Yingkui

Yingkui

Solving Problems. Making Progress.

1.4 对教学效果的评价

定义 $\mathcal{H}_s$ 为在进行学习活动前的某个学生, $L$ 为 $\mathcal{H}_s$ 的在学习活动中进行的信息处理函数,$d$ 为这个学习活动中提供的学习材料,$\mathcal{H}_e$ 是学习活动后的学生,且有 $\mathcal{H}_e = L(\mathcal{H}_s, d)$ , $E$ 是某个测试函数,$\Delta t$ 是学习过程进行的时长,$p$ 为学生在学习过程中积累的痛苦值,定义学习效果为 $r$ , 有:

$$r = \frac{E(\mathcal{H}_e) - E(\mathcal{H}_s)}{\Delta t}$$

测试函数的内容可以从简单的拨动灯具的开关,到充满创造力的独立制作一个皮克斯水准的动画片。

教学的目标就是最大化 $r$ 和最小化 $p$。具体地,我们可以分为三个级别:

  1. 可能性标准:至少能学会,即使花费大量的时间,也就是只关心 $r$ 值的分子部分
  2. 功能性标准:不仅能学会,而且可以在更短的时间内学会,同时痛苦值不至于逼得学生放弃
  3. 娱乐性标准:不仅可以高效率学会,同时拥有类似于电子游戏的娱乐轻松感

如果测试是法语,但是教学材料是日语,对于一个只懂中文的学生,就无法达到可能性的标准。可以认为现有的所有被大量采用的学习材料都具备可能性标准,因为我们可以观察到一定比例的学生可以通过测试,也就是存在可以学会的路径。

但是,现有的学习材料大多数都达不到功能性标准,也就是会有大比例的学生会被卡住,或者要忍受大量的理解教学材料的痛苦。与此同时,很多形式的学习材料,缺乏测试环节,学习效果通常由学习者感性得到,但人会有学会错觉(Illusion of Competence),从而错估了学习效果。

本文的目的就是要阐述如何让学习材料达到功能性的标准,并尽可能对学习增添娱乐性糖分。在接下来讨论的过程中,我们用掌握程度来描述 $r$ 值,用疲惫程度和娱乐程度来表示 $p$(根据其正负来定)。对于娱乐性,如果学习过程带来了痛苦,那可能会让学生放弃和回避,增加下一次学习的启动成本;如果带来的是成就感就可能促使学生想主动的进行更多尝试。

在学习效果的定义中,我们借鉴了机器学习中的字母表示,机器学习和教学过程有着一定的相关性:

  1. 机器学习是在明确了可训练数据 $d$ 的情况下,去寻找某个可以识别样式的 $\mathcal{H}$
  2. 教学过程是在拥有一个强大识别样式的算法 $\mathcal{H}$,去准备提高训练效率的数据 $d$
  3. 在教学过程中,我们同样会遇到统计学中所出现的概念,例如,交叉验证以及偏差和方差之间的权衡等。进行这样的计算学表述,将对后文中发现教学问题并改善教学效率有着直接本质的分析效果

从解题的角度来看待

解决问题时,解题者相当于在一个加权有向无环图(Weighted Directed Acyclic Graph)中,对答案进行搜索。在这个加权有向无环图中,

  1. 起点就是题目的字符串
  2. 每一个边,就是从一个信号,所指向的一个转化函数
  3. 而任何信号,都可以指向任何转化函数
  4. 每一个边的权值,就是二者连接的强度,也可以看作是阻力
  5. 在没有信息摄入时,转化函数之间没有区分性,每一个边的概率趋近于零,而阻力趋近于无穷大
  6. 解题本身就是对这些转换函数的执行和目标字符串的查找,而题目的难度等价于单位时间内查找路径中阻力的总和