摘 要：“ACT-R”是一种类似OAR架构的网状结构认知模式，又叫做推理思维的自适应控制模型，它能在储存知识时按照情境的“模块”进行组装。模块化方式能帮助学习者快速分析问题，增加知识的数量，评价核心问题，提升认知深度，创新问题结构，促进知识迁移。在“导学激趣”ACT-R模式上运用深度学习CNN算法，使教者苦教与受教者苦学的状况得以改变。目前，深度学习算法运用比较成功的是CNN卷积神经网络算法，在“导学激趣”ACT-R模式过程中引入CNN，能在激发学习者学习兴趣的同时，增强学习的自信心，有助于促进学习的深入，学习者的思维也能得到启迪，潜能得到开发，有助于学习者发展自身的个性品质。本项目基于E-Learning时代背景，从深度学习的角度出发，探索研究“导学激趣”ACT-R模式的基本思路，帮助学习者捕获感知、行为和思想，组织生活语言情景产生智能行为，用以仿真并理解人的认知。
关键词：导学激趣；深度学习；E-Learning；ACT-R模式
中图分类号：TP18 文献标识码：A 文章编号：2096-4706（2018）09-0136-03
Abstract：“ACT-R”is a network structure cognitive model of SOAR architecture，also called an adaptive control model of reasoning thinking，which can be assembled according to the“module”of the situation in the storage of knowledge. Modularization can help learners to analyze problems quickly，increase the number of knowledge，evaluate the core issues，improve the depth of cognition，innovate the structure of the problem，and promote knowledge migration. In the“guided learning interesting”ACT-R mode，we use the deep learning CNN algorithm to change the state of hard teaching. At present，the CNN convolution neural network algorithm is successfully used in the depth learning algorithm. The introduction of CNN in the“guided learning interesting”ACT-R model can stimulate learners interest in learning，enhance their confidence in learning，and contribute to the deepening of learning. The learners thinking dimension can also be enlightened and potential development. It is helpful for the learners to develop their own personality traits. This project is based on the background of the E-Learning era. From the perspective of deep learning，this project explores the basic ideas of the“guided learning interesting”ACT-R model，helping the learners to capture perception，behavior and thought，and organize life language scenarios to generate intelligent behavior to simulate and understand peoples recognition.
