人工智能与教育

一、人机交互，灵活助教

在人工智能时代，各个领域都涌现出了许多与人工智能结合的应用，教育领域也不例外。教育工作者与科研人员在智能教育领域进行了许多积极的探索。智能教育的引用领域包括智能分析，智能校园，智能导师系统，智能测评，教育机器人等方面，涵盖教育中所涉及到的诸多环节。在这些环节中，知识表示、自然语言处理、智能代理、情感计算、机器学习和深度学习技术等均可有充分的应用。智能教育中的智能主要体现在，对于被教育人的状态，教育人的资源，以及学习的效果进行不断的监控，以自动的进行教学或调整教学的计划和资源分配。实际则就是教育过程的自主适应和个性化调控的部分。其中很大一份的应用场景可被归纳为自适应学习。

传统的学习系统对所有学生一视同仁，无视了学生之间的个体差异。而更加自适应，个性化且智能的学习方式则能够实现因材施教，能够显著提升教学效果，成为了智能教育不可或缺的一部分。因材施教从古至今一直是教育中的一项重要原则。从中国孔子和私塾的教育理念开始，到剑桥大学的传统导师制度，都是践行因材施教的个性化教育方式的典型例子。这种智能的学习方式不仅给予优秀学员更大的成长空间，而且能够充分照顾差生，而不像传统课堂教育中针对大部分中等学员进行教学。随着现在互联网技术的发展、人工智能算法的进步、在线教育数据的积累，自适应学习系统的实现不再是天方夜谭，其中科大讯飞的高考机器人、Knewton的适应性学习平台更是让我们看到了智能教育的曙光。

早在20世纪50年代的程序教学开始，教育就和计算机有了紧密的联系，在先后经历了计算机辅助教学、生成性计算机辅助教学、智能教学系统以后，才逐渐向自适应学习的方向发展，发展成为个性化的智能学习。自适应的智能学习方法的理论依据是1973年Hartley &Sleeman提出的智能教学系统基本架构。这个框架自提出起，就得到各个国家的广泛重视，对其开展了众多的研究。例如美国的Peter Brusilovskey研究成果最为丰富，提出了第一个自适应学习系统通用模型，也称为AEHS模型。后续也涌现出了AHAM，LAOS，XAHM和WebML等多个参考模型，自适应的智能学习方面的理论研究在不断的进行革新和完善。同时，也有许多智能教育系统在不断进入市场，其中当前应用较好的有ALEKS、Knewton、Cogbooks。国内也涌现了一大批的个性化学习网站。随着理论和技术应用的不断发展，在智能教育方面，教学资源由最初与教学策略绑定的文本丰富为独立的超文本，进而变为超媒体，增加了教学资源的灵活性和多样性；教学策略由最初固化到程序的学习路径变为根据学生反应动态选择，进而变为个性化推荐；教学方式由最初学生机械地自学变为教师科学地传授，进而变为学生主动地建构知识。学生的建模也由最初的一视同仁变为“刺激-反应”型动态地评价，进而变为涵盖基本信息、学习风格、知识状态等多方面的学生模型。

自1994年 Halasz &Schwartz 在提出的德克斯特超文本参考模型以来，无论自适应学习系统的物理实现分为几层，通用参考模型一般包括学员模型、领域知识模型、情景模型、策略模型。

其中，学员模型是自适应学习系统的核心组件，它记录了学员的基本信息、学习风格、知识水平和学习历史。其中，像年龄、性别等的基本信息在用户注册时就能搜集完成，并且在整个学习过程当中是不变的；知识水平是学员对于知识的掌握程度，由系统中的测试模块动态更新状态；作为数据挖掘的基础，学习历史的更新覆盖整个自适应学习的生命周期，是学员对于学习过程的完整记录；学习风格是学员在学习过程中表现出的不同学习偏好，因此成为个性化内容导航和内容呈现方式的重要依据，对于虚拟维修系统中学习的自适应性具有重要影响，而学习风格信息的搜集方式是多种多样的。

