着重解决教育效率提升过程中的现实困境，一定能实现大力发展。

最后，学科课程设置与学术机构蓬勃发展也促进学习工程的系统化发展。单个学者、机构对于学习工程的探索较难推动大范围的应用，也会限制学习工程的进一步发展。而近年来，越来越多的高校与专业机构都参与到学习工程相关的研究与学习工程师的培养中来。如哈佛大学就设置了为期一年的“科技、创新与教育”(Technology,Innovation,and Education,TIE)硕士研究生项目，旨在引导硕士生们通过对教育技术与学习科学进行创新性应用，开发强大、适配的教学法以提高学习者的学习效率，解决具有挑战性与前瞻性的教育前沿问题。斯坦福大学为期两年的“学习科学与技术设计”项目(Learning Sciences and Technology Design,LSTD)则致力于培养硕士生们数字技术时代的学习环境设计能力。基于移动多媒体、计算机设备与互联网在正式学习与非正式学习中普遍应用的现状，该项目确定了两方面的教育目标：理论层面，学生们将探索学习者如何借助知识、工具和网络以及社会文化经验，进行多种背景下的理解、学习和协作，描摹其文化、心理和技术的具体过程；在实践层面，将学习如何系统地研宄和设计为学习提供支持的环境，以及如何通过学习环境设计改善学习成果。

除了高校推出学习工程类培养计划外，亦有相关专业机构投身于学习工程的专业化建设。如前文提到的学习工程行业联盟。2017年12月，建基于美国电子工程师协会的学习工程行业联盟(ICICLE)诞生。作为一个志愿性的专业组织，该联盟致力于推动学习工程作为一种职业和一门学术学科的发展。自成立以来，每个月举办一次会议，探讨围绕学习工程过程、实践和职业的一系列技术、科学和政策问题，并定期组织成员参加学术界、政府、行业和非营利组织的相关主题的会议，讨论如何利用学习工程原理和实践改善和优化学习体验。

国外如此，国内高校亦同样重视对于学习工程课程的设置。早在2018年，北京大学就曾在MOOC平台开设“学习工程与管理”课程，围绕学习理论、绩效技术、设计学习、学习环境与方法、数字化学习、测量与评估、知识管理、学习管理、人才管理、组织变革与企业大学等十个主题，系统介绍了学习工程的起源、发展与应用，为我国学习工程师的培养贡献了高校力量。

得益于数字科技时代内生的驱动力，以及高校与专业机构的积极参与和航道引领，学习工程的研宄与探索正朝着系统性、科学性的方向进一步发展，未来充满无限机遇。

挑战：从方法论、实施效果到人才储备

尽管发展势头迅猛，但学习工程的推进、应用和创新也面临多重挑战——

首先，学习工程建立的方法论基础尚未得到全面诠释。学习工程是学习科学理论的深化与应用，随着学习科学领域创新性方法论——设计研宄向工程学(engineering)方向的迭代升级，学习工程也得到深入发展。从这个意义上来说，学习工程一方面继承了学习科学建立的认知科学基础，即认知科学的范式转变促使学习研宄成为认知研宄中的重要部分；另一方面，学习工程以教育变革的内生需求与数字技术的进步作为客观驱动力，在两者的协同作用下，学习科学与学习工程才得以诞生。

然而，在发展过程中，学习工程却也面临着对其行为主义教育观本质的批评。批评者认为，学习工程不过是使用移动设备、互联网技术来呈现学习资料，并为学习者提高适时反馈。在这样的学习模式中，基于“刺激反应”行为主义教育观的内容传递与反馈机制并没有真正改变，只不过提出刺激与问题的主导者由传统意义上的教师变成了移动设备。面对此类质疑，学习工程亟需建立其合法存在的方法论基础来予以回应：一方面，其与学习科学理论的一致性、与行为主义教育观的异同与理念差异等问题有待进一步阐释和澄清；另一方面，学习工程如何从基础研究中的科学理论转向实践层面的探索，进而实现其对于学习实践的有效推动，亦有待探究。概念的发展与应用离不开学科基础与方法论的储备，学习工程应直面这一现实困境，系统阐述其存在的方法论基础，方可能在众多学习理论与构想中脱颖而出，成为教育改革发展的主流方向之一。

