Pamięć Długotrwała: Przechowywanie (Teoria Przetwarzania Informacji)

Niniejsza sekcja omawia przechowywanie informacji w pamięci długotrwałej (LTM – Long-Term Memory). Chociaż nasza wiedza o LTM jest ograniczona, ponieważ nie mamy wglądu w mózg, badania nakreśliły dość spójny obraz procesu przechowywania.

Charakterystyka LTM w tej lekcji obejmuje strukturę, w której wiedza jest reprezentowana jako lokalizacje lub węzły w sieciach, przy czym sieci są ze sobą połączone (skojarzone). Należy zwrócić uwagę na podobieństwo między tymi sieciami poznawczymi a sieciami neuronowymi omówionymi wcześniej w kursie. Omawiając sieci, zajmujemy się głównie wiedzą deklaratywną i wiedzą proceduralną. Wiedza warunkowa jest omówiona w sekcji 7 kursu, wraz z czynnościami metakognitywnymi, które monitorują i kierują przetwarzaniem poznawczym. Zakłada się, że większość wiedzy jest przechowywana w LTM w kodach werbalnych, ale rola obrazowania jest również poruszana na końcu tej lekcji.

Natura Propozycji

Propozycja jest najmniejszą jednostką informacji, która może być oceniona jako prawdziwa lub fałszywa. Propozycje są podstawowymi jednostkami wiedzy i znaczenia w Długotrwałej Pamięci (DTP) (Anderson, 1990; Kosslyn, 1984; Norman & Rumelhart, 1975). Każda z poniższych jest propozycją:

• Deklaracja Niepodległości została podpisana w 1776 roku.
• .
• Ciotka Fryda nienawidzi rzepy.
• Jestem dobry z matematyki.
• Główni bohaterowie są przedstawiani na początku historii.

Te przykładowe propozycje mogą być ocenione jako prawdziwe lub fałszywe. Należy jednak zauważyć, że ludzie mogą się nie zgadzać co do swoich ocen. Carlos może uważać, że jest słaby z matematyki, ale jego nauczyciel może uważać, że jest bardzo dobry.

Dokładna natura propozycji nie jest dobrze rozumiana. Chociaż można o nich myśleć jak o zdaniach, bardziej prawdopodobne jest, że są one znaczeniami zdań (Anderson, 1990). Badania potwierdzają tezę, że przechowujemy informacje w pamięci jako propozycje, a nie jako kompletne zdania. Kintsch (1974) dał uczestnikom do przeczytania zdania o tej samej długości, ale różniące się liczbą zawartych w nich propozycji. Im więcej propozycji zawierało zdanie, tym dłużej uczestnicy je rozumieli. Oznacza to, że chociaż studenci mogą wygenerować zdanie: “Deklaracja Niepodległości została podpisana w 1776 roku”, to najprawdopodobniej w pamięci przechowują propozycję zawierającą tylko podstawowe informacje (Deklaracja Niepodległości: podpisana—1776). Z pewnymi wyjątkami (np. zapamiętywanie wiersza) wydaje się, że ludzie zwykle przechowują znaczenia, a nie precyzyjne sformułowania.

Propozycje tworzą sieci, które składają się z pojedynczych węzłów lub lokalizacji. Węzły można traktować jako pojedyncze słowa, chociaż ich dokładna natura jest nieznana, ale prawdopodobnie abstrakcyjna. Na przykład studenci uczestniczący w zajęciach z historii prawdopodobnie mają sieć “zajęć z historii”, która obejmuje takie węzły, jak “książka”, “nauczyciel”, “lokalizacja”, “nazwisko studenta siedzącego po ich lewej stronie” i tak dalej.

Sieci Propozycyjne

Propozycje są tworzone zgodnie z zestawem reguł. Naukowcy nie zgadzają się co do tego, jakie reguły składają się na ten zestaw, ale ogólnie uważają, że reguły łączą węzły w propozycje, a następnie propozycje w struktury wyższego rzędu lub sieci, które są zbiorami powiązanych propozycji.

Teoria ACT Andersona (Anderson, 1990, 1993, 1996, 2000; Anderson et al., 2004; Anderson, Reder, & Lebiere, 1996) proponuje model sieci ACT-R (Adaptive Control of Thought-Rational) DTP ze strukturą propozycyjną. ACT-R to model architektury poznawczej, który próbuje wyjaśnić, jak wszystkie elementy umysłu współpracują ze sobą, aby wytworzyć spójne poznanie (Anderson et al., 2004). Propozycja powstaje przez połączenie dwóch węzłów z łączem podmiot–orzecznik, czyli asocjacją; jeden węzeł stanowi podmiot, a drugi węzeł orzecznik. Przykładami są (informacje domniemane w nawiasach): “Fred (jest) bogaty” i “Zakupy (zabierają) czas”. Drugim rodzajem asocjacji jest związek relacja–argument, gdzie relacja jest czasownikiem (w znaczeniu), a argument jest odbiorcą relacji lub tym, na co relacja wpływa. Przykładami są “jeść ciasto” i “rozwiązywać zagadki”. Argumenty relacji mogą służyć jako podmioty lub orzeczniki do tworzenia złożonych propozycji. Przykładami są “Fred je ciasto” i “Rozwiązywanie zagadek (zabiera) czas”.