领域知识模型标识了学员所要掌握知识的全集，也是自适应学习系统的另一核心组件，它记录了相关领域的术语及其之间的关系。目前领域知识模型的表示方式多种多样，包括知识图谱、本体论、知识空间、概念图等；构建方式根据人为参与因素的多少分为专家制定、半自动化构建、自动化构建。专家制定方式是指专家根据自己对于该领域的积淀人工制定领域模型，工作繁琐，而且严重依赖领域专家自身的水平，系统的可移植性非常差。自动化方式是使用统计、自然语言处理、机器学习等技术自动化挖掘领域知识，从而完成领域知识模型的构建，这种方式的准确度低，但是可移植性非常好。半自动化方式是指综合使用人工专家、自动化构建技术来完成领域知识模型的构建。在自动化构建知识模型时，需要使用关键词提取技术发现领域术语，使用关系提取技术发现领域术语之间的关系，进而完成虚拟维修系统中机械领域知识模型的构建。

知识推荐策略是教学资源到学习者本身的映射函数，同时也是自适应学习系统智能性水平的决定因素，包括内容导航和自适应内容呈现。其中，内容导航是指根据学员模型个性化生成学习路径，完成知识到学员的映射，帮助学员通过学习建构自己的知识模型。自适应内容呈现是指将适当类型的教学资源以适当的方式提供给学员，以适应学员的学习风格。比如有人喜欢观看课件，有人喜欢观看桌面式系统演示，有人喜欢观看沉浸式系统的演示；有人喜欢学习抽象的概念，有人喜欢操作。优秀的知识推荐策略能够针对学员的痛点，让他们以最适合自己的方式学到最需要的知识，提高学习效率。

测试模块是衡量学员知识掌握水平的重要方式，而先进的自适应诊测技术仅需要简短的测试就可以精准找到学员的盲点和薄弱点。高效快速的自适应测试，能够节省学员时间，提高学习效率，从而克服传统虚拟维修系统中对所有学员一视同仁的弊端。

通过更加智能的教育方式，能够让学习者发现学习过程中最为舒适自然的方式。除了提高学习的效率，还能够让学习者对学习产生更大的兴趣，从而积极主动的进行学习。虽然取得了许多的研究成果，但更多的发展还需要在投入到实践中应用后不断的对系统进行完善，因此需要在真正的教学环境中，让教师和学生不断的进行尝试和反馈。在未来的智能教育发展中，我们需要不断的对自适应学习技术进行完善，推出更具有针对性的学生学习系统，让教育变得更加智能化和个性化，学生们能够更加舒适高效的接受学习。

二、人类知识探秘

人不但具有关于事实的陈述性知识(declarativeknowledge)和关于如何完成各种认知活动的程序性知识(procedural knowledge)；还有更多默会性知识，而对这些知识的表征、处理和使用才是真正的智能之源，但这需要社会化和交互作用才能形成的，如反映价值的意向性知识（should knowledge）就是人工智能的极限。

在生活中，目标帮助我们集中注意和精力，并表明我们想要完成的任务。同理，在人工智能研究领域中，目标表明了我们想让机器学习的结果。机器学习的核型要就是“期望机器通过训练过程后获得改变的方式的明确表达。一个系统如果能够根据它所知的信息（知识、时间、资源等）能够做出最好的决策，就是理性的思考。归纳能力是指通过大量实例，总结出具有一般性规律的知识的能力。那么如何让机器更好的像人一样掌握不同知识的学习？下面就让我们了解一下著名心理学家布鲁姆是如何对人类学习、教学和评估进行分类的。

首先学习目标是由认知过程和知识维度定义的，来用于指导学习、教学、评估的更好地进行。目标的陈述包括一个动词和一个名词。动词一般描述预期的认知过程。名词一般描述期望学生掌握建构的知识。而认知过程维度则包括六个类目：记忆、理解、运用、分析、评价和创造。而决定认知过程维度的连续统一体被认为是认知的复杂性。也就是说，假定理解比记忆的认知程度更复杂，运用比理解的认知过程更复杂，以此类推。

在研究教育问题中最普遍和最长久的课程问题之一是：什么是值得我们学习的？这是第一个组织问题。抽象地说，问题的答案界定了什么是受过教育的人。更具体地说，有时候答案界定了所教学科的意义。但是单有标准并不必然提供一个充分和可靠的答案。杂货清单式的标准可能比令人启发和有用的标准更令人有启发和有用的标准更让人模糊、沮丧。老师仍然需要回答什么是值得学习的这一个问题。而他们主要靠课堂时间的分配和告诉学生实际的重点是什么来回答这个问题。而透过分类表去看，教师能更清楚地看到可能的目标的排列和它们之间的关联。这样，当我们根据分类表分析所有或部分的课程时，我们就能够对课程获得更加完整的理解。具有愈多条目的横向。竖列、单元格便一目了然，那些完全没有条目的横行、竖列和单元格也同样明显。没有条目的整行或整列能警惕我们，在这里可能包括迄今为止没有考虑过的目标。

