图片来源：北京大学公众号，2023


导语


复杂系统研究会对学习科学领域和教育系统产生怎样的影响？本文将学习视为教育复杂系统中的一种涌现现象，概述了（1）主流学生如何学习复杂系统思想的相关问题和研究；以及（2）复杂性对学习科学研究的理论和方法论影响。

关键词：复杂系统，学习科学，涌现
Michael Jacobson | 作者
课程与教学思考者 | 来源




资料来源：Michael J. Jacobson (University of Sydney), Uri Wilensky (Northwestern University), Complex Systems and the Learning Sciences – Educational, Theoretical, and Methodological Implications, in R. Keith Sawyer, The Cambridge Handbook of the Learning Sciences, Cambridge University Press, 2022


一个复杂的系统是由许多相互影响的元素及其环境组成的。例如，经济系统由个体买家和卖家组成；生态系统由动物和植物组成；天气系统由锋面、降水和空气组成，等等。复杂系统的一个主要特征是，即使已知所有组成部分，也很难预测或理解整个系统的行为。我们用“涌现”（emergence）一词来描述大规模模式是如何从个体的多重互动中产生的，这些产生的模式被称为“涌现现象（emergent phenomena）”。即使我们非常熟悉各个元素，系统的涌现模式（emergent patterns）也常常令人惊讶，就像这些模式是如何从组成元素中产生的一样。


在过去的三十年里，通过对物理、生物和社会各领域复杂系统的研究，复杂性科学（science of complexity）应运而生（Mitchell，2009）。复杂性研究人员从事件和行动的角度研究这些系统，这些事件和行动具有多重原因和后果，以及不同时间、空间和组织尺度的结构。研究表明，不同类型的复杂系统都具有一些相似的特性（Bar-Yam，1997；Epstein，2006；Holland，1995；Kauffman，1995；Kitano，2002；Mitchell，2009；Page，2011；Sawyer，2005；Watts & Strogatz，1998；Wilensky & Rand，2015；Wolfram，2002）。


几乎所有的自然和社会现象——包括雪花和飓风、城市扩张和牛路（cow paths）、病毒外壳和星系，以及人类的学习和教育——都可以看作是分布式元素相互作用产生的涌现现象。即使是我们的意识，我们体验到的生动真实和单一的意识，也可以解释为是由数以百万计的神经元作为一个复杂系统相互作用而产生的。这些现象和其他复杂系统现象可以科学地描述为由多个较简单的成分或元素（如神经元）组成，这些成分或元素具有特征行为（如神经元的激活会刺激或抑制其他相连的神经元），它们相互作用产生了新的模式（如思想和情感）。事实上，复杂性研究不仅揭示了某一特定现象的属性，而且揭示了几乎所有现象的共同属性和相关属性。因此，关于复杂系统的概念观点提供了一个整合许多不同科学领域的框架（Mitchell，2009）。除了复杂系统思想对物理、生物和社会科学的影响外，其中许多见解还被纳入工程、商业、法律和教育等应用专业的工作概念框架中。


注：牛路（Cow paths）是指在城市或乡村中由人们步行或骑自行车形成的非正式路径。这些路径通常是由人们频繁使用而形成的，沿着最短的路线连接两个地点。Cow paths通常是沿着自然地形或建筑物的边缘形成的，而不是按照规划者设计的道路。这些路径通常是不规则的，可能是泥泞的或狭窄的，但它们通常显示出人们实际使用的需求和偏好。在城市规划中，研究cow paths可以帮助规划者了解人们的出行习惯和需求，从而更好地设计和规划城市空间。（来源：ChatGPT 3.5）


我们也开始看到，学习科学领域受到了复杂系统思想和其他领域研究方法相互融合的影响。最初，学习科学家专注于学习复杂系统思想（Goldstone & Wilensky, 2008; Hmelo-Silver, Marathe, & Liu, 2007; Jacobson, 2001; Jacobson & Wilensky, 2006; Wilensky, 2001）。最近，学习科学本身的理论和研究正受到复杂系统思想（如涌现、自组织（self-organization））和研究方法（如计算机建模）的影响（Bereiter & Scardamalia, 2006; Jacobson, Kapur, & Reimann, 2016; Jacobson, Levin, & Kapur, 2019）。


在本章中，我们首先概述了与学习复杂系统相关的认知挑战和教学研究。然后，我们讨论了复杂性在学习科学研究中的最新理论和方法应用。本章最后考虑了未来帮助学生学习复杂系统和学习科学研究的可能方向，这些方向的前提是将学习视为教育复杂系统中的一种涌现现象。