Propozycje są powiązane, gdy mają wspólny element. Wspólne elementy pozwalają ludziom rozwiązywać problemy, radzić sobie z wymaganiami środowiska, tworzyć analogie i tak dalej. Bez wspólnych elementów transfer nie nastąpiłby; cała wiedza byłaby przechowywana oddzielnie, a przetwarzanie informacji byłoby powolne. Nie rozpoznano by, że wiedza istotna dla jednej domeny jest również istotna dla innych domen.

Rysunek 'Przykładowa sieć propozycyjna' przedstawia przykład sieci propozycyjnej. Wspólnym elementem jest “kot”, ponieważ jest on częścią propozycji “Kot przeszedł przez trawnik przed domem” i “Kot złapał mysz”. Można sobie wyobrazić, że pierwsza propozycja jest powiązana z innymi propozycjami dotyczącymi domu, podczas gdy druga jest powiązana z propozycjami dotyczącymi myszy.

Dowody sugerują, że propozycje są zorganizowane w strukturach hierarchicznych. Collins i Quillian (1969) pokazali, że ludzie przechowują informacje na najwyższym poziomie ogólności. Na przykład sieć DTP dla “zwierzę” miałaby przechowywane na najwyższym poziomie takie fakty, jak “rusza się” i “je”. Pod tą kategorią znajdowałyby się takie gatunki, jak “ptaki” i “ryby”. Pod kategorią “ptaki” przechowywane są “ma skrzydła”, “może latać” i “ma pióra” (chociaż istnieją wyjątki—kury są ptakami, ale nie latają). Fakt, że ptaki jedzą i poruszają się, nie jest przechowywany na poziomie “ptak”, ponieważ informacja ta jest przechowywana na wyższym poziomie zwierzęcia. Collins i Quillian odkryli, że czas odzyskiwania wzrastał wraz ze wzrostem odległości między pojęciami przechowywanymi w pamięci.

Idea organizacji hierarchicznej została zmodyfikowana przez badania pokazujące, że informacje nie zawsze są hierarchiczne. Tak więc, “collie” jest bliżej “ssaka” niż “zwierzęcia” w hierarchii zwierząt, ale ludzie szybciej zgadzają się, że collie jest zwierzęciem, niż zgadzają się, że jest ssakiem (Rips, Shoben, & Smith, 1973).

Ponadto znane informacje mogą być przechowywane zarówno z ich pojęciem, jak i na najwyższym poziomie ogólności (Anderson, 1990). Jeśli masz karmnik dla ptaków i często obserwujesz ptaki jedzące, możesz mieć “je” przechowywane zarówno z “ptakami”, jak i “zwierzętami”. To odkrycie nie umniejsza centralnej idei, że propozycje są zorganizowane i wzajemnie powiązane. Chociaż część wiedzy może być zorganizowana hierarchicznie, wiele informacji jest prawdopodobnie zorganizowanych w mniej systematyczny sposób w sieciach propozycyjnych.

Wiedza Deklaratywna

Wiedza deklaratywna (wiedza o tym, że coś jest faktem) obejmuje fakty, przekonania, opinie, uogólnienia, teorie, hipotezy i postawy dotyczące siebie, innych oraz wydarzeń na świecie (Gupta & Cohen, 2002; Paris et al., 1983). Jest ona nabywana, gdy nowa propozycja jest przechowywana w Długotrwałej Pamięci (LTM), zazwyczaj w powiązanej sieci propozycji (Anderson, 1990). Teoria ACT zakłada, że wiedza deklaratywna jest reprezentowana w blokach obejmujących podstawowe informacje plus powiązane kategorie (Anderson, 1996; Anderson, Reder, & Lebiere, 1996).

Proces przechowywania działa następująco. Po pierwsze, uczeń otrzymuje nowe informacje, na przykład gdy nauczyciel wygłasza oświadczenie lub uczeń czyta zdanie. Następnie nowe informacje są tłumaczone na jedną lub więcej propozycji w Pamięci Roboczej (WM) ucznia. Jednocześnie powiązane propozycje w LTM są wywoływane. Nowe propozycje są kojarzone z powiązanymi propozycjami w WM poprzez proces rozprzestrzeniania aktywacji (omówiony w następnej sekcji). W tym momencie uczniowie mogą generować dodatkowe propozycje. Wreszcie, wszystkie nowe propozycje – te otrzymane i te wygenerowane przez ucznia – są przechowywane razem w LTM (Hayes-Roth & Thorndyke, 1979).