Keywords：learning to stimulate interest；deep learning；E-Learning；ACT-R mode
0 引 言
多伦多大学机器学习领域专家Hinton教授在美国权威杂志发表了关于深度学习和深度网络的概念等文章，从此全球开启了深度学习算法研究的热潮。目前，深度学习算法比较成功的应用是卷积神经网络算法（CNN）在各科学研究领域的具体实践。如Facebook的自动图像标注技术，汽车自动驾驶技术，阿尔法狗（AlphaGo）人工智能机器人等。CNN在图像分类中取得了重大突破。Hinton还提出，E-Learning网络电子数字化时代，要挖掘深度学习内涵，对于目前知识层面仍停留在浅层阶段的人们来说，深度学习能更好地揭示问题的症结所在，有效促进学习者学习能力的提高。
1 研究意义
ACT-R是目前新教育时代背景下的创新型学习模式。它是一种自主探究型学习方式，它不仅能帮助学习者充分利用学习资源，还能充分调动学习者的学习积极性和学习主动性。
“导学激趣”ACT-R模式首先站在认知结构基础上激发学习热情。深度学习算法CNN的应用可以帮助学习者提升浅层知识点的学习，促进学习能力的提高。学习者在生动形象的现实场景中学习，不仅可以激发学习热情，引起内心共鸣，还有助于理解学习内容。良好的、轻松的学习氛围能促进学习者的心智发展。传统学习讲究的是死记硬背，填鸭式学习。若在传统学习过程中采用“导学激趣”ACT-R模式，使学习的过程由被动化为主动、由压抑化为积极，实现提高学习效率的目的。本项目研究的“导学激趣”ACT-R模式基于深度学习算法CNN，创设科学的学习情境，目标明确，理论与实践相结合，重视学习者的主体地位，能够提高学习者的学习效果。
2 国内外研究现状
美国“教育技术白皮书”声称E-Learning是一种能对因特网进行教育，并提供相对应服务的过程。网络促成了学习者终身学习的可能性。E-Learning重新诠释了教学者的作用，重新定义了教与学之间的关系，为改变教育的本质提供了可能。
瑞典学者Marton和Saljo在研究如何采取措施来阅读学术论文时，首次提出浅层学习和深度学习的概念。之后，John Biggs、Ramsden、Entwistle分别阐述了浅层学习和深度学习的相关理论，并总结了相关的特征。Van B.Weigel在研究远程教育时也对深度学习进行了阐述。
著名学者R.Keith Sawyer认为，深度学习是一门跨学科，通过多种研究来认知的过程，涉及很多领域。深度学习得到了学术界和工业界的广泛关注。主要用来研究教与学，它关注的是真实情况下学习者的学习情况。这些真实情况有学校的正式学习，也有实验室外的非正式学习，与传统认知学科不同，无需严格控制各种变量以及在实验室得出结论才能使用，其主要目的是帮助学习者提高学习的效率以及学习的深度。Henry Markan南非科研团队试图通过深度学习模拟人脑完成各种实验。李彦宏在2013年的百度年会上宣布要成立深度学习百度研究院。麻省理工大学在2013年将深度学习列为年度第一个十大突破性技术。2013年10月，脸书Facebook正在试图通过启用称作深度学习的人工智能技术帮助理解它的用户和相关数据。谷歌研究的“初弈号–AlphaGo”机器人在2016年围棋对弈赛上，成功战败了世界围棋冠军李世石。
浙江大学肖刚教授提出在E-Learning环境下探索深度学习显得尤为重要。中国要想在世界科技之林立于不倒之地，应该加强国家科技的创新性建设。当年，数以亿记的网民队伍急剧增长，学习者如何在纷杂的网络环境下学得有用信息，深层学习能保障网络学习的有效性。除此之外，深度学习对网络学习还具有冲击力，更能彰显网络学习的优势，为网络学习提供了可持续性。
陕西师范大学焦建利教授指出深度学习不同于其他学习，我们之前接收的教育是浅层学习，知识只是停留在表面上，学习者了解熟记即可，而深度学习是一种基于掌握理解应用的学习。学习者在学习知识时应带着批判性精神来进行学习，在原有的认知结构中建立新的情景，纳入新思想和新知识，从而帮助学习者决策问题和解决问题。深度学习改变了原有的认知结构，变革“实验范式”和“哲学范式”的固有套路，更加关注人的价值的成长，提升知识深度。
综上所述，基于学习者主观能动性的建构主义学习论为深度学习可持续发展奠定了可靠的理论基础。深度学习的主要理论基础包括分布式认知理论、建构主义学习理论、连通主义学习理论、元认知理论、情境认知理论等。这些理论的特征和概念为深度学习提供了强有力的解释。
3 研究内容