Learning about Complex Systems

学习复杂系统




复杂系统思维（Complex systems thinking）有可能开辟新的知识视野、解释框架和方法，在科学和专业环境中日益重要。虽然某些复杂系统概念已经出现在学校课程中，如自然选择进化（evolution by natural selection）和动态平衡（dynamic equilibrium），但这些概念的跨领域性质尚未被发现或利用。一些概念，包括相互依存（interdependence）、涌现模式（emergent patterning）、细胞自动机（cellular automata）、基于主体的建模（agent-based modeling）、动态吸引子（dynamical attractors）、确定性混沌（deterministic chaos）、无标度（scale-free）和小世界网络拓扑（small-world network topologies）、系统与环境的相互作用（system-environment interaction）、适应性景观和自组织，正在成为定性推理（qualitative reasoning）的关键概念工具（Bar-Yam，1997；Mitchell，2009；Wilensky & Rand，2015）。此外，对真实和合成复杂系统的定量建模（quantitative modeling）和模拟等方法的使用也越来越多。


遗憾的是，快速发展的复杂系统研究视角和工具所蕴含的概念力量却很少为普通人的教育经历所借鉴。虽然一些基于主体建模和网络理论的课程已经进入本科课程，但在大学教育中一般很少接触复杂系统，在中小学教育中也几乎没有。主流教育中的这种缺失使我们错失了许多在不同课程内容之间建立联系和提供统一概念框架的机会。


当代关于学习复杂系统思想和观点的研究主要分为两类：与理解复杂系统概念相关的认知挑战（cognitive challenges）（见第25.1.1节）和学习复杂系统观点的教学研究（见第25.1.2节）。


复杂系统概念与认知挑战

Complex Systems Concepts and Cognitive Challenges


对于学生来说，许多与复杂系统思考相关的核心理念的学习可能具有挑战性。大量研究记录了学生在学习与理解复杂系统相关的概念时遇到的各种困难，这些概念目前在现有的科学课程中教授。例如，许多学生——即使是大学水平的学生——都持有一些错误观念，包括化学反应停止于平衡状态（Kozma, Chin, Russell, & Marx, 2000; Stieff & Wilensky, 2003），或者进化是性状使用或废弃的结果，以及获得的性状会代代相传（Bishop & Anderson, 1990; Evans, 2013; Samarapungavan & Wiers, 1997）。


此外，与复杂系统相关的重要概念可能与直觉相反（counterintuitive）（Casti, 1994; Wilensky & Resnick, 1999）。例如，许多人认为行动的大小与其相应的效果之间存在线性关系：小行动的效果小；大行动的效果相应大（Casti, 1994）。然而，现在人们普遍认为，在复杂的系统中，一个小的行动可能会产生系统的相互作用和放大作用，从而产生大的影响（Bak, Tang, & Wiesenfeld, 1987; Lorenz, 1963），一些研究人员将其称为“临界点（tipping points）”（Dai, Vorsellen, Korolev, & Gore, 2012; Gladwell, 2000）或“蝴蝶效应（butterfly effect）”（Lorenz, 1963）。


其他研究人员提出，人们往往倾向于假定集中控制和确定性因果关系的解释（Resnick & Wilensky, 1998; Wilensky & Resnick, 1999），因此，人们对以涌现和自组织、随机和分散过程来描述现象的观点怀有根深蒂固的抵触情绪（Resnick, 1996）。一些研究表明，具有复杂系统专业知识的人拥有新手所不具备的专门概念理解，而且复杂系统新手和专家在构建复杂系统问题的解决方案时使用不同的本体论（ontologies）（Jacobson, 2001）。研究发现，在对复杂系统的理解方面属于新手的本科生在解决复杂系统问题时会使用一系列机械本体论陈述、集中式控制源和可预测的行动范式。相比之下，复杂系统专家则使用一套“复杂系统”本体论来解决这些问题，在这套本体论中，系统控制是各要素分散互动的一部分。


在另一项研究计划中，从概念变化（conceptual change）的角度对复杂系统概念的学习进行了研究。Charles（2002）进行了一项实验，在为期三天的研讨会上，实验组的学生（16-18岁）听取了有关复杂系统概念的课堂讲座，运行了不同类型复杂系统的StarLogoT（Wilensky，1997）模型，并进行了课堂讨论。通过使用Jacobson（2001）提出的复杂系统分析框架的修订版，实验组的学生在解决有关复杂系统现象的近转移和中转移问题时采用了“突现”解释框架（“emergent” explanatory framework），在近迁移问题上使用“钟表（clockwork）”解释的人数明显少于对照组的学生。Charles和d’Apollonia（2004）对Charles（2002）研究中的九名学生进行了定性案例研究，这些学生在使用一套StarLogoT复杂系统模型时接受了认知辅导。在第二项研究中收集到的以过程为导向的数据表明，虽然学生们在所学的关于突发因果过程的六个概念中的四个概念上取得了学习上的进步，但他们在理解复杂系统主体的“随机行动（random actions）”和“非线性效应（nonlinear effects）”的概念上却遇到了困难。也有研究发现，非线性是学习者特别难以理解的复杂系统结构（Jacobson, Kapur, So, & Lee, 2011）。