Rysunek 'Przechowywanie wiedzy deklaratywnej' ilustruje ten proces. Załóżmy, że nauczyciel przedstawia jednostkę tematyczną o Konstytucji Stanów Zjednoczonych i mówi do klasy: „Wiceprezydent Stanów Zjednoczonych pełni funkcję przewodniczącego Senatu, ale nie głosuje, chyba że jest remis”. To oświadczenie może wywołać inną wiedzę propozycyjną przechowywaną w pamięci uczniów, odnoszącą się do wiceprezydenta (np. wybierany wraz z prezydentem, zostaje prezydentem, gdy prezydent umiera lub rezygnuje, może zostać postawiony w stan oskarżenia za przestępstwa zdrady) oraz Senatu (np. 100 członków, dwóch wybieranych z każdego stanu, 6-letnie kadencje). Łącząc te propozycje, uczniowie powinni wywnioskować, że wiceprezydent zagłosowałby, gdyby 50 senatorów głosowało za ustawą, a 50 przeciwko niej.

Problemy z przechowywaniem mogą wystąpić, gdy uczniowie nie mają żadnych istniejących propozycji, z którymi mogliby powiązać nowe informacje. Uczniowie, którzy nie słyszeli o Konstytucji Stanów Zjednoczonych i nie wiedzą, czym jest konstytucja, będą mieli pustkę w głowie, gdy usłyszą to słowo po raz pierwszy. Informacje bez znaczenia koncepcyjnego mogą być przechowywane w LTM, ale uczniowie uczą się lepiej, gdy nowe informacje są powiązane z czymś, co znają. Pokazanie uczniom faksymile Konstytucji Stanów Zjednoczonych lub powiązanie jej z czymś, co studiowali (np. Deklaracja Niepodległości), daje im punkt odniesienia do powiązania z nowymi informacjami.

Nawet jeśli uczniowie studiowali powiązany materiał, mogą nie powiązać go automatycznie z nowymi informacjami. Często powiązania muszą być wyraźne. Podczas omawiania funkcji wiceprezydenta w Senacie nauczyciele mogliby przypomnieć uczniom o składzie Senatu Stanów Zjednoczonych i innych rolach wiceprezydenta. Propozycje dzielące wspólny element są powiązane w LTM tylko wtedy, gdy są aktywne w WM jednocześnie. Ten punkt pomaga wyjaśnić, dlaczego uczniowie mogą nie widzieć, jak nowy materiał odnosi się do starego materiału, mimo że powiązanie jest jasne dla nauczyciela. Nauczanie, które najlepiej ustanawia sieci propozycyjne w umysłach uczniów, obejmuje powtórki, organizację materiału i przypomnienia o rzeczach, które znają, ale o których teraz nie myślą.

Podobnie jak w przypadku wielu procesów pamięciowych, sensowność, organizacja i elaboracja ułatwiają przechowywanie informacji w pamięci. Sensowność jest ważna, ponieważ sensowne informacje można łatwo powiązać z istniejącymi informacjami w pamięci. W konsekwencji mniej powtórek jest koniecznych, co oszczędza miejsce i czas informacji w WM. Uczniowie omawiani we wstępnym scenariuszu mają problem z nadaniem algebrze sensu, a nauczyciele wyrażają swoją frustrację z powodu braku nauczania treści w sensowny sposób.

Badanie przeprowadzone przez Bransforda i Johnsona (1972) dostarcza dramatycznej ilustracji roli sensowności w przechowywaniu i rozumieniu. Rozważ następujący fragment:

Procedura jest w rzeczywistości dość prosta. Najpierw układasz rzeczy w różne grupy. Oczywiście, jeden stos może być wystarczający, w zależności od tego, ile jest do zrobienia. Jeśli musisz gdzieś iść z powodu braku udogodnień, to jest następny krok, w przeciwnym razie jesteś całkiem dobrze przygotowany. Ważne jest, aby nie przesadzić. To znaczy, lepiej robić zbyt mało rzeczy naraz niż zbyt wiele. Na krótką metę może się to nie wydawać ważne, ale komplikacje mogą łatwo powstać. Błąd może być również kosztowny. Na początku cała procedura wyda się skomplikowana. Wkrótce jednak stanie się po prostu kolejnym aspektem życia. Trudno przewidzieć koniec konieczności wykonywania tego zadania w najbliższej przyszłości, ale nigdy nie wiadomo. Po zakończeniu procedury ponownie układasz materiały w różne grupy. Następnie można je umieścić na odpowiednich miejscach. W końcu zostaną ponownie użyte i cały cykl będzie musiał zostać powtórzony. Jednak to jest część życia. (s. 722)

