认知负荷视角下的自然语言处理教学改进_林荣辉.pdf

第 39 卷 第 7 期 福 建 电 脑 Vol.39 No.7 2023 年 7 月 Journal of Fujian Computer Jul.2023 本文系福建省教育科学“十四五”规划2021年度常规课题教育集团化背景下人工智能教学普惠型推进探究（No.FJJKZX21-315）的研究成果。林荣辉，男，1982年生，研究领域为基础教育信息技术与人工智能教学。E-mail:。认知负荷视角下的自然语言处理教学改进 林荣辉(福建省福州第八中学 福州 350001)摘 要 为丰富高中人工智能课程内容，本文提出了一个基于认知负荷理论的、面向自然语言处理模块的改进方案。该方案对施教形态、数字环境及考察难点提出了具体的改进措施。实践的结果表明，采用该方案能基本缓解外部环境与内部认知造成的项目实施困难，基本达成学生学习自然语言处理项目的需求。关键词 自然语言处理；认知负荷；教学改革 中图法分类号 G632 DOI:10.16707/ki.fjpc.2023.07.027 Natural Language Processing Teaching Improvement from the Perspective of Cognitive Load LIN Ronghui (Fuzhou No.8 School,Fuzhou,China,350001)Abstract In order to enrich the content of high school AI course,this paper proposes an improvement scheme based on Cognitive load theory and oriented to Natural language processing module.This plan proposes specific improvement measures for the teaching form,digital environment,and inspection difficulties.The results of practice show that this scheme can basically alleviate the difficulties in project implementation caused by the external environment and internal cognition,and basically meet the needs of students to learn natural language processing projects.Keywords Natural Language Processing;Cognitive Load;Teaching Reform 1 引言 自然语言处理是基础教育阶段人工智能教学的关键内容。教育部文件中明确各省市区域及各级学校可根据实际情况，由学校自主决定在中小学进行人工智能课程的尝试（学校自主决定的课程简称为校本课程）1。人工智能校本课程应该包含自然语言处理在内的综合性课程。但由于施教环境和教学组织的客观环境，基础教育阶段的师生普遍反映自然语言处理项目的教学开展比较困难。针对以上问题，本文从中小学人工智能课程体系出发，探讨基于认知负荷理论的、面向自然语言处理模块的教学改进方案。研究内容主要包括：源于教学内容或教学环境的认知负荷类型判定，提出教学修正意见前的结构定位分析、模块改进进程中各个教学点的针对性剖析以及前测与后测的效果比较。2 项目现状分析 具有特定语法结构的指令，名为语言。在历史洪流中，语言的产生维系了人与人之间、人与机器之间乃至机器与机器之间的音信转达。移动设备的无界运用产生了海量的语言数据。为挖掘其中蕴含的财富，自然语言处理技术应运而生。该智能技术利用计算机探求自然语言的表达实质，大致可分为自然语言理解和自然语言生成两个领域。自然语言2023 年 福 建 电 脑 127 处理是人工智能教学内容的难点之一，因其与数理逻辑或结构算法融合紧密，以往多面向高等教育阶段的学生开设。中小学人工智能课程体系可划分为“人工智能与社会”、“人工智能与人类智能”和“人工智能原理与技术”。自然语言处理模块隶属于“人工智能原理与技术”子项范畴，其教学指导框架涵盖机器感知、表达与推理、机器学习和自然交互四个领域。在教学实施上，该项目与概率论及数理统计的天然关联引发了以数据模型和算法领悟为代表的典型教学需求。2.1 自然语言处理项目定位 施教者通过该主题的创建，期望实现学习者掌握自然语言处理的基本原理与功能，具备应用人工智能技术解决生活中问题的思路与体验，逐步提升对人工智能技术运用的信心，具备一定的风险防范意识，掌握基础伦理陷阱规避方法。在实践层面，自然语言处理的教学交互以“黑箱”模式探究为特色，即经“封装”与“简化”的智能硬件体验、原理揭示实验与程序设计实践过程。如图 1 所示，自然语言处理项目归属之“机器感知”模块，以交互活动及“黑盒”封装设计为特点，旨在推动受教者体验自然语言处理的基本过程，同时缓解上游高教阶段智能技术的软硬件束缚。然而，在该模块的探究过程中，完全的“黑盒”模式与函数“封装”无法区分义教阶段与普高阶段的传授内容。图 1 中小学人工智能课程结构与自然语言处理课程内容 2.2 自然语言项目困境 以高中信息技术校本模式实施自然语言处理项目教学为例，综合考量学生认知水平及交互环节的复杂程度。教学实施应分解为四学段完成。