总之，对于目标的分类虽然不能直接告诉老师什么是值得教的，但是可以帮助教师把标准转化为共同的语言，以便与他们个人希望达成的目标相比较，通过呈现多种可能性的考虑，为指导课程建议提供某种关观点。

图6-1 目标在知识表中的分类

在知识维度的分类可以分为事实性知识、概念性知识、程序性知识和反省认知知识。

事实性知识包括专家在自己的学科交谈、理解和系统组织时所使用思维基本元素。把它们从一种情景运用于另一种情景很少或完全不需要变化。事实性知识包括基本元素。如果学生需要知晓某个学科或解决其中的任何问题，他们必须知道这些基本元素。事实性知识通常是一些与具体事物相联系的符号或“符号串”，它们传递重要信息。而且大多数事实性知识以相对较低的抽象水品出现。包括术语知识和具体细节和要素知识。

术语知识包括特殊言语的和非言语的符号（如词、数字、标记、图画）。它们是学科的基本语言—专家用于表达他所知的东西的速记。如：字母表知识、科学术语知识（分子符号标志，原子内粒子名称）、用于表示词的正确发音的符号知识。

具体细节和要素知识指事件、地点、人物、时间、信息源等知识。它包括非常精确和具体的信息，如事件的具体日期或现象的准确数量。它也可能包括大概的信息，如事件出现的时期或大量现象出现的一般顺序。与只能在一定的背景中才可知的事实相比，具体事实可以看作是独立和分散的元素。

概念性知识涉及类目、分类和它们两者或多者之间的关系—较为复杂的和有组织的知识形式。概念性知识包括图式、心理模型或者在不同心理学模型中或明或暗的理论。

分类和类目的知识这个亚类包括特殊类目、类别、部分和排列，它们用于不同题材中。每一题材（或教材）都有一套类目，不但可以用于发现新成分，而且可以用于处理已发现的新成分。类别和类目不同于术语和事实之处是：它们在两个和多个成分之间建立了联系。如：句子成分（如名词、动词、形容词）、不同种类的心理问题的知识。各种类型文学的知识。

另外一个是原理和概括的知识，原理和概括倾向于对学术性学科起支配作用，并用于该领域的现象和解决问题。原理和概括把大量具体事实和事件组合起来，它们描述这些具体细节之间的过程和相互关系，也描述分类和类别之间的关系，也描述分类和类别之间的关系。如：物理学基本定律的知识、支配基本算术运算原理（如交换率）的知识、关于特殊文化主要概括的知识。

还有理论、模型和机构的知识，包括原理、概括及其组合成相互联系的知识，它们对复杂的现象、问题或题材呈现一种清晰、完整和系统的观点。如：国会总体结构的知识、地球板块论的知识、基因模型的知识、作为化学理论基础和化学原理之间相互关系的知识。

程序性知识一般是指如何做什么，研究技能、算法、技术、方法的标准。包括：具体学科的技能与算法的知识、具体学科的技术和方法的知识和决定何时运用适当程序的标准的知识。具体学科的技能与算法的知识可以表达为一系列步骤，在总体上是我们所知的程序。如：用于水彩绘画的技能的知识、解方程各种算法的知识。具体学科的技术和方法的知识与通常导致最终固定结果的具体技能和算法不同，有些程序并不导致预先决定的单一解答或答案。如：适合社会科学的研究方法的知识、科学家用于寻找问题解答和技术的知识、各种文学批评方法的知识。决定何时运用适当程序的标准的知识除了知道与专门课题有关的程序外，也希望学生知道何时运用它们。如：决定用哪种方法去解代数方程式的标准的知识、决定要写的儿童文章中的哪一类（如说明文、议论文）的标准的知识。

反省认知知识一般认知知识和有关自己的认知的意识和知识，也指个人对自身的意识和知识。其中包括策略性知识、情境性和条件性的知识在内的关于认知任务的知识和自我知识。策略性知识是有关学习思维和解决问题的一般策略的知识，如：各种记忆术策略的知识、像释义和写概要这样各种精加工策略的知识。除了各种策略知识外，个人还积累了有关认知任务的知识；换言之，他们在何时发展和如何适当运用这些策略知识。如：简单记忆任务（如记忆电话号码)可能只需要复述的知识，像写概要和释义这样的精加工策略能导致较深刻理解的知识。自我知识包括与学习和认知有关的个人优缺点。如：知道自己在某些领域有知识的积累，但在另一些领域缺乏知识、知道自己在某些情景中倾向于依赖某类认知“工具”（策略）、个人完成某一任务的目标的知识、个人对某一任务兴趣的知识。

