学习工程的机遇和挑战

浙江大学教育学院  林晨一

2022 年 7 月 26 日至 28 日，在美国马萨诸塞州剑桥市麻省理工学院校园内，由学习工程行业联盟（Industry Consortium on Learning Engineering，ICICLE）主办的学习工程会议隆重召开，就帮助学习者挖掘自身潜力、提升学习效率、享受学习过程等学习工程的理论与实践话题展开研讨。会议旨在搭建平台，让学习工程研究者、实践者交流前沿发现和优秀案例，也促使行业企业、政府教育管理部门和教育基金组织更好地了解学习工程中的经验、机遇与挑战，以便做出明智决策。

学习工程（Learning Engineering）是一个跨学科的概念，综合了心理学、教育学、人工智能、工程学、计算机科学等领域的相关理论。具体而言，是指对基于学习科学和教育技术的证据、原则和方法的系统化应用，目的在于创造有吸引力且高效的学习体验，以帮助学习者解决在学习中遇到的问题，并高效完成目标明确的学习任务。为此，学习工程将一套成熟的循证策略应用于对教学设计的改进，以提高教育成果。这一过程既强调重塑教育过程，以提升效率；又强调采用以用户（学生者）为中心的设计思维，结合对丰富数据集的分析、改进与迭代，在学习技术的支持下精准满足学习者的需求，为他们创造学习机会，铲除学习过程中的路障，最终取得更好的学习成果。

“学习工程”这一概念并非新词，但直到专注于人工智能、机器学习研究的科学家们开始关注学习过程，学习研究工程化转向的兴起与发展后，学习工程才得到普遍关注与重视。美国杜克大学数字教育与创新学院助理副教务长马修 • 拉斯科夫（Matthew Rascoff）就表示：“从教与学的角度来看，这是一个黄金时代，我们比以往任何时候都更了解人们的学习方式。”处在新发展阶段，学习工程面临着机遇与挑战并存的局面。

机遇：多股力量助推

数字技术的进步推动学习工程从理论走向应用、实践与创新。尽管 20 世纪 60 年代学习工程的概念就已出现，但当时学者关注与讨论的重点在于学习工程的概念、理论等哲学层面的思考。尽管这些探讨在很大程度上奠定了学习工程的发展基础，但其自身的实践性与应用性导向表明理论层面的构建是远远不够的，而近年来兴起并蓬勃发展的学习分析技术在学习工程的理论与实践之间架起了桥梁。学习分析技术涉及多个学科与领域，如认知科学、计算机科学、信息科学、神经科学等，主要整合了机器学习、工程技术、人工智能等相关领域的核心内容。学习分析技术可以基于教育过程及教育结果中产生的数量多、种类繁的教育大数据，系统、全面地搜集学习指标数据并予以智能算法分析，为学习工程的实践提供了数据支持。事实上，学习工程始终以数据为中心，不仅需要根据数据分析的结果调整、优化现有的课程设计方案，还需要对分析中出现的问题进行针对性的解决，以便为未来设计方案的迭代路径提供启示。未来，学习分析技术将进一步朝着精细化、科学化方向发展，而数据驱动的学习工程也可以凭借更加精准、更加全面的教育大数据，顺着其理论脉络更广泛地融合到教育实践中，推动学生学习效率的提升和学习结果的优化。

此外，个性化学习的盛行为学习工程提供了新的发展方向。根据美国教育部 2010 年发布的《国家教育技术计划》中的界定，个性化学习是指依据学生的学习需求来调整教学节奏，基于学生的学习偏好来调整教学内容，以及针对不同学习者的兴趣来调整教学内容。在一个完全个性化的学习环境中，学习目标和内容以及方法和节奏都可能因个体差异而有所不同。随着信息化时代的到来，传统工业时代基于统一标准、统一进度的大规模教学模式，难以承担为国家与社会培养出具备创新能力的新时代人才的重任。在此背景下，对于个性化学习的关注与呼声愈来愈高。但受限于传统教育模式下教育者的时间、精力，他们很难全面关注到不同学习者的差异化诉求与个性化需要，真正实现因材施教。

这一现实困境恰恰是学习工程大有可为之处。在技术与数据的支持下，学习工程实践者可以开发多种模式的学习体验和差异化课程，使每个学生都能依据学习效果最优原则以及长期学习目标的指引，独立安排个人的学习重点与学习过程；并通过营造合作学习的氛围，提升学生的学习参与度、成长性思维、自我效能感和学习韧性，来帮助他们提升学习品质；此外，学习工程还可以在每段教育经历中嵌入诊断性评估，如针对学生的学习需求或课程重点、难点进行更快、更深入、更及时的诊断，包括对学科、领域知识的深度学习评估、真实情境中的表现性评估等。这些诊断性评估对学生系统思考、协作和解决问题的提高不无裨益，也有利于指导学生的自主学习，对他们后续的学习具有长远的积极作用。

