基于样例学习研究的几点展望

杜雪娇

（辽宁师范大学心理学院 大连 116029）

1.样例与样例学习

样例（work-example）往往以一步步的形式呈现解题步骤，为学习者提供一种规范的解决问题的方法，即我们通常所说的例子或范例[1]。它通常包括一个待解决的问题、解决这一问题的所有步骤及最终结果。样例学习（worked-example learning）是让学生观察和思考样例，并掌握样例中包含的规则，或从中习得新规则（新概念或新知识）的过程。狭义的样例学习主要集中在结构良好问题领域，如数学问题、物理问题等，这类问题包涵已知的初始条件和明确的目标状态。而广义上的样例学习泛指人类一种重要而基本的学习方式，社会学习中的榜样学习，学科学习中的例题，教育领域中的教学观摩学习等都属于样例学习。而样例效应（the worked example effect）是指对于新手来说，与传统的问题解决方式相比，样例学习的效果更好且效率更高，即学习者投入较少的时间和心理努力就能获得较好的学习效果。样例为初学者提供了已知条件和目标状态，并给出了从已知条件到目标状态的解题步骤，因此样例学习可以阻止学生采用诸如手段—目的分析、尝试—错误这样一般的问题解决策略和诸如复制—修改这样的表面策略，这些策略增加了无效的认知负荷，影响学习效果[2]。同时，学习者可以把他们的认知资源投入到观察和思考样例中的解题步骤上去，对习得的新规则（新概念或新知识）进行编码、组织，进而整合到长时记忆中，故而学习效果较好。

2.样例学习的研究

样例学习的历史可以追溯到中国古代，先秦孔子《论语·述而》中就有“举一隅不以三隅反，则不复也”的论述，这其中就包涵样例学习的思想。样例学习的研究起源于20 世纪初对问题解决技能的研究，研究者发现，新手和专家在问题解决技能上存在差异。而产生这一差异的主要原因是专家拥有相关领域的知识结构，即图示，而新手尚没有习得这一图示。习得图示最有效的途径即为样例学习。于是，研究者在样例学习效果和样例设计方式等方面进行了大量研究。已有研究证明，样例学习是学生进行自主学习的重要方式。有效的样例设计可以提高学生学习的主动性，进而改善其学习效果，所以有必要基于已有研究，总结其尚不完善的地方，为未来研究提供参考，进而指导学习与教学，提高实际教学效果。

3.样例学习研究的展望

3.1 扩展对新样例类型的研究

近年来，样例学习所应用的领域不断扩大，由一般的物理、数学等结构良好领域问题逐渐扩展到了写作、策略学习、技能训练等结构不良领域问题。随着应用范围的扩大，一些新的样例类型不断涌现，样例类型的划分维度也越来越多，由原来比较单一的划分维度逐渐发展为多种样例划分维度，相继出现了动态样例与静态样例的划分、单内容样例、双内容样例以及多内容样例的划分等。然而，相较于传统的单内容样例和静态样例，尚缺乏针对动态样例，双内容样例等新样例类型的相关研究。

3.1.1 动态样例的研究

动态样例是以动画或视频的形式呈现的样例。一般认为由于动态样例能够直观的表达物体的运动过程，能够帮助学习者构建“外部动画”，而不需要学习者在自己的大脑中构建动态的“心理动画”[3]，故而，可以有效地防止认知负荷过高，在样例学习中效果较好。但动态样例具有瞬时性特征，信息呈现之后会立即消失，学习者在加工新信息时，需把新信息和之前的信息整合起来理解材料，加重了工作记忆的负担，反而会影响学习效果。已有的大量研究对动态样例和静态样例的学习效果进行了比较。这些研究中大都采用操作技能为学习材料，那么动态样例是否同样有利于传统的数学、化学等结构良好领域问题的学习呢？它是否显著优于传统的静态样例呢？动态样例的呈现速度、数量、类型等因素是否会影响样例学习的效果呢？针对这些问题，研究者需要进一步对动态样例展开专门的研究。

