图片来源：pixabay

接着聊认知地图，不过今天的话题应该增加“专家模式”的讨论。

什么是专家模式

专家模式，也称为专长模式，指的是各个领域具有专长（expertise）的专家（expert），他们在某些领域的某些问题上表现出突出的问题解决能力。

认知心理学家对国际象棋、数学、物理学、计算机科学、医学和政治学等多个领域的专家的问题解决进行了大量研究，发现专长具有不同的类型，专家的问题解决能力与新手相比具有强大的优势，并通常就有领域限制。导致这种限制的主要原因被认为是：

专家擅于回忆本专业的真实情境，不擅长回忆那些就其专业知识而言毫无意义的情境（Ericsson和Lehmann, 1996；Vicente和Wang，1998），在与专长无关的领域中，专家不会回忆起更多的关于该领域的知识。例如，一个象棋大师对于随机棋位的回忆准确性远远不及真实的棋局（Gobet 和Simon，1996），一个物理学家对于没有物理学意义的热能过程的回忆也远远不及对有物理学意义的情景的回忆（Vicente，1992）。

在前文中，我们谈到了认知地图，并提出“主题知识”（即：满足“心理逼真度”方面的要求的认知单元（Cognitive unit）及其基于他们形成的“认知结构”）。现在我们将在“特定领域中如何看待这一心理”的话题中进行讨论。这意味着我们在讨论“从新手到专家”这一过程中，学习者在知识表征方面或者具身体验方面的变化。

之所以关注这一过程的原因是因为研究发现：

有些人之所以具有同等的经验和智力水平，但仍然无法成为一个领域中的专家，与其所具有的知识有必然的关系。专家的一个突出特征是在其专长领域拥有大量的知识和程序性技能（Chi，Glaser和 Rees，1982）。但真正使专家区别于新手的不是知识的数量而是专家知识的组织方式。

也就是说，新手不是经过自然而然的学习就能成长为专家的。成长为专家，与学习者训练过程中获得的“知识组织方式”密切相关。我认为人们之所以关注“知识地图”这一技术的真正动力来自此处。换句话说，若要说“知识地图”一类图示技术有什么潜力的话，那么应该把“知识地图”视为“专家模式”的一种“可视化”训练。

瑞夫（Reif，1979）认为，专家的知识是按照层次进行组织的（下图）。这种层次是在多年的经验基础之上形成的，特定知识之间具有稳定的联系，并归属于一个具有概括性的知识类别，该类别又归属于另一个概括层次更高的知识类别。专家的突出的问题解决能力在于他们对材料的组织方式使其能迅速把握问题的实质。下图中的虚线代表具体知识成分之间的联结，树形图的下层分枝联结起来由此为专家提供了问题解决的心理捷径，即根据知识间的联结关系来确定一个正确的解决路径，这样也就减少了对通用启发式策略的依赖。

这种知识的组织方式，后来被称为“专家图式”，与之对应的被称为“新手图式”。一位叫齐（Chi，1988）的学者通过实验研究证实了这一观点。

齐（Chi，1988）的实验研究证实了其观点。实验中的专家是8名物理学博士，新手是入学6个月的物理学本科生，被试的任务是把24个物理学问题根据解题方法进行归类。实验结果发现，专家和新手对每个问题平均用时约40秒，都将问题划分为8-9类，而且分类结果差异非常大。例如，新手把所有的斜面问题归为一类，所有的弹簧问题归为一类；专家把有些斜面和弹簧问题归为同一类。这样的结果说明，专家和新手是根据不同的特征进行分类的。新手根据问题描述的表面特征归类。例如，斜面、摩擦系数和斜面上的木块等等。知识、经验丰富的专家则不同，其分类原则是解决这些问题时是否可以使用相同的物理学原理和定律。例如，将只有使用能量守恒定律才能解决的斜面问题和弹簧问题归为一类，这些是问题的深层结构特征。齐认为，分类方法上的差异所反映的正是专家和新手头脑中的图式的差异。

在一些知识分类的项目中，相关的工作人员经常会讨论知识点的颗粒度问题。分类人员会关注知识的颗粒度的大小，甚至有的项目会追求所谓的“纳米级颗粒度”。从专家图式的角度来看，其实这“不是正确的问题”。正确的问题不是“分得多细比较好”，而首先是“怎样的分类的方式才是更好的方式”。（即：上文我们提到的“心理逼真度”。）

