面向認知的1:1數字課堂信息序列

劉長勇1，孟世敏2

（1.武夷學院現代信息服務學院，福建武夷山 354300；2.東方潛能軟件公司，福建武夷山 354300）

1:1數字學習全稱是One-to-one Technology Enhanced Learning。這概念最初出自北德克薩斯大學研究人員凱斯·諾里斯(Cathie Norris)以及密歇根大學的學者艾略特·梭羅維(Elliot Soloway)，他們認為，當每個人都擁有并能夠經常使用屬于其個人的計算設備時，學習方式必將發生改變[1]。1:1數字學習是目前教育技術領域中發展最快也是最富有爭議的話題之一，需深入研究[2]。1:1數字學習是人類教育新階段，對其機制研究具有重要的現實意義，尤其是需要研究其新學習流模型及學習流引擎[3]。

1 人機耦合

1:1課堂數字化對象、形式、方法、內容是值得研究的課題。假設有教育信息研究者對1:1教學數字化信息進行采集，可有如下方式：（1）拍照，獲取教學現場的視覺信息；（2）錄音，錄制教學現場聲音；（3）攝像，錄制教學現場圖像和聲音。

但這些數據都以緊耦合方式存在，難以分解、歸并、檢索、運算處理，難以得到面向學習過程的細節、過程數據，不能延續傳統課堂信息化方式，須另辟蹊徑。換個角度，1:1課堂可認為每個學生面前都有臺信息采集設備，可對人機界面進行學習信息采集。1:1數字課堂人機交互涉及人與計算機均為認知系統，與傳統人機工程學有著不同。例如，鋼琴可被視為一個物理系統，有時不變特性，無論何時，相同的輸入總得到相同的輸出；而計算機則可被視為一個認知系統，它具有時變特性，在不同時間和不同的問題情境下，即使相同的輸入也可能得到不同的輸出。人機匹配包括物理(匹配)水平(physical level)、認知(匹配)水平(cognitive level)和認知耦合水平(cognitive coupling level)3個層次[4]。認知耦合本質上是計算機的輸出成為大腦的輸入，大腦的輸出成為計算機的輸入，形成信息耦合系統，稱為人機耦合或認知耦合態[5]。顯然，1:1數字課堂應在認知匹配和認知耦合層面采集學習過程，或認知耦合態數據。

2 認知符號序列

2.1 符號動力學及符號序列

在科學研究中，精細的測量必定帶來大量的數據，而用來表述事物根本性質的特征量通常為數不多。為了得到這少數特征量，未必要從大量精細的原始數據出發。其實，整個自然科學體系都是在對事物進行“粗?；被颉凹s化”的描述。這一綱領在動力學系統的研究中可以較好地實現。符號動力學就是在有限精度下對動力學過程實行嚴格描述的一套方法[6]。在腦電領域(elect roencephalogram，EEG)，符號動力學分析是腦電分析的一個新的研究方向，符號熵可以較好地反映非線性信號的復雜程度，具有簡單、穩定的特點[7]。事件相關電位(event-related potential，ERP)方面引入了符號動力學方法分析認知事件相關電位(ERP)的復雜度[8]；在語言認知領域出現語音變化的符號動力學解釋[9]的研究，還有應用在人類動力學、語言動力學系統的研究，以詞計算為基礎，借助數值動力學系統的概念、框架、方法等手段，利用自然語言信息和知識，對包含大量感性信息的復雜系統進行描述、分析、動態計算、控制和預測等。

2.2 認知符號序列

在1:1課堂的人機耦合中需要對教學過程進行科學的“粗?；?、約化”處理。比如，學生聽寫BOOK單詞，先敲擊B再敲擊U再敲擊K，發現不對就退格后敲擊兩個O，可用以下三種序列表達：B-BU-BUK-BOK-BOOK、B-U-K-O-O、1(1代表正確，0表示錯誤)，顯然第一種最能反映學生認知過程，第三種只是簡單結果，認知信息最少；對課堂操作符號化用Q表示學生提問，S代表選擇題等等，都是符號化的體現。在1:1數字課堂學習中，把具有認知操作內涵、能反映認知操作過程的數字、符號序列稱為認知符號序列（Cognitive Symbol Sequence，CSS）。