Bez wcześniejszej wiedzy ten fragment jest trudny do zrozumienia i przechowania w pamięci, ponieważ trudno jest powiązać go z istniejącą wiedzą w pamięci. Jednak wiedza o tym, że chodzi o “pranie ubrań”, ułatwia zapamiętywanie i rozumienie. Bransford i Johnson odkryli, że uczniowie, którzy znali temat, przypominali sobie około dwa razy więcej niż ci, którzy go nie znali. Znaczenie sensowności w uczeniu się zostało wykazane w wielu innych badaniach (Anderson, 1990; Chiesi, Spilich, & Voss, 1979; Spilich, Vesonder, Chiesi, & Voss, 1979).

Organizacja ułatwia przechowywanie, ponieważ dobrze zorganizowany materiał jest łatwiejszy do powiązania z istniejącymi sieciami pamięci niż materiał słabo zorganizowany (Anderson, 1990). W zakresie, w jakim materiał można zorganizować w układ hierarchiczny, zapewnia on gotową strukturę do przyjęcia do LTM. Bez istniejącej sieci LTM, tworzenie nowej sieci LTM jest łatwiejsze z dobrze zorganizowanymi informacjami niż ze słabo zorganizowanymi informacjami.

Elaboracja, czyli proces dodawania informacji do materiału, który ma być nauczony, poprawia przechowywanie, ponieważ poprzez elaborację informacji uczniowie mogą być w stanie powiązać ją z czymś, co znają. Poprzez rozprzestrzenianie aktywacji, elaborowany materiał może być szybko powiązany z informacjami w pamięci. Na przykład, nauczyciel może omawiać wulkan Etna. Uczniowie, którzy mogą elaborować tę wiedzę, odnosząc ją do swojej osobistej wiedzy o wulkanach (np. Mt. St. Helens), będą mogli powiązać nowe i stare informacje w pamięci i lepiej zachować nowy materiał.

Rozprzestrzenianie Aktywacji

Rozprzestrzenianie aktywacji pomaga wyjaśnić, jak nowe informacje są powiązane z wiedzą w LTM (Anderson, 1983, 1984, 1990, 2000; Collins & Loftus, 1975). Podstawowe zasady leżące u podstaw są następujące (Anderson, 1984):

• Wiedza ludzka może być reprezentowana jako sieć węzłów, gdzie węzły odpowiadają koncepcjom, a linki asocjacjom między tymi koncepcjami.
• Węzły w tej sieci mogą być w różnych stanach, które odpowiadają ich poziomom aktywacji. Bardziej aktywne węzły są przetwarzane “lepiej.”
• Aktywacja może rozprzestrzeniać się wzdłuż tych ścieżek sieciowych za pomocą mechanizmu, dzięki któremu węzły mogą powodować, że ich sąsiednie węzły stają się aktywne. (s. 61)

Anderson (1990) przytacza przykład osoby, której przedstawiono słowo pies. To słowo jest asocjacyjnie powiązane z takimi innymi koncepcjami w LTM danej osoby, jak kość, kot i mięso. Z kolei każda z tych koncepcji jest powiązana z innymi koncepcjami. Aktywacja psa w LTM rozprzestrzeni się poza psa na powiązane koncepcje, przy czym rozprzestrzenianie się zmniejsza wraz z koncepcjami bardziej oddalonymi od psa.

Eksperymentalne poparcie dla istnienia rozprzestrzeniania aktywacji uzyskano dzięki Meyerowi i Schvaneveldtowi (1971). Ci badacze użyli zadania czasu reakcji, które przedstawiało uczestnikom dwa ciągi liter i prosiło ich o podjęcie decyzji, czy oba są słowami. Słowa powiązane asocjacyjnie (chleb, masło) były rozpoznawane szybciej niż słowa niepowiązane (pielęgniarka, masło).

Rozprzestrzenianie aktywacji powoduje, że większa część LTM jest aktywowana niż wiedza bezpośrednio związana z zawartością WM. Aktywowane informacje pozostają w LTM, chyba że są celowo dostępne, ale te informacje są łatwiej dostępne dla WM. Rozprzestrzenianie aktywacji ułatwia również transfer wiedzy do różnych dziedzin. Transfer zależy od sieci propozycyjnych w LTM aktywowanych przez ten sam sygnał, więc uczniowie rozpoznają, że wiedza ma zastosowanie w tych dziedzinach.