不难看出，一方面，个性化学习的实现需要学习工程提供重要的数据与技术支持；而另一方面，对于个性化学习的追求也进一步推动学习工程朝着更全面、更精准、更科学的方向发展。两者相互借力，共同营造基于人机互动、师生互动、生生互动、资源共享的线上、线下同步的学习环境，真正做到以学习者为中心，凸显学习者个性和特长，助力培养数字时代所需的创新型、创造型人才。

此外，对教育效率的追求为学习工程提供了评价标准。对个性化学习的重视并不意味着放弃教学与学习的效率，相反，处于科技发展的大时代，教育变革必将回应时代需求，通过学习资源的最优化配置以实现高效率学习。在传统教育情境下，全面衡量学生的学习行为与学习结果，进而评估教育效率和有效性是一件极具挑战的任务：一方面，评价教育效率有赖于大量学习过程的信息，仅仅依靠人力难以完成大规模、大范围数据的搜集，且相关信息的隐私问题也将面临质疑；另一方面，教育过程中对于学习者批判性思维、创新能力等隐性、长远能力的培养，也很难依靠标准化考试的分数或调查问卷予以测量。

而学习工程恰恰可以利用教育大数据来反复改进学习体验的设计。采用学习分析技术和教育数据挖掘技术，我们可以很好地对来自多元教育环境的数据进行分类、统计和深入研究，将此与设计研究（Design-based Research）相结合，就能对“学习者是如何学习的”“什么样的教学策略能够实现最佳的学习效果”以及“如何采集关于学习者实现预期结果的有效、可靠的证据”等问题形成更为科学、专业的洞察力。得益于实证性的精准施教，学习者的课程参与度、教师的教学效率都将显著提高，换言之，学习工程促进了教育效率的提高。

美国伍斯特理工学院计算机科学教授尼尔 • 赫弗南（Neil Heffernan）始终致力于学习工程的应用与实践，在他关于“提高基于机器学习的学术写作的质量”的项目中，他发现，该技术一方面可以帮助学生快速、直接获取反馈，无需等待教师的评价就能独立完成学术写作训练；另一方面也大大减少了教师批改作业的任务量，优化了他们的教学时间安排。随着新时代教育变革的不断发展，对于教育效率的追求为学习工程的发展提供了方向与路径指引。基于当前教育系统中效率较难评估，存在教育资源闲置、错配的现状，学习工程若以问题为导向，着重解决教育效率提升过程中的现实困境，一定能实现大力发展。

最后，学科课程设置与学术机构蓬勃发展也促进学习工程的系统化发展。单个学者、机构对于学习工程的探索较难推动大范围的应用，也会限制学习工程的进一步发展。而近年来，越来越多的高校与专业机构都参与到学习工程相关的研究与学习工程师的培养中来。如哈佛大学就设置了为期一年的“科技、创新与教育”（Technology, Innovation, and Education，TIE）硕士研究生项目，旨在引导硕士生们通过对教育技术与学习科学进行创新性应用，开发强大、适配的教学法以提高学习者的学习效率，解决具有挑战性与前瞻性的教育前沿问题。斯坦福大学为期两年的“学习科学与技术设计”项目（Learning Sciences and Technology Design，LSTD）则致力于培养硕士生们数字技术时代的学习环境设计能力。基于移动多媒体、计算机设备与互联网在正式学习与非正式学习中普遍应用的现状，该项目确定了两方面的教育目标：理论层面，学生们将探索学习者如何借助知识、工具和网络以及社会文化经验，进行多种背景下的理解、学习和协作，描摹其文化、心理和技术的具体过程；在实践层面，将学习如何系统地研究和设计为学习提供支持的环境，以及如何通过学习环境设计改善学习成果。

除了高校推出学习工程类培养计划外，亦有相关专业机构投身于学习工程的专业化建设。如前文提到的学习工程行业联盟。2017 年 12 月，建基于美国电子工程师协会的学习工程行业联盟（ICICLE）诞生。作为一个志愿性的专业组织，该联盟致力于推动学习工程作为一种职业和一门学术学科的发展。自成立以来，每个月举办一次会议，探讨围绕学习工程过程、实践和职业的一系列技术、科学和政策问题，并定期组织成员参加学术界、政府、行业和非营利组织的相关主题的会议，讨论如何利用学习工程原理和实践改善和优化学习体验。

国外如此，国内高校亦同样重视对于学习工程课程的设置。早在 2018 年，北京大学就曾在 MOOC 平台开设“学习工程与管理”课程，围绕学习理论、绩效技术、设计学习、学习环境与方法、数字化学习、测量与评估、知识管理、学习管理、人才管理、组织变革与企业大学等十个主题，系统介绍了学习工程的起源、发展与应用，为我国学习工程师的培养贡献了高校力量。