定義1 認知符號集合：稱能表達認知的符號S={a∈S|S為計算機能存儲、傳輸、處理的字符}為認知符號；認知符號能夠表達認知時間、空間、流程、邏輯等認知元素。

定義2 認知符號序列：認知過程P用S中的元素S1S2，...，Sx-1，Sx進行表達，組成認知符號序列（Cognitive Symbol Sequence，CSS）。

定義3 認知序列匹配：假定認知客觀對象或過程為CO，可用x個符號序列S1S2，...，Sx-1，Sx進行表達。在不同認知環境、認知操作、認知個體大腦中CO將被認知為CO′，用P1P2，...，Py-1，Py表示。CO′是認知過程實例化和具體化，如個體對CO作正確的認知反應，即CO=CO′，那么，S1=P1，S2=P2，...Sx-1=Px-1，Sx=Px；反之，CO〈〉CO′，就會有Sy〈〉Py產生。在S認知操作實例化中產生多個認知序列P1P2，...，Py-1，Py，記為C1，C2，...，Ct-1，Ct（Ct=P1P2，...，Pt-1，Pt），表示從第1次操作到第t次操作過程中CO局部或者整體的實例化為Pt。Ct表示CO在個體大腦中的局部或者整體快照序列，Pt代表CO或者Sx存在的各種認知實例化可能。

定義4 認知符號序列空間。假定不同個體P對同個認知對象CO實現認知操作，產生的不同序列用C(p，t)二維坐標表示，構成群體對CO的群體認知符號空間；相同個體P對不同認知對象COx實現認知操作，產生的不同序列用C(x，t)二維坐標表示，構成個體對COx的個體認知符號空間。

定義5 認知混淆。個體認知操作后Sx被實例化為Py，如果Py是錯誤的，我們稱發生了認知混淆，Sx被混淆為Py。

定義6認知混淆點。如果Sx（S1S2，...，Sx-1，Sx）被混淆為Py（P1P2，...，Py-1，Py），則可以尋找到Sx〈〉Py混淆點。

2.3 CSS的算法流程

根據CSS獲得認知混淆的簡單計算方法和算法流程如下：

步驟1 根據認知對象CO的時間、空間、流程序構建CO的CSS結構Sx。

步驟2 記錄個體認知操作過程，CSS實例化，得到個體認知符號序列單個映射Py以及Py組成的快照序列Ct。

步驟3 根據CSS記錄構建群體認知符號序列形成C(p，t)二維CSS空間結構。

步驟4 認知符號序列簡單對比法：選擇Sx序列某個元素Sd作為對比基點，和Py序列的Pd元素比較，假定Sd被混淆為Pd，在大量C(p，t)尋找Pd形成認知混淆集合Pe={Pd1，Pd2，…Pdz}。

步驟5 對混淆集合中的元素進行分析統計，尋找認知混淆元素Pd出現的數量和概率，得到Sd被混淆為Pd1，Pd2…元素數量占總集合的百分比。

基于認知混淆集合Pe及排序，需要發現認知過程出錯形式和過程，捕捉認知混淆的精細結構，需對CO加以分析：（1）CO認知過程精細結構。比如，英語單詞聽寫一維線性結構中，A字母混淆為O還是C的可能性及概率分布；漢字二維空間結構中某個筆畫出錯形式；CO流程中某個節點出錯的方式等。（2）CO認知錯誤概率分布。根據C(p，t)空間分布能計算出CO局部結構Sx出錯概率最大的部分，以及出錯的內容和形式Pe。（3）基于CSS認知動力學分析。動力系統理論對認知行為的連續性提供了隨時間變化的自然主義的說明。這是其他認知范式不能說明的，其他范式是忽略時間概念的[5，11]。采用CSS概念和方法能構建認知動力學模型，通過Sx=F(Py)的映射關系獲得認知規律F的具體、數理表達。

3 基于認知符號序列的學習過程觀測及學習成像

傳統課堂教師需面對眾多學生，難以對每個學生學習過程進行觀測?；贑SS的信息采集方法，能在心理認知角度記錄學習、教學過程，實現學習重構、成像。比如，把學習過程抽象為學習知識集合{Kn}，在不同角度對CSS進行處理，獲得學習結果即成像。