Schematy

Sieci propozycyjne reprezentują małe fragmenty wiedzy. Schematy (lub schematy) to duże sieci, które reprezentują strukturę obiektów, osób i wydarzeń (Anderson, 1990). Struktura jest reprezentowana za pomocą serii “luk”, z których każda odpowiada atrybutowi. W schemacie lub luce dla domów, niektóre atrybuty (i ich wartości) mogą być następujące: materiał (drewno, cegła), zawartość (pokoje) i funkcja (mieszkanie ludzkie). Schematy są hierarchiczne; są połączone z nadrzędnymi ideami (budynek) i podrzędnymi (dach).

Brewer i Treyens (1981) znaleźli poparcie badawcze dla podstawowej natury schematów. Osoby poproszono o poczekanie w biurze przez krótki okres, po czym zostały wprowadzone do pokoju, gdzie zapisały wszystko, co pamiętały o biurze. Przypomnienie odzwierciedlało silny wpływ schematu dla biura. Prawidłowo przypomnieli sobie, że w biurze było biurko i krzesło (typowy atrybut), ale nie to, że w biurze znajdowała się czaszka (nietypowy atrybut). Książki są typowym atrybutem biur; chociaż w biurze nie było książek, wiele osób nieprawidłowo przypomniało sobie książki.

Schematy są ważne podczas nauczania i dla transferu (Matlin, 2009). Gdy uczniowie nauczą się schematu, nauczyciele mogą aktywować tę wiedzę, gdy uczą jakiejkolwiek treści, do której schemat ma zastosowanie. Załóżmy, że instruktor uczy ogólnego schematu opisywania formacji geograficznych (np. góra, wulkan, lodowiec, rzeka). Schemat może zawierać następujące atrybuty: wysokość, materiał i aktywność. Gdy uczniowie nauczą się schematu, mogą go użyć do kategoryzowania nowych formacji, które studiują. Czyniąc to, stworzyliby nowe schematy dla różnych formacji.

Wiedza Proceduralna

Wiedza proceduralna, czyli wiedza o tym, jak wykonywać czynności poznawcze (Anderson, 1990; Gupta & Cohen, 2002; Hunt, 1989; Paris et al., 1983), ma zasadnicze znaczenie dla dużej części nauki szkolnej. Używamy wiedzy proceduralnej do rozwiązywania problemów matematycznych, podsumowywania informacji, przeglądania fragmentów i wykonywania technik laboratoryjnych.

Wiedza proceduralna może być przechowywana jako kody werbalne i obrazy, podobnie jak przechowywana jest wiedza deklaratywna. Teoria ACT zakłada, że wiedza proceduralna jest przechowywana jako system produkcji (Anderson, 1996; Anderson, Reder, & Lebiere, 1996). System produkcji (lub produkcja) to sieć sekwencji warunek–akcja (reguł), w której warunek jest zbiorem okoliczności, które aktywują system, a akcja jest zbiorem czynności, które zachodzą (Anderson, 1990; Andre, 1986; zobacz następną sekcję). Systemy produkcji wydają się koncepcyjnie podobne do sieci neuronowych.

Systemy produkcyjne i modele koneksjonistyczne stanowią paradygmaty do badania funkcjonowania procesów uczenia się poznawczego (Anderson, 1996, 2000; Smith, 1996). Modele koneksjonistyczne reprezentują stosunkowo nową perspektywę na uczenie się poznawcze. Dotychczas istnieje niewiele badań nad modelami koneksjonistycznymi, które są istotne dla edukacji. Dodatkowe źródła dostarczają dalszych informacji o modelach koneksjonistycznych (Bourne, 1992; Farnham-Diggory, 1992; Matlin, 2009; Siegler, 1989).

Systemy produkcyjne

ACT – teoria aktywacji – specyfikuje, że system produkcyjny (lub produkcja) to sieć sekwencji warunek–akcja (reguł), w której warunek jest zbiorem okoliczności, które aktywują system, a akcja jest zbiorem aktywności, które zachodzą (Anderson, 1990, 1996, 2000; Anderson, Reder, & Lebiere, 1996; Andre, 1986). Produkcja składa się z instrukcji if–then: Instrukcje If (warunek) zawierają cel i instrukcje testowe, a instrukcje then są akcjami. Na przykład:

• JEŚLI widzę dwie liczby i muszą być dodane,
• TO zdecyduj, która jest większa i zacznij od tej liczby i licz w górę do następnej. (Farnham-Diggory, 1992, s. 113)

Chociaż produkcje są formami wiedzy proceduralnej, do których mogą być dołączone warunki (wiedza warunkowa), obejmują one również wiedzę deklaratywną.