这种“更好的方式”，以追求“认知经济性”为目标。

蔡茨（Zeitz，1997）进一步指出，专家的知识表征或图式是中等抽象水平的概念表征（moderately abstract conceptual representation，简称MACR），它是处于抽象表征（方程和一般原理）和详细表征（具体问题）之间的表征。中等抽象水平的概念表征（ MACR）可以把低抽象水平的特定问题和专家广泛的知识联系起来。当专家将具体问题转化为中等抽象水平的表征时，有助于克服具体表征的干扰，并具有更为广泛的提取线索，有助于实现认知的经济性。例如，程序专家通过序列性的代码组块在抽象水平上设计程序，最终完成既定的任务（ Erlich和Soloway，1984）。

也就是说，最符合心理逼真度的方式，在认知上应当是最经济的方式。

我们再举例一个分类，来加强一下新手与专家在分类方面差异的认识。

前段时间网络上流程的以下内容也是与这一主题有关系的。

而我们提到的认知单元（Cognitive unit）与图式之间的关系，如果考虑到认知经济的问题，则类似是下图表达的意思：

形成专家模式的关键挑战

我们已经从认知心理的角度介绍了专家模式，我们认为从知识整理的角度来说，它是重要的，并且专家在许多方面是有优势的特别在解决问题方面。

我们还关注到，如果能促进“专家知识”组织方式的形成或迁移，则可以很好地发挥教学或培训方面的潜力。实际上它们也被应用到了教材的设计上。

在艾勒恩（Eylon，1979）的研究中，他让初学物理的学生分别学习两种形式的浮力知识。一种形式是按照专家所分析的浮力知识以层次方式呈现。另一种是传统的组织方式。结果表明，使用层次性教材的被试，在知识的保持以及利用知识解决问题的成绩上，明显高于使用传统教材的被试。

但是前文我们也讨论到了“具身认知”。从“具身认知”角度来说，这些意味着什么呢？德雷福斯在这方面的研究还是非常深刻的（但是非常的晦涩难懂）。

截图中的文字介绍的是德雷福斯的一些观点，也就是他的研究思路。鉴于他的研究比较晦涩难懂，我们直接上结论吧（Dreyfus，1997的研究结果）。我把这些结果视为“形成专家模式的关键挑战”（即：它们是这样的一种状态，我们如何促进这种状态迁移到下一种状态中）：

专家，总是不断地寻找更好的方法和方式去做事。 他们经验丰富的经验，可以在恰当的情境中选取和应用这些经验。 根据直觉工作，而不需要理由。 专家知道哪些是无关紧要的细节，哪些是非常重要的细节。 专家非常善于做针对性的特征匹配。

精通，是那些知之为知之，不知为不知的人；他们明确地希望自己能有全局观，并想了解更大的概念框架；对于过于简单的信息，他们会非常沮丧。并且他们具有能理解和运用格言或经验的能力，他们能将这些经验或格言，应用于当前情境。

胜任，可以独立解决自己遇到的问题，并开始考虑如何解决新的问题--那些他们之前没有遇到的问题。开始寻求和运用专家的意见，并有效利用。他们是那些能跟得上进度的人，但是他们没有足够的能力反思和自我纠正。

新秀，也称为“高级新手”，他们是一知半解的，他们无法建立对整体的认识，甚至由于以为自己知道整体，而丧失去真正了解整体的动力。

新手，经验很少或者根本没有经验，由于缺乏经验指导，他们不知道自己的行为是对是错，也不知道如何应付错误，所以出错的时候，他们非常容易慌乱。如果给新手提供与情境无关的规则去参照，他们就会变得能干起来；也就是说，需要这种形式的规则：“当X发生时，执行Y。”

这五个阶段，是一个粗略的阶段划分，已经可以对实践起到不小的帮助。我们在许多应用软件中的设计中都会看到“新手引导”，这类引导的必要性正是由于从新手到专家的不同心理特点所决定的。

但是这里，从实践角度来说有两个地方是非常困难的。第一个是专家阶段，核心挑战在于：专家心理图式的整理。这项工作也称为“领域模型”的整理。在人工智能系统中，也有对应的工作。这一工作成效的高低直接决定了“系统能力”的质量。

而不幸的是，领域专家虽然在解决问题的时候有很高的优势。但是他们可能并不知道自己是如何得出相关的结论的。德雷福斯提到：

当专家在做事时，我们其他人觉得就像“魔法师施行神秘的魔法”一样。当我们甚至还不完全认识问题的时候，专家就已经凭借一种不可思议的能力知道了正确的答案。

我们曾目睹许多教研团队与IT团队沟通时的无奈。本身来讲“隔行如隔山”，沟通起来就已经很容易“鸡同鸭讲”了。又因为专家团队可能对自己领域内知识或者自己是如何“施行魔法”方面内察不足，就加剧了这种挑战。