其次，学习工程实际应用的效果难以确证。尽管从理论上来说，学习工程对于促进学习将大有助益，但从现实角度来说，其实际效益却难以保证，原因是多方面的。其一，当学习工程被引入教学实践中更好的东西总是很难彻底替换次好的东西”，教师、家长、学生对其的接受度相当有限，传统教学方式方法仍具相当竞争力，如何促使他们了解学习工程，并引导其利用学习工程辅助教学、学习仍有大量工作需要完成。其二，难以通过客观量化数据证明学习工程的实际效果。不同于自然科学中对于效果的评价可采用基于双盲原则的随机对照实验，教育实践中基本不可能人为创造出一个近似实验室的环境来测量学习工程对于学生学习结果的影响。即便通过准实验的方法比较使用学习工程对于学生学习过程、学习结果等变量的影响，其样本量也只能保持在一个相对较小的水平。即使实验结果在统计学上被证明为有效，可以写在论文中，但数据结果也不具备足够的普适性与说服力，难以将其作为证明学习工程实际效用的代表性证据。其三，在测量学习工程实际效益时，面临着必须分离出单纯由学习工程带来的增量数据这一难题，只有剥离了其他可能影响实际效益的数据结果，方能证明学习工程本身的价值。

总之，学习工程在真正大范围应用、推广前，还需解决上述可能影响其实际应用效果的几个障碍，才有可能在教育实践中普及。

再次，学习工程领域专业人才储备不足。学习工程因其跨学科性而更具全面探索教育实践并促进学习效率提升的潜力，然而，也正是这个特性也为其进一步发展带来了挑战。学习工程试图解决的问题往往需要不同领域的专业知识，如软件工程、教学设计、领域知识、教学法、心理测量学、学习科学、数据科学和系统工程等。学习工程面临的综合性、系统性问题往往超过任何一个人的学科视野和能力范围，实践也证明，学习工程在各国的推广因缺乏多个学科背景的综合性人才，而遭遇到不少障碍。

学习工程的发展、推广和应用既享有众多机遇，亦面临多重挑战。处在教育实践的大变革时代，为进一步促进学习工程的蓬勃发展，让科技助力每一位学习者的精准学习，需要包括神经科学、认知科学、信息技术、设计科学、教育学领域在内的各界英才积极投身其中，碰撞出跨学科的实践智慧。相信伴随着相关理论基础的夯实与教育实践的验证，学习工程会成为教育发展新阶段促进变革的一股重要力量。

 

【参考文献】

[1]尚悛杰，裴蕾丝．吴善超．学习科学的历史溯源、研究热点及未来发展[J]．教育研究，2018，39（03）：136－145＋159．

[2]Lee,V.R.Learning sciences and learning engineering:A natural or atificial distinction?[J]The Journal of the Learning Sciences,2022,1-17.

［３］周子荷，刘三女牙，李卿．从学习科学到学习工程：历史跨越与未来走向[J]．电化教育研究，2020，41（11）：5-12.

 

出处：《上海教育》2022 年 10月 10 日

摘录者：太仓市双凤中心小学 教科室 潘焱

推荐理由：“学习工程”这一概念并非新词，但直到专注于人工智能、机器学习研宄的科学家们开始关注学习过程，学习研宄工程化转向的兴起与发展后，学习工程才得到普遍关注与重视。本文从机遇和调整两个方面进行分析，我们目前处在教育实践的大变革时代，学习工程任然需要每位教育者投身其中，不仅如此，为进一步促进学习工程的蓬勃发展，让科技助力每一位学习者的精准学习，需要包括神经科学、认知科学、信息技术、设计科学、教育学领域在内的各界英才积极投身其中，碰撞出跨学科的实践智慧。相信伴随着相关理论基础的夯实与教育实践的验证，学习工程会成为教育发展新阶段促进变革的一股重要力量。