Uczenie się procedur wykonywania umiejętności często zachodzi powoli (J. Anderson, 1982). Po pierwsze, uczący się reprezentują sekwencję działań w kategoriach wiedzy deklaratywnej. Każdy krok w sekwencji jest reprezentowany jako propozycja. Uczący się stopniowo odrzucają poszczególne wskazówki i integrują oddzielne kroki w ciągłą sekwencję działań. Na przykład dzieci uczące się dodawać kolumnę liczb są na początku skłonne do wykonywania każdego kroku powoli, być może nawet werbalizując go na głos. W miarę jak stają się bardziej biegłe, dodawanie staje się częścią automatycznej, płynnej sekwencji, która zachodzi szybko i bez rozmyślnej, świadomej uwagi. Automatyczność jest centralną cechą wielu procesów poznawczych (np. uwaga, odzyskiwanie) (Moors & De Houwer, 2006). Kiedy procesy stają się automatyczne, pozwala to systemowi przetwarzania poświęcić się złożonym częściom zadań.

Głównym ograniczeniem w uczeniu się umiejętności jest ograniczenie wielkości pamięci roboczej (WM) (Baddeley, 2001). Procedury byłyby uczone się szybciej, gdyby WM mogła jednocześnie przechowywać wszystkie propozycje wiedzy deklaratywnej. Ponieważ nie może, uczniowie muszą łączyć propozycje powoli i okresowo zatrzymywać się i myśleć (np. „Co mam zrobić dalej?”). WM zawiera niewystarczającą przestrzeń do tworzenia dużych procedur we wczesnych stadiach uczenia się. W miarę jak propozycje są łączone w małe procedury, te ostatnie są przechowywane w WM jednocześnie z innymi propozycjami. W ten sposób stopniowo konstruowane są większe produkcje.

Te idee wyjaśniają, dlaczego uczenie się umiejętności przebiega szybciej, gdy uczniowie mogą wykonywać wymagane umiejętności (tj. kiedy stają się one automatyczne). Kiedy te ostatnie istnieją jako dobrze ugruntowane produkcje, są aktywowane w WM w tym samym czasie co nowe propozycje do zintegrowania. Ucząc się rozwiązywać zadania z dzielenia długiego, uczniowie, którzy wiedzą, jak mnożyć, po prostu przypominają sobie procedurę, kiedy to konieczne; nie trzeba jej uczyć się razem z innymi krokami w dzieleniu długim. Chociaż nie wydaje się to być problemem w scenariuszu otwierającym, uczenie się algebry jest trudne dla uczniów z podstawowymi brakami w umiejętnościach (np. dodawanie, mnożenie), ponieważ nawet proste zadania z algebry stają się trudne do poprawnego rozwiązania. Dzieci z trudnościami w czytaniu wydają się nie mieć zdolności do efektywnego przetwarzania i przechowywania informacji w tym samym czasie (de Jong, 1998).

W niektórych przypadkach określenie kroków w szczegółach jest trudne. Na przykład kreatywne myślenie może nie przebiegać zgodnie z tą samą sekwencją dla każdego ucznia. Nauczyciele mogą modelować kreatywne myślenie, włączając takie pytania do siebie, jak „Czy są jakieś inne możliwości?”. Ilekroć kroki można określić, demonstracje kroków w procedurze przez nauczyciela, a następnie ćwiczenia uczniów, są skuteczne (Rosenthal & Zimmerman, 1978).

Jednym z problemów z uczeniem się procedur jest to, że uczniowie mogą postrzegać je jako sekwencje lockstep do naśladowania, niezależnie od tego, czy są one odpowiednie. Psychologowie Gestalt pokazali, jak fiksacja funkcjonalna, czyli nieelastyczne podejście do problemu, utrudnia rozwiązywanie problemów (Duncker, 1945. Uporczywe przestrzeganie sekwencji podczas uczenia się może pomóc w jej nabyciu, ale uczący się muszą również rozumieć okoliczności, w których inne metody są bardziej efektywne.

Czasami uczniowie nadmiernie uczą się procedur umiejętności do tego stopnia, że unikają stosowania alternatywnych, łatwiejszych procedur. Jednocześnie istnieje niewiele, jeśli w ogóle, alternatyw dla wielu procedur, których uczą się uczniowie (np. dekodowanie słów, dodawanie liczb, określanie zgodności podmiotu z orzeczeniem). Nadmierne uczenie się tych umiejętności do punktu automatycznej produkcji staje się atutem dla uczniów i ułatwia uczenie się nowych umiejętności (np. wyciąganie wniosków, pisanie prac semestralnych), które wymagają opanowania tych podstawowych umiejętności.