如上所述，复杂系统研究中的一个核心重要概念是涌现（emergence），即复杂系统元素在微观层面上的局部互动如何促成高阶、宏观层面的模式，而这些模式可能具有质的不同特征。Penner（2001）的研究表明，学生很难从课堂活动中学到复杂系统中的涌现模式（emergent patterning）概念。即使了解了微观和宏观层面的关系，学生们也会认为系统的宏观层面具有首要因果关系，这与复杂系统的观点背道而驰，因为复杂系统的高阶特性是从局部相互作用中产生的，而不是相反。

Chi、Roscoe、Slotta、Roy和Chase（2012）提出，学生要学会推理复杂系统，可能需要经历一个“强烈”或“彻底”的概念转变过程，因为用于解释简单系统的标准直接因果模式不足以解释复杂系统。Chi及其同事认为，要理解诸如扩散（diffusion）、渗透（osmosis）和自然选择（natural selection）等突现现象，需要一种突现因果图式（emergent-causal schema），而这种图式与儿童带入课堂的直接因果图式是不相称的。


与此相反，Wilensky及其同事则认为，学生并不需要替换他们的因果图式，而是可以利用这些图式中的资源来推理复杂的系统（Levy & Wilensky，2008）。有证据表明，通过使用基于主体的模型，利用学生将微观层面的直接因果行动与这些行动的突发结果联系起来的资源，即使不直接教授学生突发因果图式，学生也能加深对电力和自然选择的理解（Blikstein & Wilensky, 2009; Sengupta & Wilensky, 2009）。


学习复杂系统思想的教学研究

Pedagogical Research into Learning Complex Systems Ideas


对复杂性思想教学的研究广泛使用了计算表征来突出复杂系统现象的关键方面，以支持学生的学习。最早研究学生学习复杂系统的一些项目是由Resnick和Wilensky（1993）以及Wilensky和Resnick（1999）开展的，其中使用了StarLogo基于主体的交通堵塞模型或蚂蚁觅食模型作为复杂系统现象的例子。这项研究表明，学生能够使用基于主体的建模工具来支持他们对不同类型复杂系统的推理和思考。


Wilensky和他在西北大学连通学习和计算机建模中心的同事对学生使用NetLogo（Wilensky，1999）主体建模（ABM，agent-based modeling）环境学习复杂系统进行了广泛的研究。为了扩大复杂系统和基于主体的建模方法的使用范围，Wilensky开发了NetLogo建模环境。NetLogo是为学生和科学家探索复杂系统现象而设计的。NetLogo允许用户代表移动的主体（如海龟）和静止的环境主体。每个主体都有自己遵循的行动和互动规则。学生们可以探索主体类型及其行动规则，以了解出现的现象。在经典的基于代理的建模中，单个元素（如狼、星星、神经元）就是主体，而ABM的游戏就是将这些主体与它们的集合模式（如生态、星系、大脑）联系起来。在经典的ABM中，重点是两个层次，即微观层次和宏观层次，但复杂系统可以有多个层次。为了便于探索多层次系统，Wilensky的实验室开发了一个工具LevelSpace（Hjorth, Head, Brady, & Wilensky, 2020），它可以让整个模型成为主体，从而形成一棵层次分明的树，可以作为复杂系统进行探索。Hjorth、Wilensky及其同事对NetLogo和LevelSpace在课堂上的使用进行了研究，发现学生能够跨层次连接，从而获得对系统的多层次理解（Hjorth, Brady, Head, & Wilensky, 2015; Hjorth & Wilensky, 2014）。


要使用ABM对某一现象进行建模，建模者需要将这一现象分解为微观层面的组成部分或主体，并找到主体行动和互动的规则，从而产生宏观层面的突发现象。Wilensky及其同事将NetLogo广泛应用于不同的环境和年龄层次（特别关注城市学校的初高中学生），探索、修改和构建了ABM。这些模型被设计成建构主义的微型世界（Papert，1980），让学生操纵计算主体的行为，在模拟的微型世界中进行实例化操作（Edwards，1995）。学生可以通过多种关联的计算表征，如系统的直接视觉表征（如鸟群）、图形和数字，观察他们的操作对系统级突发模式的影响。这类独特地结合了ABM和建构主义设计原则的计算模型有时被称为突发系统微型世界（ESMs）（Dabholkar & Wilensky, 2019）或突发系统沙盘（ESSs，emergent system sandboxes）（Brady, Holbert, Soylu, Novak, & Wilensky, 2015）。


已经对普通学生在这些环境中开展非凡项目的情况进行了案例研究，例如初高中学生从盒子中气体粒子的微观相互作用中推导出理想气体定律（Levy & Wilensky, 2009; Wilensky, 2003），探索和模拟进化过程（Arastoopour Irgens等，2020；Wilensky & Novak, 2010），探索材料科学的核心现象（Blikstein & Wilensky, 2009, 2010），以及模拟萤火虫同步闪光（Wilensky & Novak, 2010）、 2020; Wilensky & Novak, 2010），探索材料科学的核心现象（Blikstein & Wilensky, 2009, 2010），以及为萤火虫的同步闪光建模（Wilensky & Reisman, 2006）。虽然创建复杂系统课程的早期工作大多嵌入 STEM课堂，但最近的研究已扩展到社会科学的许多领域，解决了财富不平等、城市发展和流行病传播等主题（Guo & Wilensky，2018；Wilkerson- Jerde & Wilensky，2015）。


此外，Wilensky（2020）和Wilensky与Papert（2010）还在表征和铭文设计的悠久历史中将现象表征过程概念化为基于主体的模型。例如，在中世纪，欧洲人开始从用罗马数字表示数字转向用印度-阿拉伯数字表示数字。这种表现形式的变化被称为重组。数字的印度-阿拉伯语重组对科学的发展和儿童的学习都产生了深远的影响。在重组之前，很少有欧洲人能够进行较大数字的除法运算，但在印度-阿拉伯语重组之后，大多数儿童都能在学校掌握这项技能。Wilensky和Papert认为，类似于数字的重组，ABM可以帮助重组科学表征，帮助学习者更好地理解和推理复杂的现象。这表明，学习科学家需要与学科科学家合作进行研究，以开发和验证领域重组（Wilensky，2020），并研究其在增强学习和推理复杂现象方面的潜在功效。


如上所述，Resnick和Wilensky（1998）以及Wilensky和Resnick（1999）记录了学生在采用基于主体的视角并构建对宏观现象的新兴解释时遇到的困难，他们将这种困难统称为“决定论-中心化思维模式”。帮助学生摆脱这种思维定势的方法之一，是将复杂现象的讨论置于日常情境中，让学生不仅仅是观察者，也是实际的参与者。例如，可以使用“参与式模拟”，让学生在课堂上扮演微观层面系统组成部分的角色，然后将课堂系统的结果与复杂日常系统的行为进行对比（Abrahamson & Wilensky, 2004; Colella, 2000; Resnick & Wilensky, 1998; Wilensky & Stroup, 2000）。为了促进创新的参与式模拟，Wilensky和Stroup（2000）开发了模拟架构HubNet。


基于HubNet的参与式模拟已被用于帮助学生学习从分子相互作用到流行病传播等各种复杂系统。对学生在参与模拟和理解这些不同类型的复杂系统时的推理过程进行的分析表明，学生需要两种基本的、互补的推理形式：一种是“基于主体”的形式，即学生根据单个系统元素的特性和行为进行推理；另一种是“总体”形式，即学生根据种群和其他宏观结构的特性和变化率进行推理。


学生与复杂现象模拟的互动可以让他们意识到自己的错误观念，并有可能为学生创造机会，让他们表达和修正自己的信念（Goldstone & Wilensky, 2008）。在研究学生参与参与式模拟的课堂讨论时，Abrahamson和Wilensky（2006）指出了复杂现象中引发不正确的微观到宏观推论的因素。这些维度包括模拟中固有的空间动态线索，如主体的速度和密度，以及与空间动态线索相互作用的更多概念或心理模拟推理，如（1）未能预见主体基于规则的互动中固有的突发性；（2）在比例线性推理不适用时使用比例线性推理；（3）混淆随机性与确定性；以及（4）忽略反馈循环的影响。Abrahamson和Wilensky得出结论认为，复杂系统启发式教学对学习者来说是很难发展的，因为它们往往与线性系统启发式教学背道而驰，而线性系统启发式教学似乎更立足于学生的日常经验。他们建议学生使用复杂系统模拟，以建立一个案例库，然后将其作为对复杂现象进行推理的类比（另见Goldstone & Wilensky, 2008）。据他们观察，使用此类模拟的学生开始形成复杂系统思维，使他们能够将系统现象的模型复杂化，以建立和捍卫自己的论断。


Wilensky和Stroup（2000）推测，基于主体的视角（微观层面）和综合的视角（宏观层面）是互补的，因为两者都是理解复杂系统所必需的。这些互补视角类似于Nathan和Sawyer的元素/系统分析层次（本卷第2章）。据观察，参与HubNet模拟的学生能够快速交替使用自下而上（微观层面、基于主体）和自上而下（宏观层面、总体）的视角，这反过来又使他们在讨论不同类型的复杂系统时具有更强的解释能力。Wilensky、Hazzard和Longenecker（2000）通过使用所谓的”突发练习”，明确地向学生传授这种交替策略，取得了可喜的成果。


Levy和Wilensky（2008）进一步研究了学生对复杂系统的主体和总体层面的理解，他们就微观和宏观层面都有可能解释的日常事件采访了六年级学生。他们发现学生中普遍存在一种策略，即构建一个“中层”——介于微观和宏观之间的新层次。中层通常由系统中单个组件的小组组成，似乎可以减少推理系统所需的信息量。因此，中层的认知建构有助于学生形成心智模型，这些心智模型主要通过两种方式用于学生对复杂系统原理的一般理解。一种是自下而上的方式，即通过局部互动形成小组。自下而上的中层思维方式与对平衡和随机等复杂系统原理的更深入理解有关。学生形成中层的第二种方式是自上而下的，即把整个系统分解成较小的群体，并把它们当作单一的实体。自上而下的中层方法与对复杂系统的理解不够牢固有关。


Yoon（2008）及其同事（Yoon等，2016；Yoon、Goh和Park，2018）的研究使用StarLogo Nova ABM环境（Hsiao、Lee和Klopfer，2019）研究了（1）复杂性视角如何帮助学生更深入地理解遗传工程这一具有挑战性的科学领域；以及（2）作为复杂系统的课堂互动动态。他们根据美国《下一代科学标准（Next Generation Science Standards）》，提出了将复杂系统活动融入科学课堂的框架。


上述研究主要调查了与学习复杂系统思想有关的各种因素和方法。还有一个问题是，学生能否利用或迁移他们所学到的复杂系统概念来解决新问题或学习新思想和新知识。鉴于复杂系统原理已被证明适用于通常被视为不同领域（如物理学、生物学、经济学）的各种系统，Goldstone和Wilensky（2008）提出，可以将复杂系统研究学习与促进科学迁移学习的研究议程结合起来。


Jacobson等人（2017）开展了第一批明确关注复杂系统概念学习和迁移的研究。他们利用NetLogo基于主体的计算机模型（ABM）对学生学习与气候变化相关的复杂系统概念进行了一项准实验研究。实验条件包括使用基于生产性失败（PF，productive failure）的学习活动，之所以选择这种学习活动，是因为之前的 PF 研究已经证明了物理（Jacobson, Kim, Pathak, & Zhang, 2015; Kapur, 2006）和数学（Kapur, 2014; Kapur & Bielaczyc, 2012; Loibl & Rummel, 2014）等领域的迁移结果。作为直接指导（DI，direct instruction）组，PF实验条件下的学生最初使用ABM解决气候和复杂系统问题，然后由教师进行指导。对比实验条件下的学生首先接受直接指导（基本上与PF实验条件下的课程脚本相同），然后使用ABMs解决同一组问题。虽然两组学生都提高了关于复杂系统和气候变化的陈述性知识，但在复杂系统和气候变化解释性知识以及知识迁移测量方面，PF组学生的测验后得分明显高于DI组学生。


有些人可能会认为，复杂系统的概念难度很大，只有研究生水平的学生才有能力学习这些概念，但上文第25.1.1节和第25.1.2节讨论的研究提供了大量证据，证明低年级学生也能理解复杂性概念。当然，其中的一些观点，如非线性、突现特性和随机过程等，对学生来说学习起来具有挑战性。然而，学习科学中的各种理论和研究视角的应用，开始揭示出有助于理解这些困难思想的因素。我们期待学习科学领域的研究人员能够继续探索创新的教学方法和技术，帮助学生学习复杂系统的思想和方法，并期待这些研究成果能够更广泛地为我们的学习和教学理论提供参考。





Theoretical and Methodological Implications

理论和方法论影响 




在本节中，我们将讨论从学习复杂系统思想的学习科学研究转向使用复杂系统思想和方法的研究。学习科学家对复杂系统概念的使用表明了复杂性对该领域的影响。例如，Bereiter和Scardamalia（2006）提出，简单的因果解释无法解释或预测社会认知过程，自组织和涌现等复杂系统概念正越来越多地被用于主流学习研究中。D. E. Brown和Hammer（2008）提出，从复杂系统理论的角度来看，概念变化的过程可以理解为新兴的、动态的和嵌入式的。最近，我们看到了从使用复杂系统概念作为学习研究的补充，到有可能成为学习科学基础的观点的转变。这种转变主要体现在两个方面——理论建设和研究方法，我们将依次对此进行探讨。


学习科学的复杂性与理论建设

Complexity and Theory Building in the Learning Sciences


自学习科学领域创立以来，理论研究主要集中在认知和情境视角上，并在20世纪90年代就这两个阵营中哪个阵营在理论上占据首要地位展开了争论（Anderson, Greeno, Reder, & Simon, 2000; Anderson, Reder, & Simon, 1996, 1997; J. S. Brown, Collins, & Duguid, 1989; Cobb & Bowers, 1999; Greeno, 1997）。有关学习科学理论化和复杂性的进一步讨论，请参阅Nathan和Sawyer（本卷第2章）。


为了帮助调和这一争论，Jacobson等人（2016）提出，学习科学家所研究的环境实际上是教育复杂系统，具有与物理、生物和社会领域的其他复杂系统相似的一些特性和概念视角（包括上文讨论的与复杂系统学习相关的许多特性和概念视角）。他们提出了一套对教育复杂系统具有特殊理论适用性的核心概念观点（见表25.1）。例如，大脑中的神经元或教室中的学生代表了主体或元素，学生的个体认知过程和协作学习活动可被视为微观-宏观系统层面，而学生突然的概念洞察力或“啊哈”时刻则代表了涌现。


利用学习的复杂系统概念框架（CSCFL，complex systems conceptual framework of learning），认知学习理论（cognitive learning theories）被分析为采用了复杂性概念，侧重于教育复杂系统的微观系统层面，主要与个体的认知结构和过程有关，如大脑神经元连接的平行性、适应性和进化。与此相反，情境理论视角侧重于教育复杂系统的宏观层面，如学生在以社会为媒介的情境和活动中的集体行为，代表了系统中主体或元素以及自组织的复杂性概念。然而，这两种理论都没有包含重要的复杂系统概念，如对初始条件的敏感性、非线性或涌现。因此，Jacobson等人（2016）认为，目前认知和情境视角的阐述并没有对教育复杂系统的内部和跨层次动态提供原则性解释，如对初始条件和非线性的敏感性或宏观层面的涌现特性。


教育复杂系统的复杂性研究方法

Complexity Research Methods for Educational Complex Systems


基于复杂系统的概念视角可以促进学习科学的理论化，我们现在将注意力转向复杂性对该领域方法论的贡献。对于学习科学研究者来说，一个重要的问题是：复杂系统研究方法提供了哪些该领域方法论工具包中尚未体现的内容？最重要的新贡献或许是通过对学习和教育系统进行计算建模。Jacobson等人（2019）认为，学习科学和教育研究的传统定性和定量方法并不能充分解决教育复杂系统的重要动态问题，如线性和非线性的共存、内部和跨层次的相互作用，以及如何“出现”新兴属性。他们提出，可以通过将成功用于研究其他领域复杂系统的计算建模方法与学习科学研究中使用的现有定量和定性方法相结合来解决这些问题。


表25.1 用于示例学习的复杂系统概念框架的组成部分（Jacobson等，2016，第213页）

编注：表格中紧急情况应翻译为“涌现情况”


复杂系统建模方法包括系统动力学、细胞自动机、ABM和遗传算法，通常与科学可视化技术结合使用。利用先进计算建模技术研究复杂系统的例子包括气候变化（West & Dowlatabadi, 1999）、城市交通模型（Balmer, Nagel & Raney, 2004）、疾病传播和流行病建模（Cuevas, 2020; Vermeer, Hjorth, Jenness, Brown & Wilensky, 2020）和经济学（Arthur, Durlauf & Lane, 1997; Epstein, 2006）。新的科学实践社区也已出现，其中的计算建模技术，特别是基于主体的模型、遗传算法和机器学习形式，正被用于创建合成环境（Epstein，2006），从而可以非常灵活地探索物理和社会科学中的理论和研究问题，而这些问题在”真实的”非合成环境中是很难或不可能解决的。


鉴于复杂的计算建模工具的发展及其在广泛的物理和社会科学领域被越来越多地接受，在应用计算方法进行有关教育复杂系统的学习科学研究方面有着巨大的潜力。使用这些方法将产生四大影响。首先，模型的阐明，特别是“自下而上”的模型，如基于主体的模型，往往有助于研究人员提炼出他们对造成相关系统行为的关键因素的定性直觉。其次，复杂系统模型成为科学上可检查的人工制品，可以与现实世界的数据进行比较，并反复修改以改进模型的拟合度。第三，经一个或多个数据集验证的模型可用于通过改变模型参数（通过对所有参数组合进行多次运行以检查系统的随机特性）来探索系统的行为。第四，这些模型有助于将观测和建模系统的发现推广到具有不同局部特征的类似系统类型。以上述四种方式使用模型和计算，最终可将知识领域的内容从微分方程等数学形式重新表述为计算表征，从而构成（如第25.1.2节所讨论的）重组（Wilensky & Papert, 2010）。学习科学领域需要开展研究，探索和开发新的学科重组，并评估其对研究人员和学生的潜在效用（Wilensky，2020）。


对学习系统和学习环境进行计算建模的例子不胜枚举。Lemke和Sabelli（2008）建议建立“模拟学校”（SimSchool）或“模拟学区”（SimDistrict）模拟程序，这些程序不仅可以模拟现有的学校（或学区）系统，还可以用来创建合成的学校和学区系统，以研究它们随着时间的推移在需求、问题和可能结果方面的演变。一些实际的系统就是按照这种思路开发的，如针对教育政策领域（如择校）的基于主体的模拟，家长和学校官员是模拟中的主体，或模拟与成功或不成功的教育政策改革相关的因素（Maroulis等，2010）。


研究人员还利用ABM方法来阐述和检验社会科学理论，认为建模可以支持开发更丰富的理论模型，从而整合不同的理论（Abrahamson, Blikstein & Wilensky, 2007）。网络分析方法正被用于研究从社会结构如何影响学校采用技术（Frank、Zhao和Borman，2004）到社会结构对学生成绩的作用（Maroulis和Gomez，2008）等各种课题。在其他工作中，研究人员利用参与式模拟环境作为数据收集工具，将分散的受试者与编程主体放置在一个环境中，使他们的行为和互动成为数据源（例如，Goldstone & Wilensky, 2008）。总之，从认知表征网络的演变、与课堂技术干预相关的实验设计，到协作互动模式的社会网络分析和教育政策倡议，计算建模在加强与教育复杂系统相关的学习科学研究方面有着巨大的潜力。





小结




本章概述了（1）主流学生如何学习复杂系统思想的相关问题和研究；以及（2）复杂性对学习科学研究的理论和方法论影响。学习科学研究中对学生学习复杂系统思想的探索已经产生了重要的新知识，这些新知识也可能扩展我们对学生有能力理解何种高级知识（包括具有概念挑战性的知识）的看法。我们还期待在概念变化、知识迁移和学习的社会文化动力等领域开展更多有助于我们理解复杂系统学习的研究。


此外，我们还看到，将学习环境概念化为教育复杂系统有可能影响甚至改变该领域的理论观点。在其他物理和社会科学领域用于研究复杂系统的方法——如基于主体的计算机建模——也开始在学习科学领域用于补充定量和定性研究方法。复杂系统的研究将来会对学习科学领域和教育系统产生怎样的影响还有待确定。在接下来的研究和理论化阶段，我们不妨聆听 Proust的观点：“真正的发现之旅不在于发现新的风景，而在于拥有新的眼睛。”



参考文献

  1. Abrahamson, D., Blikstein, P., & Wilensky, U. (2007). Classroom model, model classroom: Computer-supported methodology for investigating collaborative- learning pedagogy. In C. Chin, G. Erkins, & S. Putambekar (Eds.), Proceedings of the Computer Supported Collaborative Learning (CSCL) Conference (Vol. 8, Part 1, pp. 45-55). New Brunswick, NJ.
  2. Abrahamson, D., & Wilensky, U. (2004). ProbLab: A computer-supported unit in probability and statistics. In M. J. Hoines & A. B. Fuglestad (Eds.), Proceedings of the 28th Annual Meeting of the International Group for the Psychology of Mathematics Education (Vol. 1, p. 369). Norway: Bergen University College.
  3. Abrahamson, D., & Wilensky, U. (2006). Is a disease like a lottery? Classroom networked technology that enables student reasoning about complexity. Paper presented at the annual meeting of the American Educational Research Association, San Francisco, CA.
  4. Anderson, J. R., Greeno, J. G., Reder, L. M., & Simon, H. A. (2000). Perspectives on learning, thinking, and activity. Educational Researcher, 29(4), 11-13. doi:10.3102/0013189X029004011
  5. Anderson, J. R., Reder, L. M., & Simon, H. A. (1996). Situated learning and education. Educational Researcher, 25(4), 5-11.
  6. Anderson, J. R., Reder, L. M., & Simon, H. A. (1997). Situative versus cognitive perspectives: Form versus substance. Educational Researcher, 26(1), 18-21.
  7. Arastoopour Irgens, G., Dabholkar, S., Bain, C., et al. (2020). Modeling and measuring students’ computational thinking practices in science. Journal of Science Education and Technology, 29(1), 137-161.
  8. Arthur, B., Durlauf, S., & Lane, D. (Eds.). (1997). The economy as an evolving complex system (Vol. II). Reading, MA: Addison-Wesley.
  9. Bak, P., Tang, C., & Wiesenfeld, K. (1987). Self-organized criticality: An explanation of 1/f noise. Physical Review Letters, 59(4), 381-384. doi:10.1103/PhysRevLett.59.381
  10. Balmer, M., Nagel, K., & Raney, B. (2004). Large-scale multi-agent simulations for transportation applications. Intelligent Transportation Systems, 8(4), 1-17.
  11. Bar-Yam, Y. (1997). Dynamics of complex systems. Reading, MA: Addison-Wesley.
  12. Bereiter, C., & Scardamalia, M. (2006). Education for the knowledge age: Designcentered models of teaching and instruction. In P. A. Alexander & P. H. Winne (Eds.), Handbook of educational psychology (2nd ed., pp. 695-713). Mahwah, NJ: Lawrence Erlbaum Associates.
  13. Bishop, B. A., & Anderson, C. W. (1990). Student conceptions of natural selection and its role in evolution. Journal of Research in Science Teaching, 27(5), 415-427.
  14. Blikstein, P., & Wilensky, U. (2009). An atom is known by the company it keeps: A constructionist learning environment for materials science using multi-agent simulation. International Journal of Computers for Mathematical Learning,14(1), 81-119.
  15. Blikstein, P., & Wilensky, U. (2010). MaterialSim: A constructionist agent-based modeling approach to engineering education. In M. J. Jacobson & P. Reimann (Eds.), Designs for learning environments of the future: International perspectives from the learning sciences (pp. 17-60). New York, NY: Springer.
  16. Brady, C., Holbert, N., Soylu, F., Novak, M., & Wilensky, U. (2015). Sandboxes for model-based inquiry. Journal of Science Education and Technology, 24(2), 265-286.
  17. Brown, D. E., & Hammer, D. (2008). Conceptual change in physics. In S. Vosniadou (Ed.), Handbook of research on conceptual change (pp. 127-154). Hillsdale, NJ: Laurance Erlbaum Associates.
  18. Brown, J. S., Collins, A., & Duguid, P. (1989). Situated cognition and the culture of learning. Educational Researcher, 18(1), 32-42.
  19. Casti, J. L. (1994). Complexificantion: Explaining a paradoxical world through the science of surprise. New York, NY: HarperCollins.
  20. Charles, E. S. (2002). Using complex systems thinking to facilitate shifts in ontological beliefs: A qualitative case study systematically investigating a learning and teaching context that employs “StarLogo” simulations and a one-on-one coaching methodology. Paper presented at the annual meeting of the American Educational Research Association, New Orleans, LA.
  21. Charles, E. S., & d’Apollonia, S. (2004). Developing a conceptual framework to explain emergent causality: Overcoming ontological beliefs to achieve conceptual change. In K. Forbus, D. Gentner, & T. Reiger (Eds.), Proceedings of the 26th Annual Cognitive Science Society(pp. 210-215).Mahwah, NJ: Lawrence Erlbaum Associates. Retrieved from www.cogsci.northwestern.edu/cogsci2004/sessions.html#emergent
  22. Chi, M. T. H., Roscoe, R. D., Slotta, J. D., Roy, M., & Chase, C. C. (2012). Misconceived causal explanations for emergent processes. Cognitive Science, 36(1), 1-61. doi:10.1111/j.1551-6709.2011.01207
  23. Cobb, P., & Bowers, J. (1999). Cognitive and situated learning perspectives in theory and practice. Educational Researcher, 28(2), 4-15.
  24. Colella, V. (2000). Participatory simulations: Building collaborative understanding through immersive dynamic modeling. Journal of the Learning Sciences, 9(4), 471-500.
  25. Cuevas, E. (2020). An agent-based model to evaluate the COVID-19 transmission risks in facilities. Computational Biology Medicine, 121, Article 103827. doi:10.1016/j.compbiomed.2020.103827
  26. Dabholkar, S., & Wilensky, U. (2019). Designing ESM-mediated collaborative activity systems for science learning. Paper presented at the Proceedings of International Conference of Computer Supported Collaborative Learning 2019, Lyon, France.
  27. Dai, L., Vorsellen, D., Korolev, K., & Gore, J. (2012). Generic indicators for loss of resilience before a tipping point leading to population collapse. