加涅的信息加工学习理论

          严格的说,加涅的学习理论应该归入认知派学习理论体系当中。这里将它独立出来有两个原因,一是他的理论相当麻烦,什么都可以插上一腿,第二,他的理论也是具有非常大的综合性,很多是左借鉴一下、右参考一点,然后自己加以发挥的结果。

学习分类理论

首先是加涅对学习的分类,仅是分类就有两种标准。

一种是按照学习对象的性质来进行划分的,将学习分成八个类别,即:

信号学习:主要是经典条件作用的学习;

刺激-反应学习:主要是操作性条件作用的学习;

连锁学习:可以认为是巴甫洛夫所说的高级条件作用;

语言联想学习:实质上是以语言为对象的连锁学习;

辨别学习:辨别不同刺激间的区别并且做出不同的反应,实质上是巴甫洛夫所说的分化;

概念学习:对刺激进行分类,对同类刺激做出相同的反应;

规则学习:多个特定关系的概念之间形成命题,形成规则;

解决问题的学习:利用规则达到解决问题的目的。

很明显的是,这个分类标准参考了联结派学习理论(前面6个学习类别是典型的联结学派的东西),以及认知派学习理论(最后两个才是认知派的东西)。不过,信号学习和刺激-反应学习似乎应该是同一个东西,两者的本质都是面对一个信号做出一个反应(对于这点,如果可能可以做更深层次的论述)。另外,辨别学习和概念学习应该是同一件事情的两个方面,将这两个方面区别开实在是让人匪夷所思。

加涅对学习的另外一种分类是根据学习的结果来分的,将学习分成五个类别:

言语信息:应该是最常见的学习了,如果你不知道甚至是否认南京大屠杀的话,就是这方面存在欠缺了;

智力技能:利用符号与外界相互作用的能力,某些人经常问“我该怎么办啊”,就是典型的反面例子;

认知策略:就是目前教育当中相当招摇的“学会学习”的要求;

运动技能:不说;

态度:不说。

加涅的这种分类方法基本上是比较公认的,比中国传统的学习分类方法要优越一些。

学习模式

加涅的信息加工学习理论并不是浪得虚名的,他提出了信息加工学习模式。不过,很让人伤心的是,这个信息加工模式太厉害了,所以经常看到它,就算我们被一条疯狗追的时候,我们的反应也可以完全按照这个信息加工模式来解释和预测。这也是信息加工的学习模式失败的一个地方。

学习过程

加涅不但按照学习对象的性质将学习分为8个类别,还将整个学习过程分成了8个阶段,分别是:

动机阶段:学习者必须有学习的意图,是由信息加工学习模式中动机系统(期望事项)提供的。这里面应该有班杜拉和托尔曼的贡献,注上一笔;

领会阶段:实际上应该是注意阶段,强调学习者将注意力集中到学习材料上;

习得阶段:学习内容经过编码进入短时记忆,并进一步存入长时记忆;

保持阶段:主要是习得的信息在长时记忆当中的保持;

回忆阶段:习得的信息要表现出来就必须从长时记忆里提取出来;

概括阶段:学习迁移的问题;

作业阶段:就是做作业啊;

反馈阶段:就是分数啊。

可以看出来加涅的学习过程理论基本上是按照他的信息加工的学习模式来的,而且,他侧重点不在学习者,而是教育者。

纵观加涅的学习理论,总觉得他是认知派学习理论中的一个怪胎。原因可能是他完全放弃了布鲁纳、奥苏泊尔的“人是活的”的观点,将学习个体的主观能动性仅仅限定在一个动机系统上,而其他方面,不管是学习模式还是学习过程,则完全是电脑式的冷血。不知道这是否又回归到了联结主义的地步。

另外,加涅对学习过程的划分也有些牵强的地方,给人一种强行割裂的感觉。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习是一种人工智能(AI)的子领域,致力于研究如何利用数据和算法让计算机系统具备学习能力,从而能够自动地完成特定任务或者改进自身性能。机器学习的核心思想是让计算机系统通过学习数据中的模式和规律来实现目标,而不需要显式地编程。 机器学习应用非常广泛,包括但不限于以下领域: 图像识别和计算机视觉: 机器学习在图像识别、目标检测、人脸识别、图像分割等方面有着广泛的应用。例如,通过深度学习技术,可以训练神经网络来识别图像中的对象、人脸或者场景,用于智能监控、自动驾驶、医学影像分析等领域。 自然语言处理: 机器学习在自然语言处理领域有着重要的应用,包括文本分类、情感分析、机器翻译、语音识别等。例如,通过深度学习模型,可以训练神经网络来理解和生成自然语言,用于智能客服、智能助手、机器翻译等场景。 推荐系统: 推荐系统利用机器学习算法分析用户的行为和偏好,为用户推荐个性化的产品或服务。例如,电商网站可以利用机器学习算法分析用户的购买历史和浏览行为,向用户推荐感兴趣的商品。 预测和预测分析: 机器学习可以用于预测未来事件的发生概率或者趋势。例如,金融领域可以利用机器学习算法进行股票价格预测、信用评分、欺诈检测等。 医疗诊断和生物信息学: 机器学习在医疗诊断、药物研发、基因组学等领域有着重要的应用。例如,可以利用机器学习算法分析医学影像数据进行疾病诊断,或者利用机器学习算法分析基因数据进行疾病风险预测。 智能交通和物联网: 机器学习可以应用于智能交通系统、智能城市管理和物联网等领域。例如,可以利用机器学习算法分析交通数据优化交通流量,或者利用机器学习算法分析传感器数据监测设备状态。 以上仅是机器学习应用的一部分,随着机器学习技术的不断发展和应用场景的不断拓展,机器学习在各个领域都有着重要的应用价值,并且正在改变我们的生活和工作方式。
机器学习是一种人工智能(AI)的子领域,致力于研究如何利用数据和算法让计算机系统具备学习能力,从而能够自动地完成特定任务或者改进自身性能。机器学习的核心思想是让计算机系统通过学习数据中的模式和规律来实现目标,而不需要显式地编程。 机器学习应用非常广泛,包括但不限于以下领域: 图像识别和计算机视觉: 机器学习在图像识别、目标检测、人脸识别、图像分割等方面有着广泛的应用。例如,通过深度学习技术,可以训练神经网络来识别图像中的对象、人脸或者场景,用于智能监控、自动驾驶、医学影像分析等领域。 自然语言处理: 机器学习在自然语言处理领域有着重要的应用,包括文本分类、情感分析、机器翻译、语音识别等。例如,通过深度学习模型,可以训练神经网络来理解和生成自然语言,用于智能客服、智能助手、机器翻译等场景。 推荐系统: 推荐系统利用机器学习算法分析用户的行为和偏好,为用户推荐个性化的产品或服务。例如,电商网站可以利用机器学习算法分析用户的购买历史和浏览行为,向用户推荐感兴趣的商品。 预测和预测分析: 机器学习可以用于预测未来事件的发生概率或者趋势。例如,金融领域可以利用机器学习算法进行股票价格预测、信用评分、欺诈检测等。 医疗诊断和生物信息学: 机器学习在医疗诊断、药物研发、基因组学等领域有着重要的应用。例如,可以利用机器学习算法分析医学影像数据进行疾病诊断,或者利用机器学习算法分析基因数据进行疾病风险预测。 智能交通和物联网: 机器学习可以应用于智能交通系统、智能城市管理和物联网等领域。例如,可以利用机器学习算法分析交通数据优化交通流量,或者利用机器学习算法分析传感器数据监测设备状态。 以上仅是机器学习应用的一部分,随着机器学习技术的不断发展和应用场景的不断拓展,机器学习在各个领域都有着重要的应用价值,并且正在改变我们的生活和工作方式。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值