Można argumentować, że uczenie uczniów umiejętności rozwiązywania problemów lub wnioskowania, którzy mają braki w podstawowych faktach matematycznych i umiejętnościach dekodowania, odpowiednio, ma niewielki sens. Badania pokazują, że słabe opanowanie podstawowych faktów liczbowych jest związane z niskimi wynikami w złożonych zadaniach arytmetycznych (Romberg & Carpenter, 1986), a powolne dekodowanie jest związane ze słabym rozumieniem (Calfee & Drum, 1986; Perfetti & Lesgold, 1979). Wpływa to nie tylko na uczenie się umiejętności, ale także na poczucie własnej skuteczności.

Praktyka jest niezbędna do ustanowienia podstawowej wiedzy proceduralnej (Lesgold, 1984). We wczesnych stadiach uczenia się uczniowie wymagają korygującej informacji zwrotnej podkreślającej te części procedury, które wdrożyli poprawnie, oraz te, które wymagają modyfikacji. Często uczniowie uczą się niektórych części procedury, ale nie innych. W miarę jak uczniowie zdobywają umiejętności, nauczyciele mogą wskazywać ich postępy w rozwiązywaniu problemów szybciej lub dokładniej.

Transfer wiedzy proceduralnej następuje, gdy wiedza jest połączona w LTM z różną treścią. Transfer jest wspomagany przez stosowanie procedur przez uczniów do różnej treści i zmienianie procedur w razie potrzeby. Ogólne strategie rozwiązywania problemów mają zastosowanie do różnorodnych treści akademickich. Uczniowie dowiadują się o ich ogólności, stosując je do różnych przedmiotów (np. czytanie, matematyka).

Produkcje są istotne dla uczenia się poznawczego, ale należy rozwiązać kilka kwestii. Teoria ACT postuluje pojedynczy zestaw procesów poznawczych, aby wyjaśnić różnorodne zjawiska (Matlin, 2009). Ten pogląd jest sprzeczny z innymi perspektywami poznawczymi, które wyodrębniają różne procesy w zależności od rodzaju uczenia się (Shuell, 1986). Rumelhart i Norman (1978) zidentyfikowali trzy rodzaje uczenia się. Akrecja polega na kodowaniu nowych informacji w kategoriach istniejących schematów; restrukturyzacja (tworzenie schematu) to proces tworzenia nowych schematów; a dostrajanie (ewolucja schematu) odnosi się do powolnej modyfikacji i udoskonalania schematów, które zachodzi podczas używania ich w różnych kontekstach. Obejmują one różne ilości praktyki: dużo dla dostrajania i mniej dla akrecji i restrukturyzacji.

ACT jest zasadniczo programem komputerowym zaprojektowanym do symulowania uczenia się w spójny sposób. Jako taki, może nie odnosić się do zakresu czynników zaangażowanych w uczenie się człowieka. Jedna kwestia dotyczy tego, jak ludzie wiedzą, której produkcji użyć w danej sytuacji, zwłaszcza jeśli sytuacje sprzyjają zastosowaniu różnych produkcji. Produkcje mogą być uporządkowane pod względem prawdopodobieństwa, ale musi być dostępny sposób na podjęcie decyzji, która produkcja jest najlepsza w danych okolicznościach. Kolejną kwestią jest to, jak produkcje są zmieniane. Na przykład, jeśli produkcja nie działa skutecznie, czy uczący się ją odrzucają, modyfikują ją, czy zachowują, ale szukają więcej dowodów? Jaki jest mechanizm decydowania, kiedy i jak produkcje są zmieniane?

Kolejnym problemem jest twierdzenie Andersona (1983, 1990), że produkcje zaczynają się jako wiedza deklaratywna. To założenie wydaje się zbyt mocne, biorąc pod uwagę dowody, że ta sekwencja nie zawsze jest przestrzegana (Hunt, 1989). Ponieważ reprezentowanie procedur umiejętności jako elementów wiedzy deklaratywnej jest zasadniczo stacją na drodze do mistrzostwa, można by zapytać, czy uczniowie powinni uczyć się poszczególnych kroków. Poszczególne kroki ostatecznie nie będą używane, więc czas można lepiej spożytkować, pozwalając uczniom ćwiczyć je. Zapewnienie uczniom listy kroków, do których mogą się odwoływać w miarę stopniowego rozwijania procedury, ułatwia uczenie się i zwiększa poczucie własnej skuteczności (Schunk, 1995).

Wreszcie, można by zapytać, czy systemy produkcyjne, jak ogólnie opisano, są niczym więcej niż rozbudowanymi skojarzeniami bodziec-reakcja (S-R) (Mayer, 1992). Propozycje (fragmenty wiedzy proceduralnej) zostają połączone w pamięci, tak że kiedy jeden element jest wywoływany, inne również są aktywowane. Anderson (1983) uznał asocjacjonistyczny charakter produkcji, ale uważa, że są one bardziej zaawansowane niż proste skojarzenia S-R, ponieważ zawierają cele. Na poparcie tego punktu widzenia, skojarzenia ACT są analogiczne do połączeń sieci neuronowych. Być może, jak to ma miejsce w przypadku teorii behawiorystycznych, ACT może lepiej wyjaśnić wydajność niż uczenie się. Te i inne pytania (np. rola motywacji) muszą zostać rozwiązane przez badania i powiązane z uczeniem się umiejętności akademickich, aby lepiej ustalić użyteczność produkcji w edukacji.

