什么是学习科学（Learning Sciences）?

本文探讨一个新兴的学科“学习科学（Learning Sciences, 以下简称LS）”的定义及发展。随着传统教育模式的方法论、效率和结果的破产，更多人开始关注学习的科学性，并且追求科学化的设计及评估学习行为。作者梳理的逻辑，基于LS这个学科是怎样把关注点从认知转移到数字科技、社群交互的。当然，这种梳理的逻辑有一定的局限。文章中如有错误，请提出指正。

学习科学（LS）的主要关注点在与学习是如何发生在如下两种情况：（1）自然状态下（real-world situations)；（2）被精心设计的状态下（designed environments）（International Society of Learning Sciences）。学习科学的历史起源可追溯到1983年Jan Hawkins和Roy Pea联合创立的"Psychology, Education, and Technology" (PET)项目。学习科学包含两方面的努力：从认知角度上去揭秘人类学习的过程，从工具层面上研究如何设计更好的学习辅助系统（Christopher Hoadley, 2018）。Sommerhoff将LS学科内容分成四类：（1）人们如何学习how people learn（2）支持学习supporting learning（3）专业学习learning in the disciplines（4）科技提升学习与合作technology-enhanced learning and collaboration（Sommerhoff, 2018）。但是，目前认知心理学倾向认为“认知（Cognition）”受制于环境，也就是说要研究人的认知系统，必需也将社会、文化环境纳入考虑，而不是单一的个体。这种倾向促使学者跳出二元研究导向（认知本身或者工具系统）。

对于学习科学学者来说，不断的建立新模型，来更好的近似解释学习行为是怎么运作的，是一种对于学习科学的理解（Marsha Lovett, CMU）。也有学者认为，“发现符号”是理解学习科学的一条道路，也就是说，使用新的语言去探索学习这一相对古老的行为（Ken Koedigner, CMU）。早于学习科学，Herbert Simon和Alan Newell就尝试使用计算工具（如、计算机）来尝试建立认知的计算模型（Computational Models）。到90年代，这一思想应用于学习领域，出现了认知教练（Cognitive Tutors）。认知教练系统能够根据认知及知识模型给学习者提供反馈，并且指导学生完成一步步的学习。更重要的是，认知系统通过不断的人机交互，验证、迭代设计者关于学习的认知理论及模型。

学习科学的另一个特征是非常关注数字科技对学习产生的效果：互联网、手机、智能设备，会不会彻底颠覆我们的学习行为？许多关注数字科技的学者从群体学习（group learning）与合作（collaboration）角度看待学习行为的发生。他们更关注在数字科技的驱动下，人们怎么样在学习中合作互动。并且考量数字科技是怎样在同一情况下，给不同人带来不同的经验（Sommerhoff, 2018）。

Design-based Research（DBR）或者Design-based Implementation Research（DBIR）不是“基于研究世界是怎样运行的”而是研究如何“干预世界运行”的方法。简单来说，DBR或者DBIR关心如何基于研究或理论，快速参与真实世界，收集反馈，修改理论。而DBIR与DBR不同的一点在于，许多学者批评DBR是另一个温室系统（greenhouse）：当外在干预撤销后，又恢复了以前情况。DBIR则更关注政策层面、持久的创造“干预”发生的条件，“给予参与者管理或者政策性的赋能”而不是“工具或者活动”（Barry Fishman, University of Michigan）。

Linear Models（线性模型法）则是评价学习效果和信度的重要工具。简单来说，Linear Models（线性模型法）试图将数据抽象为线性数学函数，以减少自变量因变量复杂关系。举例来说，Theobald & Freeman （2014）试图评价本科生STEM课程干预结果，也就是说，实行了一个新项目后，是否对学生的学习效果有正面影响。传统方法面临一个问题：无法标准化及量化被测对象（如，学生）。学习行为个体的差异性比较大，而这会对评估结果产生影响。而线性回归（Linear Regression）方法评估两个变量之间的系数，这有效的消除了误差，Theobald & Freeman （2014）建议在学校效果评估研究中，都采用Linear Models（线性模型法）。

与偏重于数理逻辑的Linear Models（线性模型法）相对的是偏向质化研究的Multilevel Analysis（多层次分析）。Israel, Wang, & Marino在研究”科学教育游戏”与学生学习效果之间的关联中，分层建模学生不同的身体状况、阅读能力、性别，并考量了在同样的教学方法、内容的条件下，不同教师对学习效果的影响。

Skinner, B. F. (1958). Teaching machines. Science, 128(3330), 969-977. B.F.Skinner在50年代最早提出教学机器（Teaching Machine）的概念，作为行为主义心理学家，Skinner认为一个提出问题、获取答案、奖励学生的教学机器可以促成学习这个行为，并个性化学习进度。

Collins, A., Brown, J. S., & Newman, S. E. (1988). Cognitive apprenticeship: Teaching the craft of reading, writing and mathematics. Thinking: The Journal of Philosophy for Children, 8(1), 2-10. Collins等提出了学徒制（apprenticeship）在人类学习过程中的突显地位：作者指出传统教学法中的教学通常停留在表层知识结构，而缺乏深层认知结构的训练。作者提出的认知学徒（Cognitive apprenticeship）有别于传统学徒制，更强调元认知（metacognition）的训练及知识结构的迁移。