表 1 教学难度均值分析 教学模块 细分知识 研究子项 难度均值 文本分类 词频统计 词云与排序算法 2.84 TF-IDF 模型 词频与逆文档频率 3.37 朴素贝叶斯 概率论与数理统计 4.25 声音要素 响度、音频与音色 1.86 智能语音 声纹识别 声学基础特征 MFCC 倒谱系数 2.36 语音合成 波形拼接法 参数合成法 3.46 语音识别 语音识别与转写 2.72 如表 1 所示，自然语言处理教学项目中的受教者普遍认为声纹识别、朴素贝叶斯定理与语音合成模块接受程度低；TF-IDF 模型、语音识别与词频统计难度同样较大；声音要素难度较为亲和。从知识铺垫和情境创设方向看，前两类子项的教学呼唤受教者先期即具备相当的算法及数论基础，或是对自然语言常规处理流程有一定的了解。一旦前项内容的引导在知识阐述的深度或传播覆盖的广度上未能达到要求，便会对后继教学产生严重干涉。此项干涉效果映射在受教方的受迫呈现上，便是认知负荷。3 项目改进分析 自然语言处理教学项目实施过程遭遇的困境，既有项目自身固有之认知门槛，也有受教者认知能力与行为习惯导致的接受差异，更有数字场景、情境创设与现实环境的疏离共同组成。如何界定现有问题的负荷种类，决定了项目改进的理论基础与行动依据。3.1 项目改进依据 认知负荷理论由澳大利亚认知心理学家约翰斯威勒(John Sweller)于 1988 年提出。该理论关注师生的教与学过程，将此过程中抑制认知发展的心理需求、心理资源或心理能量概括为认知负荷。在结构上，认知负荷可分为内在认知负荷、外在认知负荷与相关负荷三类。内在认知负荷由学习材料的认识门槛和学习个体的知识储备共同决定。由于教学结点的分布和考察方式的选择在一定时期内（学段）是确定的，因此可以等效认为内在认知负荷在该时期内也是128 林荣辉：认知负荷视角下的自然语言处理教学改进 第 7 期 确定的。此时，情境创设的复杂程度、学习材料的组织方式、学习者的相关基础决定了认知负荷的高低水平。降低内在认知负荷需要施教者与学习者一起处理好以上三项关系，最终提高学习效率。外在认知负荷是受教者在学习过程中对间接因子要素的心理活动引起的。如果教学环节的设计和呈现对受教者建构思维范式或范式间联系未产生效果甚至形成干扰时，就会产生额外的负荷。一般而言，外在认知负荷是不利于学习者学习的2。相关认知负荷是指帮助建构范式和范式联系的负荷。它与外在认知负荷不同的是，相关认知负荷常被视为正向负荷。它是促进学习者学习的有效认知负荷，而外在认知负荷是阻碍学习者学习的负荷3。例如，学习者会依据经验，对学习材料进行分解、重组、类比、跃迁等。相关认知负荷能促进学习者更好地把认知资源分配到有效的活动中。3.2 项目改进实施 基于认知负荷理论，自然语言处理项目的原始流程既有内在负荷，也有外在负荷，还存在用于信息检索与数据挖掘的常用加权技术(TF-IDF 模型)的相关负荷与内外负荷融合呈现的特例。由于人工智能教学不以学业水平为培养指标，而是着重发展学生的兴趣、意识、观念与能力，为终身学习做好前期准备，因此教学管理部门与教师往往被赋予较大的自主权。针对以上问题，教师可通过访谈、问卷调查等方法，分析所处教学微观或宏观环境的办学特色与学生的认知水平，推广适合学生基础能力的人工智能基础课程体系，并为后续开展学生的多模态学习夯实基础。在开展形式上，该项目的校本化环境可分解为人工智能校本课程、学生社团活动与学科竞赛类课程组成4。校本课程周期性设置，面向全体学生，主要教学内容衔接真实情境下的语言模型理解与语音软硬应用体验。社团活动则由科创相关团体部署，实施频率依据环境及成员参与情况灵活设置，难度适配信息技术给学习和生活带来的诸种便利和优势5。主要教学内容为算法模型、开源代码的调试及机器学习过程体验。竞赛类课程主要面向编程特长学生，教学深度相对最大。主要教学内容上置为数论基础、数据结构与智能算法，旨在解决智能教学的核心难点算法。对节点知识的处理，如表 2 所示，依据其认知负荷种类，采取语境替换、类比学习等教学手段，改善知识节点内在负荷表现形式。表 2 自然语言处理课程教学改进 知识难点 原始设计 改进设计 改进依据 声纹识别 MFCC 倒谱系数 保留输入接口 函数黑盒封装 上位知识内容学生认知特性 词频统计 词频统计 借用影视情境 增设类比环节 类比推导 共性特征 语音合成 波形拼接法 参数合成法 合成教师语音 模拟诈骗桥段 场景替换 语境更换 TF-IDF 模型 逆文档频率 TF-IDF 模型 流程适当简化 效果微动漫化 依据课程标准调整评价指标 朴素贝叶斯 概率论 数理统计 影视情境串联 演示计算流程 依据考核要求调整评价指标 对混合呈现的负荷群落，则需依靠施教者的个人与环境支持，综合各类人工智能教学平台辅助与对应节点知识的针对性处理，实现问题复杂度的降维甚至消除（表 3）。表 3 认识负荷纾解对比分析 负荷名称 负荷类型 难度均值（后）增减 声纹识别 外在负荷 3.95-0.41 词频统计 内在负荷 2.72-0.12 语音合成 内在负荷 3.26-0.20 TF-IDF 模型 内在负荷 外在负荷 2.64-0.73 朴素贝叶斯 内在负荷 3.72-0.53 参 考 文 献 1 中小学人工智能课程指南课题组,江波.中小学人工智能课程指南.华东师范大学学报:教育科学版,2023,41(3):121-134 2 张仁波,黄丹青.降低认知负荷的结构化情境创设.化学教与学,2021(8):2-5 3 宋艳玲,孟昭鹏,闫雅娟.从认知负荷视角探究翻转课堂兼及翻转课堂的典型模式分析.远程教育杂志,2014,32(1):105-112 4 郑骏.高中信息技术必修模块教师用书.上海:上海科技教育出版社,2019 5 钟柏昌.高中信息技术必修课实验与实验室建设探索.中国电化教育,2019(3):16-21 6 赵兴龙.核心素养视角下的智慧教育体系构建.现代远程教育研究,2017(3):34-43