Modele koneksjonistyczne

Linia ostatnich teorii dotyczących złożonych procesów poznawczych obejmuje modele koneksjonistyczne (lub koneksjonizm, ale nie należy go mylić z koneksjonizmem Thorndike'a omówionym wcześniej w kursie; Baddeley, 1998; Farnham-Diggory, 1992; Smith, 1996). Podobnie jak produkcje, modele koneksjonistyczne reprezentują symulacje komputerowe procesów uczenia się. Modele te łączą uczenie się z przetwarzaniem systemu nerwowego, gdzie impulsy przechodzą przez synapsy, tworząc połączenia. Założenie jest takie, że procesy poznawcze wyższego rzędu są tworzone przez połączenie dużej liczby podstawowych elementów, takich jak neurony (Anderson, 1990, 2000; Anderson, Reder, & Lebiere, 1996; Bourne, 1992). Modele koneksjonistyczne obejmują rozproszone reprezentacje wiedzy (tj. rozproszone w szerokiej sieci), przetwarzanie równoległe (wiele operacji zachodzi jednocześnie) i interakcje między dużą liczbą prostych jednostek przetwarzających (Siegler, 1989). Połączenia mogą być na różnych etapach aktywacji (Smith, 1996) i połączone z wejściem do systemu, wyjściem lub jedną lub więcej warstwami pośrednimi.

Rumelhart i McClelland (1986) opisali system przetwarzania rozproszonego równoległego (PDP). Model ten jest przydatny do dokonywania kategorycznych ocen informacji w pamięci. Autorzy ci podali przykład z dwoma gangami i informacjami o członkach gangów, w tym wiek, wykształcenie, stan cywilny i zawód. W pamięci podobne cechy każdej osoby są połączone. Na przykład Członkowie 2 i 5 byliby połączeni, gdyby byli w mniej więcej tym samym wieku, żonaci i zaangażowani w podobne działania gangów. Aby odzyskać informacje o Członku 2, moglibyśmy aktywować jednostkę pamięci z imieniem i nazwiskiem osoby, co z kolei aktywowałoby inne jednostki pamięci. Wzorzec utworzony przez to rozprzestrzenianie się aktywacji odpowiada reprezentacji pamięci dla danej osoby. Borowsky i Besner (2006) opisali model PDP do podejmowania decyzji leksykalnych (np. decydowanie, czy bodziec jest słowem).

Jednostki koneksjonistyczne wykazują pewne podobieństwo do produkcji, ponieważ obie obejmują aktywację pamięci i powiązane idee. Jednocześnie istnieją różnice. W modelach koneksjonistycznych wszystkie jednostki są podobne, podczas gdy produkcje zawierają warunki i akcje. Jednostki są zróżnicowane pod względem wzoru i stopnia aktywacji. Inną różnicą są reguły. Produkcje są regulowane przez reguły. Koneksjonizm nie ma ustalonych reguł. Neurony „wiedzą”, jak aktywować wzorce; po fakcie możemy podać regułę jako etykietę dla sekwencji (np. reguły nazywania aktywowanych wzorców; Farnham-Diggory, 1992).

Jednym z problemów z podejściem koneksjonistycznym jest wyjaśnienie, jak system wie, które z wielu jednostek w pamięci aktywować i jak te wielokrotne aktywacje są połączone w zintegrowane sekwencje. Proces ten wydaje się prosty w przypadku dobrze ugruntowanych wzorców; na przykład neurony wiedzą, jak reagować na dzwoniący telefon, zimny wiatr i nauczyciela ogłaszającego: „Wszyscy uważajcie!”. W przypadku mniej ugruntowanych wzorców aktywacje mogą być problematyczne. Możemy również zapytać, jak neurony stają się samoaktywujące w pierwszej kolejności. To pytanie jest ważne, ponieważ pomaga wyjaśnić rolę połączeń w uczeniu się i pamięci. Chociaż pojęcie połączeń wydaje się prawdopodobne i oparte na tym, co wiemy o funkcjonowaniu neurologicznym, do tej pory model ten był bardziej przydatny w wyjaśnianiu percepcji niż uczenia się i rozwiązywania problemów (Mayer, 1992). Te ostatnie zastosowania wymagają znacznych badań.