Anderson, J. R., Conrad, F. G., & Corbett, A. T. (1989). Skill acquisition and the LISP tutor. Cognitive Science, 13(4), 467-505. 自1984年开始，卡耐基梅陇大学就开始使用人工智能教师做本科编程教育辅导。显然，人工智能教师的设计，需要认知理论的支撑。Anderson等关注LISP编程语言的教学，ACT-R理论为人工智能教师提供了认知科学上的支撑。简单来说，ACT-R是一种对人类知识建构方式的理论解释，Anderson把人类认知的建构分为陈述性的（declarative）和顺序性的（procedural）。

Papert, S., & Harel, I. (1991). Situating constructionism. Constructionism, 36(2), 1-11. constructionism是一种解释人们怎么学习的理论。有别于constructivism，constructionism更强调学习者与工具的交互、学习者与学习者的交互。Constructivism和Constructionism都强调人们学习的过程，是一种对知识的主动获取与建构，但是Constructivism强调宏观的学习者与知识之间的建构，Constructionism则更强调学习者在特定环境下与周围工具、其他学习者的建构关系。编程教育工具Logo以及后来MIT的Scratch都是受Constructionism影响而发明的。

Lave, J. (1991). Situating learning in communities of practice. Perspectives on socially shared cognition, 2, 63-82. Lave从社会、文化角度思考学习行为以及学习行为的意义，Lave提出学习活动是人、行为与社会文化环境之间关系的互动。这种理论试图从社会环境、社会关系的形成和改变去理解学习，而不强调理解认知过程或认知结构。

Pea, R. D. (1993). Practices of distributed intelligence and designs for education. Distributed cognitions: Psychological and educational considerations, 11, 47-87. Pea从工具与人的认知的交互作用角度切入学习行为，并进一步探讨技术的变革对学习行为的影响。简言之，人的认知不仅仅存在于人的内在，而是存在于社会层面的人与工具的交互。举例来说，有了计算器，人类基于计算器的数学模式才会随之诞生。作者反驳了Norman关于人机交互的几个传统概念，并试图从人、科技、交互的角度重新理解认知与学习。

Scardamalia, M., & Bereiter, C. (1994). Computer support for knowledge-building communities. The journal of the learning sciences, 3(3), 265-283. Scardamalia探讨创建一个计算机辅助主动学习环境（computer-supported intentional learning environments, CSILE）需要什么样的科技。作者们分析了两种教学环境：标准化的说教模式和建构式的互相竞争模式。不同于多数采取建构式模式的计算机辅助学习环境，作者们试图探讨第三种模式——融合两种模式在一起，以达到真正重塑学校环境的目的。

Dan Schwartz: Choice-based Assessments Choice-based Assessments项目制作了很多小游戏以辅助学生学习，其最大的不同点在于，游戏不会有一个确定的答案，而是给学生一些资源及工具，让学生尝试达到任务。研究者有趣的发现，许多在错误方式上花了很多时间的学生，反而会有更优秀的表现。研究者认为，测试的目的不是为了让学生形成逻辑思维（logical thinking）而是让学生形成反思思维（critical thinking）

Gautam Biswas: Betty's Brain Betty是一个人工智能学习软件，设计目的为：让学生去教会人工智能Betty知识，换言之，就是把学生变成教师。学生自主构建知识图谱（Concept Map）来教会人工智能一个领域的知识，以达到“为教会别人（人工智能）而学习的目的”。

Janice Gobert: Inq-ITS Inq-ITS是一个高中科学学科教学的评估与反馈软件，学生通过软件游戏化的学习科学知识，软件记录学生的数据，并且科学的提醒教师不同学生遇到的困难和学习状况。该项目的突破点在于数据分析的精准性和反馈模型的科学性。

Kristen Bethke Wendell: Design Keeper App Design Keeper App是一款鼓励K-12阶段学生，在进行科学、工程等学科项目学习中，记录过程并与同伴分享交流的工具。APP中最常用五个卡片为：“问题”、“想法”、“测试”、“最终设计”、“特性功能”。学生可以容易的照照片、记笔记。研究者也可以在APP后台获得这些数据，以便进一步的进行研究。

Philip Guo: Python Tutors Python Tutors的目的在于教会初级编程学习者，理解写出的代码与计算机执行机制之间的关系。其设计理念基于Philip Guo的研究：许多初级编程者的困难在于，并不理解计算机的运行机制。值得注意的是，软件还引入了“Live Help”机制，学习者可随时提问，获取帮助。

Susan Yoon: Biograph Biograph是关于生物学教学的项目。学生能够使用软件模拟生物环境及刺激，根据交互观察情况变化，以达到学习的目的。Biograph也是一个DBIR的实践，项目包括完整的教师培训及工具包，该项目已经在多个学校运行。