3.1.2 双内容样例的研究

策略学习、技能训练等复杂领域的样例学习往往是双内容，甚至是多内容样例的学习。以往的单内容样例只包含一方面的内容，即所学的概念、原理和规则等，这被称为学习域的知识，而双内容样例包含学习域和示例域两方面的内容[4]。这里的示例域是指样例中所涉及的具体内容。那么，在双内容样例的学习中，是分别学习示例域和学习域知识的学习效果好呢，还是把两者整合到一起同时学习效果好呢？对于这一问题，Clarke 以电子数据表软件（spreadsheet）辅助线性函数知识的学习为材料，进行了实验[5]。研究结果显示，对于不太了解电子数据表知识（示例域）的被试来说，分别学习好于同时学习；对于较多掌握电子数据表知识的学生来说，同时学习好于分别学习。对于已掌握电子数据表知识的学生来说，由于已有相关图示，同时学习也不会造成认知超负荷，且同时学习有利于整合两种知识，分别学习反而会造成信息的冗余和认知资源的浪费，故同时学习效果好。但对于不太了解电子数据表知识的学生来说，同时会造成认知超负荷，故分别学习效果较好。那么对电子数据表知识（示例域知识）掌握到什么程度时，学习域与示例域同时学习的综合学习效果更好呢？双内容样例的学习顺序对学习效果的影响，除了取决于学习者的知识水平外，是否还取决于样例中学习域与示例域之间的关系呢？单内容样例中的设计原则是否同样适用于双内容样例呢？双内容样例学习时的认知加工过程是什么？学习结果又该如何评估呢？总之，在双内容样例的研究领域，尚存在许多问题有待进一步研究。

3.2 增加样例学习效果的测量指标

目前，样例学习的研究大都采用远迁移和近迁移测验成绩作为其学习效果的测量指标。远、近迁移测验成绩体现了学习者理解和掌握该样例的程度，是对学习效果最直接、最有效的测量。同时，可以在测验成绩指标的基础上，增加其他测量指标，补充测验成绩指标，从多个角度评估和解释样例学习效果，并且可以进一步解释样例设计起作用的机制。比如，可以测量样例学习过程中的认知负荷水平指标和眼活动、脑成像等生理指标。

3.2.1 样例学习的认知负荷测量

根据认知负荷理论，如果学习某个样例所占用的认知资源超过了学习者认知资源的总量，就会出现认知超负荷，影响学习效果。Paas 等人根据影响作用及因素的不同将认知负荷分为三类:外在认知负荷，内在认知负荷和相关认知负荷。在样例设计中，应降低样例学习的外在认知负荷，优化和提高其内在认知负荷和相关认知负荷，达到最好的学习效果。因此，针对某种样例设计方法，实现认知负荷的分别测量就显得尤为重要。

研究者已开发出了一些认知负荷的测量方法。其中，由Paas 于1993年编制了认知负荷自评量表，在研究中得到了广泛地应用。随后，Leppink和Paas 等人（2014）在该认知负荷量表的基础上开发出来认知负荷分别测量的量表，并通过实验证实了该量表能有效区分出内在、外在和相关认知负荷且具有较高的信度和效度[6]。故设想在今后研究中可以借助这些量表对学习者的内在认知负荷、外在认知负荷和相关认知负荷进行分别测量，结合学生的测验成绩，解释样例设计方法起作用的原因，补充单一的测验成绩指标，优化样例设计方法，进而达到指导样例设计的目的。