在知识管理领域，“隐性知识显性化”这一话题就是因为这一问题发展而来的。

另一个困难点则在“高级新手阶段”。德雷福斯举了一个例子：

当公司CEO举行全体会议并展示销售预测图表和数据时，你可能会看到这样的反应。许多在这方面经验较少的员工对这些会不加理论，以为这与他们自己的工作不相关。而这其实是非常相关的，它可以帮助你判断明年你在这家公司是否还能继续干下去。但是，你看不到这种联系，因为你的经验层次还不够，只处于较低的技能水平。

高级新手阶段,他们没有全局思维，而且他们的确不想拥有。而这一问题等到了胜任阶段才真正解决。这是一种情绪，这种情绪需要靠理智来参与，也就是需要“元认知”的参与。我们必须设法调动起个体的元认知来，并发展它们。当然，这也是不容易的。它可能会涉及许多“上位学习”。而如何植入这种“上位学习”，或者调动起学习者的“有效情绪”呢？相关研究认为：“成就使人上瘾”。也就是说，我们必须帮助个体获得“成就感”或者“可体验的效果感”。

当然，我并非说另外几个阶段没有挑战。而只是觉得这两个挑战更大些。例如：在新手阶段，我们的核心是如何建构所学内容对应的基础概念。这当然也是学问。

小结

这篇文章，我们主要介绍了两个话题，“什么是专家模式”以及“形成专家模式的关键挑战”。这与其说是一种介绍，不如说是在寻找一种思路，即:如何提高教学设计方面的成效，特别是在复杂技能学习领域。我们看到了专家模式的潜力，当然也看到了“挑战”。如果说“所谓知识图谱”有什么意义的话，个人觉得应该在这条路径上！

附录

有朋友给我建议，希望我把一些在微信群里讨论分享的截图展示出来，其实也就是一些项目的经验。好的。

这是一幅按照语义网络的要求建设起来的知识图谱，其实是语义网络。这个思想在教育心理学里有，基本上就是对概念网络在教学方向上，做些分类。当时我们的分类有以下的这些。

当年这图我们做了几个月，后来放弃了。因为发现这种“语义网”的方向是非常错误的一种方案。取而代之的是另外一个demo。这个demo大家可以下载，但我也把关键几页的解题展示出来。

https://yunpan.cn/cycPY5pXk6zgI 访问密码 f424

这些图示，也可以叫“图谱”，它的背后是一张知识的网络。但这张网络就结合了“专家模式”的思想。

这批图与上一个类型的图谱有什么差异呢？我们知道我们是用知识来推理的。上一个类型的图谱（语义网络）它们如果用于数据业务，它们可以用于分析相关性。但它不支持推理。支持推理，就必须是这批强调结构化的“图谱”。只有有模型，有结构的图谱才能用于推理和支持更多类型的数据挖掘。

不仅如此，我们还关注到，解题时用到的知识和课本学习到的知识，虽然都是关于同一种知识的，但是其实他们很不一样。比方说，我们认为“一个学生上课听得懂，一做就不会。”这里不仅是基础知识掌握不到位的问题，在解题过程中，我们还需要掌握更多关于“知识应用”的知识，“此知识，非彼知识”。

比方说：

这是个典型的题库，奇函数下面有19页，每页10题。也就是说奇函数下一共有190题。如果，我们任意一题错了，能否推190题中的任意一题呢？当然，有人会争辩说，可能奇函数背后还有一些没有展示出来的标签。是的，这正是我们的话题。我们所讨论的全部都是在回答这个话题。当然也有人从机器学习或者统计方向入手，找思路。这方面当然也有一定的作用，但是总体而言，我觉得不是很看好的方向。

我们也可以具体来看两组相似的题目。

例如，这两道题：除了一个是选择题，一个是填空题外；符号也是相反的，它们互为奇函数。认为这两道题相似是比较容易的。

我们再看另一组：

这两道，从表面逻辑来看，他们长得是完全不一样的。

但是，他们的考察逻辑却几乎一样。

如果我们希望能对题库建设有指导意义的标签体系，这里有两个问题是很难解决的。

1、如何对标签体系进行建模的问题；

2、到底有多少隐性知识，应该被标签化？例如我们这里的标签“常数”。

      一般打标签的时候，极少的团队会对这到题打上“常数”这个标签。

      该不该打呢？什么时候改打呢？类似这样的东西是否有合理的规则为基础呢？