所有像分类学这样的框架都是对现实的抽象，这种简化是为了促进对潜在条理性的感知。这个框架也不例外。正如东西好吃的证据在于食用的过程，对知识的学习进行分类总结希望能够帮助我们研究机器学习相关算法的专家进一步研究知识的构成与习得。

三、机器知识解析

    Rich Sutton反对传统人工构建知识的方法，比如知识表示或手动构建的启发式函数，他认为痛苦的教训是基于历史的观察，即：1）人工智能研究人员常常试图将知识构建到他们的智能体中；2）从短期来看，这总是有帮助的，而且对研究人员来说是个人满意的，但是从长远来看，它会停滞不前，甚至会阻碍进一步的进展；3)通过基于搜索和学习的缩放计算的相反方法，可能会最终取得突破性的进展。

元知识的概念

  目前对元知识的定义，在学术界还没有一个严格的概念。通常来说，元知识就是“关于知识的知识”。元知识可用来描述一类知识或知识集合所包含的内容、基本结构和一般特征。没有元知识, 人们无法描述知识、使用知识和认识知识。在自动控制与人工智能等系统领域中,一般把使用和控制该系统领域知识的知识称为元知识。元知识不是领域知识,不能解决具体知识领域问题；而是关于各领域知识的性质、结构、功能、特点、规律、组成与使用的知识, 是管理、控制和使用领域知识的知识。

  元知识是思想和意识的核心,如果没有掌握元知识的，就不能学习和认知基本的知识，元知识对于人们认知系统的建立起着重要作用。人工智能和深度学习领域研究各种各样的智能系统，自主学习机制均是以模拟人脑思维活动为目的, 没有学习元知识的能力的智能系统起码不能算是一个智能系统。

知识的分类

 布鲁姆在学习目标分类学方面进行了开创性工作，他将学习目标分为认知、情感和动作技能三大领域。在认知领域，其认知教育目标分类学将将教育目标分为知识、领会、运用、分析、综合、评价等六个类别。

  布鲁姆认知目标分类诞生几十年来，对其修订工作一直没有停过。以加涅的学习结果分类理论和安德森的产生式理论以及以安德森为首的团队进行的布鲁姆认知分类修订版最为著名。

加涅的认知学习结果分类

  加涅将可能的学习结果分为五类：陈述性知识、智慧技能、认知策略、动作技能和态度，每一种分类又可以分为不同的亚类。

陈述性知识是指可以用言语表达的信息，在陈述性知识是回答“是什么”的问题。智慧技能是人们按照一定的方式方法做事的能力，它们是“怎么做”的知识，如应用规则与原理解决确定性的问题。认知策略是指个体自主学习、记忆和思维活动的较高层次的智慧技能。

Gagne对于知识的分类

    Gagne将可能的学习结果分为五种类型：陈述性知识、智慧技能、认知策略、态度和动作技能，具体的定义如表所示。其中陈述性知识分为符号记忆、事实的知识、有组织的整体知识三个小类。

表6-1 Gagne定义的学习结果类型

类型	定义
陈述性知识	要求学习者逐字逐句的记忆、解释或者从事实、名单、姓名中总结或是组织信息。陈述性知识有时被描述成是“知道什么”。
智慧技能	智慧技能的结果是学习和培训情景中的主要学习目标。智慧技能最重要的是将规则应用于之前没有遇到的例子中，也称为程序性知识，描述为“怎么做”。
认知策略	学生用认知策略来管理他们自身的学习，有时称为学习策略或者“学习如何学习”。认知策略支持其他领域的学习。
态度	态度是一种使学习者倾向于选择某种行为方式的心理状态。Gagne将态度描述为认知、情感和行为互相作用的结果。
动作技能	以流畅和精确定时为特征的肌肉运动调节就是动作技能。

修订的布鲁姆认知教育目标分类

  最正规的修订工作是由课程理论与教育研究专家安德森为首的一个专家小组经过5年的工作，于2001年公布的原分类学的修订版。本文基于此种分类方式对不同类型的知识的认知过程分别进行分析，试图找出虚拟维修训练中元知识的认知规律依据。

