学校的课程安排都错了？集中学习一科要比交错学习效果更好
学校的课程安排都错了？集中学习一科要比交错学习效果更好
近日，一项发表在Nature子刊Communications Psychology上的研究指出，在进行多模式学习时，阻断学习（集中精力一次学习一个模式再转向另一个）比交错学习（混合不同学习内容进行）更有效，可以避免灾难性干扰。这一发现对教育和认知学习领域具有重要启示，可以影响课程设计和学习策略的制定。
当你初次踏足一个异国他乡，满眼所见尽是陌生的风景与习俗。例如，你本来自一个汽车靠左行驶的国家，当你第一次看见右行的车流，难免会不适与惊讶。你的大脑需要一段时间来适应这种变化。在心理学和认知科学中，我们称这种适应过程为“多模式学习”。它指的是在多种环境或情景中探索并掌握不同的规律。
近日在Nature子刊Comunication Psychology上，研究人员通过实验和人工神经网络模拟指出，在进行多模式学习时，相比于交错学习（interleaved training，将不同学习内容混合进行的方法），阻断学习（blocked training，集中精力一次学习一个模式再转向另一个）的效果更为显著。这项研究旨在深化我们对大脑学习不同场景的机制的理解，并探讨如何设计出更为高效的学习课程，来帮助人们更有效地适应新环境。
图式（schema，又称基模）是认知心理学中描述知识表征的一个概念，可以被视为一种树状的支持预测和判断的知识框架，帮助我们预见环境中即将发生的事态。在我们的一生中，需要学习和维护多种不同的图式。这些图式有时候会相互矛盾，比如，接听电话时你的行为就取决于你是在和朋友在一起，还是处于一个商务会议中。当学习互相矛盾的图式时（陌生国度右行的车），新的学习经验有可能导致对旧知识的“灾难性干扰”（Catastrophic Interference，CI），即存在新信息覆盖旧信息的风险。
为了防止这种知识的相互干扰，以往研究推荐采用交错学习法，即在不同的学习阶段中混合不同的概念或技能，使学习内容交错出现，而不是单一地集中学习某一内容。然而，最新的研究表明，阻断学习——即在一个阶段内集中学习一个特定的概念或技能，完成后再切换到另一个——可能会带来更好的学习效果（图1，2）。
图1：在文本描述的半真实实验中，阻断学习的结果优于交错学习的结果。图源：论文。
图2：在动画描述的多个实验中，阻断学习都表现出比交错学习更优的性能。图源：论文。
该研究通过使用了人工语法学习（AGL）来检验学习的效果，在AGL中，参与者通过反复接触刺激序列的生成结构来进行学习。这些刺激序列是由一个隐式马尔可夫链生成的，该链定义了环境的生成结构。该研究利用马尔可夫链来算法化地生成文本化或动画电影的叙事内容。参与者通过阅读或观看故事来学习这些模式，并在预测任务中测试他们的学习成果。
图3：该研究中所有实验和模拟的任务结构。图源：论文。
之后研究者通过贝叶斯模型和LSTM（一种循环神经网络RNN）神经网络进行模型来解释实验结果。贝叶斯模型指出，在当前选定的图式上，一旦在预测新数据时产生了足够大的预测错误时，大脑会启动一个搜索过程，寻找一个能够更好地进行预测的新模式。如果现有的模式库中没有合适的模式，模型就会分裂出一个新模式来模拟新的输入。这样，模型逐渐构建起一个模式库，以适应新的情况。
由于有了模型分裂这一过程，相比没有分裂能力的模型，可预测在阻断学习的场景下不会发生灾难性干扰，即后期学到的信息不会覆盖先前学到的信息。研究结果也验证了这一预测，显示在学习早期进行阻断学习相比晚期进行能够带来更好的学习表现（图4）。
图4：实证研究证实了贝叶斯解释下给出的预测，即在学习早期进行的阻断学习效果更佳图源：论文。
然而，这种解释确实引发了一个关键问题：是什么特征在预测错误低于“分裂阈值”时触发了模型的分裂机制？研究人员的建模研究表明，这些效应可以通过贝叶斯潜在原因模型来解释。这些模型在阻断训练后（此时生成模型的变化与预测错误的峰值对齐）能准确地解析环境结构，而在交错训练后则做不到这一点（因为预测错误与生成模型的变化没有明确对齐）。
重要的是，这一框架并不意味着交错学习总是比阻断学习效果差：在预测错误低于“分裂阈值”的情况下，交错学习可能由于减少了阻断条件下出现的灾难性干扰，从而比阻断学习更有效。这与现有文献中显示交错学习较阻断学习效果更好的研究提供了一种可能的解释。
这项研究对于理解人类如何学习和记忆复杂事件序列具有重要意义。它挑战了以往关于交错学习能够促进多模式学习的观点，并提供了阻断学习在特定条件下更有效的实验证据。这一发现对于教育和认知学习领域具有启示作用，可能影响课程设计和学习策略的制定。
该研究提醒教育课程的设计者可以通过在短期内集中展开一门课程的学习，取得比在长时间内交替学习多门相互干扰的课程更高效的教学进度，特别是在学习初期。对于广大学生，该研究也意味着在面对多门课程时，集中注意力学懂一门课程，或者在更小的粒度上，逐个搞清楚课程中的概念，相比在多个课程或概念间切换更加高效。此外，研究还揭示了学习过程中的个体差异，为个性化学习提供了新的视角。
然而，研究也存在局限性，例如需要进一步探索在不同任务和环境条件下分裂模型的适用性，以及如何精确测量和利用个体差异来优化学习过程。此外注意力分配也是一个重要的因素，值得进一步研究。
此外，这项研究会让熟悉AI的读者想到灾难性遗忘——这是一个在人工神经网络领域的概念，用于描述网络在学习新信息时可能会遗忘旧信息的现象。而本文所述的模型在面对足够大的预测误差时会自动进行分裂，构建新的模式，这与大型语言模型中的混合专家系统（Mixture of Experts，MoE）相似。
尽管神经网络的灾难性遗忘的产生机制与认知心理学中的灾难性干扰存在差异，MoE与分裂模型在实现上也有所不同，但两者在处理学习和记忆干扰方面提供了相互借鉴的机会。例如，认知心理学中的策略和原理可以启发更好的机器学习算法设计，而机器学习模型的进展也能为理解人类学习过程提供新的视角。该研究中提到的阻断学习优于交错学习的案例，在模拟中使用的现成的神经网络，以及如何利用贝叶斯模型描述的“当预测误差足够大时分裂”策略来应对神经网络的灾难性遗忘，都是跨学科研究的乐趣所在。