3.2.2 样例学习的生理指标测量

随着眼动、功能性核磁共振成像（fMRI）等技术的涌现，研究者逐渐开始对样例学习中眼活动指标和脑成像指标等生理指标进行测量。张华（2013）的研究中，分别以样例学习时的注视点持续时间、注视点数量、访问时间和访问次数4 个眼动指标和近迁移、远迁移测验成绩为因变量，考察了初三学生学习不同相似程度的物体受力分析正误样例的学习效果[7]。综合考虑眼动指标和测验成绩发现，学习高相似组样例的被试的注视点持续时间较短、注视点数量较少，且能较好的掌握物体受力分析规则。Lee，等人对数学问题样例学习的研究中，综合测验成绩指标和由功能性侧共振成像（fMRI）测得的脑成像指标，考察了有、无解释指导和不同样例类型（强调问题结构样例和强调解题程序样例）的学习效果[8]。结果发现，有、无解释指导不影响迁移测验成绩，且在脑成像数据上也无显著差异；样例类型影响学习者的测验成绩，问题结构样例好于解题程序样例，脑成像数据也表明，学习问题结构样例的被试更多的激活了大脑的前额叶皮质和角回区域，并结合这些脑成像数据分析了样例设计的脑机制。由此可见，对样例学习过程或测验过程中的眼活动指标和脑成像指标等生理指标进行测量可以补充单一的测验成绩指标，揭示样例学习过程中的认知活动机制。因此，对样例学习中生理指标进行测量是一项重要的研究课题。

3.3 探索基于计算机的样例学习的方式

在以往研究中，样例题大都通过学习册或卡片的形式在纸上呈现，这种方式符合学生学校学习中阅读纸质教材的习惯，不会增加学习者的外在认知负荷。但某些样例设计方法却难以通过纸笔的形式实现，随着计算机、网络等技术的发展，研究者开始借助计算机程序等技术设计和呈现样例。Salden 等人在对渐减样例的研究中，借助由Anderson 等人开发的cognitive tutor 教学软件，设计样例[9]。学习者通过该软件学习样例，可以在学习过程中动态评估学习者对样例中每一步骤的掌握情况，即如果学习者对某一步进行了正确的自我解释，下一个样例中该步骤将会被省略，以问题的形式呈现；如果学习者不能对这一步进行正确的自我解释，在下一个样例中这一步将再次呈现。从而实现了根据学习者的掌握情况，动态渐减样例的步骤，最后使学生能独立的解决问题。此外，Moreno 等人通过利用Dreamweaver 编制的计算机程序，实现了样例学习过程中，对学生学习效果的及时反馈[10]。基于计算机学习环境的样例设计不仅可以根据学生的掌握情况提供个性化样例，对学生的学习效果进行及时的评估和反馈，实现交互式的样例学习，还可以提供动态样例和操作性样例。由此可见，如何利用计算机等技术提高样例学习的有效性，也将成为研究的重要领域。

[1]张奇,林洪新.四则混合运算规则的样例学习[J].心理学报,2007,37(6):84-790.

[2]张华,曲可佳,张奇.含有新算符的代数运算规则学习的有效样例设计[J].心理学报,2013,45(10):1104-1110.

[3]Hegarty,M.,Krize,S.,& Cate,C.The rolesof mental animations and external animations in understanding mechanical systems[J].Cognition and Instruction,2003,21(4):325-360.

[4]曲可佳,张奇.双内容样例的研究及重要启示[J].心理科学,2014,37(2):373-376.

[5]Clarke,T.,Ayres,P.,& Sweller,J.The impact of sequencing and prior knowledge on learning mathematicsthrough spreadsheet applications[J].Educational Technology Research and Development,2005,53:15-24.

[6]Leppink,J.,Paas,F.,Tamara,V.G.,Cees,P.M.,Vleuten,V.D.,Jeroen,J.G.&.Merri?nboer,V.,Effects of pairs of problems and examples on task performance and different types of cognitive load[J].Learning and Instruction,2014,30:32-42.

[7]张华.中学生物体受力分析正误样例组合学习及促进方法的研究[D].大连:辽宁师范大学,2013.

[8]Lee,S.H.,Fincham,J.M.,Betts,S.,&.Anderson,J.R.An fMRI investigation of instructional guidance in mathematical problem solving[J].Trends in Neuroscience and Education,2014,3:50-62.

[9]Salden,R.J.C.M.,Aleven,V.,Schwonke,R.,& Renkl,A.The expertise reversal Effect and worked examplesin tutored problem solving[J].Instructional science,2010,38(3):289-307.

[10]Moreno,R.,Reisslein,M.,& Ozogul,G,.Optimizing Worked-Example Instruction in Electrical Engineering:The role of fading and feedback during problem solving practice[J].Journal of Engineering Education,2009,98:83-92.