（1）學習結果成像：最簡單學習像就是基于學生是否掌握某個知識對象，用1，0兩個值標示。

（2）學習統計成像：通過一定的數學方法，尤其是統計方法對CSS進行統計處理獲得學習規律。

（3）學習過程成像：基于CSS重構學習的動態過程，獲得學習過程中的規律。

學習過程成像是CSS的重要功能?；趯W習成像系統，教師教研人員等可在遠程對教學過程、學習活動的觀測數據進行分析、診斷、個性分析、學習規律挖掘；也可構建柔性的學習流環境，為T學習流提供穩定可靠的信息，形成精細的1:1數字學習的數理空間[12]。

4 英語聽寫認知符號序列采集和成像

采集英語單詞的學習CSS，認知流程列舉如下：(1)計算機先發英語[BUK]語音，讓學生聽寫；(2)過一定時間如學生還沒準確聽寫，就給出“書”中文提示；(3)再過一定時間學生還沒準確寫出就退出測試，進行新單詞聽寫?！癬”之前代表目標單詞，之后就是學生認知操作序列，計算機出現中文提示時用“+”號表示，采集部分認知序列：book_b-b-bl-b+bo-boo-book;book_b-bo-box-bo-b-b-bo-boo-book;book_b-bo-boxbo-b-bu-bux-bu-b-bo-boo-boox-boo-bo-b+;book_b-bo-bok-bo-boc-bo-b-b-bo-bog-bo-b-d-do-dog-do-db-bo-boo+book;book_b-bo-boc-bocj-boc-bock-bck-buck-bck-back-bck-bock-bck-beck-bec+be-b-b-be-becbeck-bck-bick-bck-beck-beack-beck-bck-bc-boc-boce-boc-bo-b，有些單詞首字母就出錯，比如，book_d-do就是B混淆為D，在20多萬條CSS中，首字出錯有1.89萬條，分析得到A-Z字母認知混淆表，如表1所示（C列表示首字母）。表1中顯示A字母被誤聽為O字母的概率最高，其次是E和H；比較有趣的是A字母被誤聽為O的概率最高的同時，O字母被誤聽為A字母的概率也最高，我們稱為“誤聽對偶”。誤聽對偶在E1列中共有12對，部分字母對雖然不是對偶，但是，雙方都在相互誤聽范圍內，在E2列和E3列共有10個，這樣有高達22對的字母存在“誤聽對偶”。表1是結果，X字母沒數據。

表1 中國學生英語A-Z字母認知混淆表

英語單詞組成復雜認知網絡，采集CSS數據，在復雜認知網絡拓撲角度成像，獲得比統計角度更豐富的信息，如圖1所示。

圖1 單詞學習拓撲成像

5 結論

1:1數字課堂是教育發展的必然，將學生手上筆變成了移動智能終端?；诜蟿恿W思想構建認知符號序列，實現學習過程信息采集及成像，將為1:1課堂動力建模提供基礎。

[1]本刊編輯部.1:1數字學習:學習革命的新浪潮[J].中國電化教育,2007(245)：1-6.

[2]Jing-Lei,Yong-Zhao.1:1數字學習的現狀、挑戰及發展趨勢[J].中國電化教育,2007(250)：19-24.

[3]劉長勇,寧正元.基于XML的學習流模型[J].重慶工學院學報:自然科學版,2009,23(2):176-180.

[4]方志剛.人機交互技術綜述[J].人類工效學,1998,4(3)：64-66.

[5]孟世敏,程仁貴.Cognitive CouplingStates Based on Tree Cognitive Fields[C].2011 International Conference on Computer Commu

nication and Management Proc.ofCSITIACSITPress，Singapore，2011（5）：593-597.

[6]鄭偉謀,郝柏林.實用符號動力學[M].上海:上?？萍冀逃霭嫔?，1994.

[7]劉函林,黃華,劉壙彬.腦電信號分析的實用符號動力學方法研究[J].生物醫學工程學雜志,2010(2)：407-410.

[8]劉小峰,俞文莉.基于符號動力學的認知事件相關電位的復雜度分析[J].物理學報,2008,57(4)：2587-2594.

[9]司聯合.語音變化的符號動力學解釋[J].外語教學,2004(2)：67-70.

[10]劉長勇,李曉飛.基于XML的新型學習流體系結構的研究[J].計算機時代,2008(3)：207-233.