  布鲁姆教育目标分类学修订版的与以前最大的不同是将教育目标分成两个维度。一个是认知过程维度，另一个是知识维度。认知过程维度仍分为6大类，但第一类的知识改为记忆，保留了理解、应用、分析和评价，增加了创造。将旧版中的知识单独划出来作为一个新的维度。知识维度将知识分为事实性知识、概念性知识、程序性知识和元认知知识。

以认知过程维度为横轴、知识维度为纵坐标，就形成了认知目标二维分类模型。不同的知识维度，对应不同的认知过程，由此形成了不同的学习和训练目标以及训练方法、训练策略。

认知目标分类二维模型

  在总结以上专家对于知识的分类方式后，这里将最具权威的修订布鲁姆教育目标分类学作为元知识的分类方式。

事实性知识

事实性知识的研究基础

  事实性知识是学习者在学习某一专业时必须掌握的基本元素，这些元素包括时间，地点，人物，事件。对应装备虚拟维修训练，如装备的技术性能、基本技术参数等。事实性知识可能以独立元素或点滴信息而存在，而被认为在本质上和其自身是有某种价值的。它又可分为术语知识、具体细节和要素知识两个亚类。

事实性知识的一般过程

  对于事实性知识，在知识呈现情景阶段通过对呈现的知识考察可发现事实性知识呈现的离散性特点。在学习过程情景阶段，通过对学习时交互方式的考察可以发现认知过程以被动接收为主的特点。

事实性知识的认知过程以记忆为主。

事实性知识的基本规律

事实性知识有如下特点：

（1）以陈述性的知识为主。

（2）认知内容没有认知中的高级分析加工或加工量很小，信息不存在认知困难，认知任务主要在于信息的量。

（3）认知过程是离散的。

（4）认知过程以被动的视听接收为主

事实性知识的分类

  术语知识包括特殊言语和非言语的符号（如词、数字、标记、图画）。每一个专业都有其特有的标识和符号表示方式，它们是掌握这一学科的基础。掌握一个专业的术语知识，同一个专业的人就可以快速交流，短时间内实现思想的碰撞，更有利于擦出新的火花。掌握术语知识可以方便人们快速记忆一些东西，为将来学习更加深刻的内容打下坚实基础。

  具体细节和元素知识指时间、地点、人物、事件等知识。它可能包括非常具体的信息，如在哪一时刻打开哪一个开关或按钮，也可能有大概的信息，如事件出现的时期或大量现象出现的一般顺序。与只能在一定的背景中才可知的事实相比，具体事实可以看作是独立的和分散的元素。

概念性知识

概念性知识的研究基础

  概念性知识是指一个整体结构中各个要素之间的关系,就是这个关系表达了某一专业的知识是如何形成的，各个要素之间是如何互相影响的，以如何组成一个完整的系统。将概括的知识按照意义的方式加以概括总结，用以体现某些问题、现象的内在联系。概念性知识有如下三个亚类：类别与分类的知识、原理与概括的知识、理论、模式与结构的知识。

概念性知识的一般过程

  概念性知识的一般过程是一个以记忆为基础，到理解的过程。

概念性知识的基本规律

  概念性知识有如下特点：

（1）以陈述性的抽象知识为主。

（2）需要对认知内容加以理解。

（3）记忆与理解相互作用形成认知。

概念性知识的分类

  分类和类目的知识这个亚类包括特殊类目、类别、部分和排列。当题材（或教材）发展时，学习该材料的人发现，开发出一些类别和类目使之能将这些类别和类目用于结构化和系统化的现象，是很有好处的。同术语和具体事实相比，这类知识是比较一般的和抽象的。

  分类或类目的知识是发展某一个学术性学科的重要方面。信息适当分类和经验进人适当类目乃是学习和发展的经典指标。而且新近关于概念变化和理解的研究表明，信息的错误分类进人不适当类目可以限制学生的学习。

如同前述，原理和概括是由分类和类目构成的。这个亚类抽象的概括出人们见到的各种现象，并且将这些现象抽象成知识。这些抽象知识对于描述某种现象，解释这种现象出现的原因，预测事件的发展趋势，并根据预测结果采取相应的行动具有重大的价值。