得益于数字科技时代内生的驱动力，以及高校与专业机构的积极参与和航道引领，学习工程的研究与探索正朝着系统性、科学性的方向进一步发展，未来充满无限机遇。

挑战：从方法论、实施效果到人才储备

尽管发展势头迅猛，但学习工程的推进、应用和创新也面临多重挑战——

首先，学习工程建立的方法论基础尚未得到全面诠释。学习工程是学习科学理论的深化与应用，随着学习科学领域创新性方法论——设计研究向工程学（engineering）方向的迭代升级，学习工程也得到深入发展。从这个意义上来说，学习工程一方面继承了学习科学建立的认知科学基础，即认知科学的范式转变促使学习研究成为认知研究中的重要部分；另一方面，学习工程以教育变革的内生需求与数字技术的进步作为客观驱动力，在两者的协同作用下，学习科学与学习工程才得以诞生。

然而，在发展过程中，学习工程却也面临着对其行为主义教育观本质的批评。批评者认为，学习工程不过是使用移动设备、互联网技术来呈现学习资料，并为学习者提高适时反馈。在这样的学习模式中，基于“刺激——反应”行为主义教育观的内容传递与反馈机制并没有真正改变，只不过提出刺激与问题的主导者由传统意义上的教师变成了移动设备。面对此类质疑，学习工程亟需建立其合法存在的方法论基础来予以回应：一方面，其与学习科学理论的一致性、与行为主义教育观的异同与理念差异等问题有待进一步阐释和澄清；另一方面，学习工程如何从基础研究中的科学理论转向实践层面的探索，进而实现其对于学习实践的有效推动，亦有待探究。概念的发展与应用离不开学科基础与方法论的储备，学习工程应直面这一现实困境，系统阐述其存在的方法论基础，方可能在众多学习理论与构想中脱颖而出，成为教育改革发展的主流方向之一。

其次，学习工程实际应用的效果难以确证。尽管从理论上来说，学习工程对于促进学习将大有助益，但从现实角度来说，其实际效益却难以保证，原因是多方面的。其一，当学习工程被引入教学实践中，“更好的东西总是很难彻底替换次好的东西”，教师、家长、学生对其的接受度相当有限，传统教学方式方法仍具相当竞争力，如何促使他们了解学习工程，并引导其利用学习工程辅助教学、学习仍有大量工作需要完成。其二，难以通过客观量化数据证明学习工程的实际效果。不同于自然科学中对于效果的评价可采用基于双盲原则的随机对照实验，教育实践中基本不可能人为创造出一个近似实验室的环境来测量学习工程对于学生学习结果的影响。即便通过准实验的方法比较使用学习工程对于学生学习过程、学习结果等变量的影响，其样本量也只能保持在一个相对较小的水平。即使实验结果在统计学上被证明为有效，可以写在论文中，但数据结果也不具备足够的普适性与说服力，难以将其作为证明学习工程实际效用的代表性证据。其三，在测量学习工程实际效益时，面临着必须分离出单纯由学习工程带来的增量数据这一难题，只有剥离了其他可能影响实际效益的数据结果，方能证明学习工程本身的价值。

总之，学习工程在真正大范围应用、推广前，还需解决上述可能影响其实际应用效果的几个障碍，才有可能在教育实践中普及。

再次，学习工程领域专业人才储备不足。学习工程因其跨学科性而更具全面探索教育实践并促进学习效率提升的潜力，然而，也正是这个特性也为其进一步发展带来了挑战。学习工程试图解决的问题往往需要不同领域的专业知识，如软件工程、教学设计、领域知识、教学法、心理测量学、学习科学、数据科学和系统工程等。学习工程面临的综合性、系统性问题往往超过任何一个人的学科视野和能力范围，实践也证明，学习工程在各国的推广因缺乏多个学科背景的综合性人才，而遭遇到不少障碍。

学习工程的发展、推广和应用既享有众多机遇，亦面临多重挑战。处在教育实践的大变革时代，为进一步促进学习工程的蓬勃发展，让科技助力每一位学习者的精准学习，需要包括神经科学、认知科学、信息技术、设计科学、教育学领域在内的各界英才积极投身其中，碰撞出跨学科的实践智慧。相信伴随着相关理论基础的夯实与教育实践的验证，学习工程会成为教育发展新阶段促进变革的一股重要力量。

参考文献：

[1] 尚俊杰,裴蕾丝,吴善超.学习科学的历史溯源、研究热点及未来发展 [J]. 教育研究,2018,39(03):136-145+159.

[2] Lee, V. R. Learning sciences and learning engineering:A natural or artificial distinction? [J]The Journal of the Learning Sciences, 2022, 1-17.

[3] 周子荷,刘三女牙,李卿.从学习科学到学习工程：历史跨越与未来走向 [J]. 电化教育研究 ,2020,41(11):5-12.

摘自《上海教育》2022年10月

摘录者：太仓市城厢镇幼教中心新毛幼儿园 奚秋雯

推荐理由：

学习工程是一个跨学科的概念，综合了心理学、教育学、人工智能、工程学、计算机科学等领域的相关理论。作者从学习工程面临的机遇与挑战入手，讲述了处在教育实践的大变革时代，为进一步促进学习工程的蓬勃发展，让科技助力每一位学习者的精准学习，需要包括神经科学、认知科学、信息技术、设计科学、教育学领域在内的各界英才积极投身其中，碰撞出跨学科的实践智慧。