“导学激趣”ACT-R模式能利用计算机技术训练学习环境的认知代理过程。通过实践，学习者不光识记、掌握、应用浅层知识，还提高了学习兴趣，增强了学习自我探究性，上升到了深度学习的层次。学习者最大限度地发挥主观能动性，独立思考、学以致用，学习效果也显著的提升。项目组重建知识体系，对知识内容进行挖掘，变浅层学习为深度学习，对知识进行重组。以深度学习CNN算法为主线的知识体系和学习内容重组，构建“导学激趣”ACT-R模式。
（1）首先，学习者应该充分掌握学习知识点，提炼主要内容，在掌握应用难点的基础上结合深度学习算法CNN，对知识的体系和内容进行重组。宏观上来看，是以深度学习作为主线来贯穿重组后的知识体系；微观上来看，实际上是在浅层学习基础上融入其他学科内涵，如ACT-R架构。这些知识点的概念和方法以及应用符合新时代对人才的要求，符合可持续发展的目标知识体系和方案。
（2）其次，准确把握深度学习CNN算法的知识要点，及时更新所学内容，对知识点进行优化修正，组织学习者构建基于意义的个人学习空间，然后在此基础上，做出内容组织的决定方案。个人学习空间的建立是一个计划、学习、反馈的循环过程。每个人都有既定的学习目标和学习偏好，会对自己的学习进行学习投入和目标监控。学习空间的建立与完善需要学习者自我选择学习资源和学习社群，同伴或者导师的推荐及介绍也起了相当大的作用。学习者选择资源和社群进行学习，从不同的学习活动中获得技能与体验，评估内容、评估自己。
（3）最后，动态调整知识体系、不断修正知识获取过程，为促进“导学激趣”ACT-R模式建立而制定科学体系。在“导学激趣”ACT-R模式中运用深度学习CNN算法的有这些应用，如处理图像分层，标注图像、生成主题图像、生成内容图像，标注物体。如处理视频，CNN能将视频的预测和标准进行细化。如自然语言方面，CNN能生成对话，生成文本，翻译机器。如控制人工智能机器人方面，深度学习算法还能分析更多参数。
4 研究目标
近几年，深度学习是一个备受关注的研究领域，在机器学习中起着重要的作用。如果说浅层学习是机器学习的一次浪潮，那么深度学习作为机器学习的一个新领域，将掀起机器学习的又一次浪潮。深度学习通过建立、模拟人脑的分层结构，实现对外部输入的数据进行从低级到高级的特征提取，从而能够解释外部数据。
（1）理论联系实际，迫使传统学习方法迎接新的挑战。基于E-Learning背景为学习者学习的知识创设感兴趣的情境。理论是总方针，坚持以理论作指导，一切研究活动的前提都是在理论的框架下进行的。每个人都应该关注深度学习的教育及其推广，应该注重理论与实际相结合，因此必须对学习队伍进行规划和培养。
（2）以学习者群体为主体，重组现有学习内容知识体系。基于深度学习算法CNN，精设利于学习者的探疑情境，利用现代化“导学激趣”ACT-R模式渲染学习气氛。深度学习不同于传统的学习，不像传统学习一样能起到立竿见影的效果，它只能慢慢渗透。因此，这种重组机制对于浮躁的学习来说，等待知识的效果和时间是不容许的。因此，深度学习的实践过程很不容易。我们应该本着以学习知识为主体的原则，充分调动自我积极性，让自己的主观能动性得以发挥，真正做接纳知识的主人。
（3）坚持科学性原则，重新在所学知识中植入深度学习CNN算法。学习者要找准激发学习兴趣的方法，善于“营”势，强于利导。可以选取部分容易的知识点作为“导学激趣”ACT-R模式试点，运用深度学习CNN算法思想规划和建设部分知识资源库，坚持科学性原则，实施深度学习的学习方法，成熟后再向其他知识点迁移。这个过程必须不断进行优化和调整，既要理论科学，又要方法科学。
5 结 论
目前来看，深度学习可以说是学习科学知识的最终目标，也是E-Learning时代需要破解的重大难题。学习者在学习理论时引入深度学习概念，同理，在实践环节也应该全面应用深度学习。理论上仔细寻求学习者所学知识的关键点，充分挖掘其隐含的兴趣所在，适当添加深层次知识，逐步达到训练学习者运用深度学习算法创新思维的能力。因此，在E-Learning背景下，研究将深度学习CNN算法运用于“导学激趣”ACT-R模式显得非常必要。
参考文献：
[1] 王天欣，张征.基于ACT-R模型的互联网交互模式库设计 [J].计算机与数字工程，2014，42（6）：1095-1099+1103.
[2] 邓渝.E-learning背景下在线学习模式在高校教学中的应用研究 [J].教育教学论坛，2018（20）：78-79.
作者简介：黄玲（1984.10-），女，湖南岳阳人，讲师，硕士。研究方向：计算机技术、图像处理。