  原理和概括知识，就是从大量的事实和事件中，抽象和概括出这些事实的核心，并且分析这些核心的内在联系和之间的相互作用，以及如何构成整个事实或事件的整体。

  理论、模型和结构的知识包括原理、概括及其组合成相互联系的知识，这个亚类侧重于将原理和概括以某种方式相联系，从而形成理论、模型或结构。

学科具有不同研究范式和认识论，学生应该知道从概念上加工和组织教材的不同方式和在该教材中的研究领域。

程序性知识

程序性知识的研究基础

  程序性知识是“如何做事的知识”，如何思考及如何解决问题，在遇到问题时，不仅要想到如何去解决问题，同时也要知道在什么样的场景下，使用什么样的方式去解决什么样的问题。程序性知识有三个亚类：具体学科技能和算法的知识、具体学科技巧和方法的知识、确定何时运用适当程序的知识。

程序性知识的一般过程

  程序性知识不仅包括了基本的由记忆到理解的一般认知过程，还包括了理解之后的应用和分析。

程序性知识的基本规律

  程序性知识有如下特点：

1、认知内容综合性强，需要经过高级分析加工进行理解。

2、对情景依赖性高，认知任务主要在于正确把握当前情景并做出合理判断。

3、认知过程是一个交互的过程，需要主动参与，是一个不断反复的过程。

4、认知过程是一个连续的整体、实时性要求高。

程序性知识的分类

  如上所述，程序性知识可以表达为一系列步骤，在总体上是我们所知的程序有时这些步骤的顺序是不变的；有时需做出决策，决定先做什么，然后在做什么。相似地，有时其结果是固定的（只有单一预定的答案），有时答案不定。

  与通常最终导致固定结果的具体技能和算法不同，有些程序并不导致预先决定的单一解答或答案。例如我们以某种先后有序的方式遵循一般科学方法去设计某一研究，但实验设计的结果依据大景的因素可能会有很大差异。程序性知识的这一亚类与上个个亚类相比，其结果是较为开放的和不固定的。

  具体学科的技术和方法的知识主要是意见一致的结果或学科规范，而不是更为直接来自观察、试验或发现的知识。决定何时运用适当程序的标准的知识是指除了知道与专门课题有关的程序外，也希望人们知道何时运用它们，后者涉及过去运用它们的方式。这些知识几乎是历史的或百科全书式的。

  这一亚类更多的涉及到人们对于当前情况的情景认知能力，首先要对当前的所处的状态做一个判断，然后将判断所得到的信息与已知的相关程序性知识做匹配，最后做出选择，决定在什么样的时间和空间，以及各种复杂条件下，适用什么样的程序,最后通过对人们用定律解决问题的能力进行评定。

元认知知识

元认知知识的研究基础

  元认知知识一般指关于认知的知识，也指个体对于自身情况的是否有足够的了解，并且能够做出正确的判断，包括了解自己认知活动中的优势与不足，以及采用什么样的一般策略去发现必要的信息。元认知知识有如下三个亚类：策略知识、关于认知任务的知识、自我知识。

元认知知识的一般过程

  元认知知识的认知过程是在事实性知识、概念性知识、程序性知识的基础上，逐渐递进的过程。由最初事实性知识的记忆，到概念性知识的理解，程序性知识的应用、分析，元认知知识在这个基础上，增加了评价和创造的过程。

元认知知识的基本规律

  元认知知识有如下特点：

1、认知难度大，要求高。

2、认知的形成可以作用于设计阶段以改善学习训练效果。

元认知知识的分类

  策略性知识是有关学习、思考和解决问题的一般策略的知识。这个亚类中的策略可以跨不同的任务和教材运用，而不仅仅对某一学科领域中某种任务最有用，如用于解二次方程式和欧姆定律。

  除了各种策略的知识之外，个人还积累了有关认知任务的知识。在传统元认知知识区分中，弗拉维尔把下列知识纳人元认知知识：不同认知任务可能有难度较大的，也有比较简单的，根据难度的不同，可能需要不同策略。回忆任务需要个体积极搜寻和提取适当信息，而再认任务只需要个体在几种选择中做出决定和选择正确的或最适当的答案。

自我知识

  弗拉维尔提出，除不同策略和认知任务的知识之外,自我知识也是一种重要的元认知知识。专家的一个标志是他们对自己不知道的东西很清晰，所以他们具有发现所需要的和适当的信息的一般策略。个人对自我知识深度和广度的意识是自我知识的一个非常重要的方面。他们对自己的实际知识和能力没有夸大和虚假的印象，他们知道自己知道什么和不知道什么。

为什么常说AI的未来是人机融合智能呢？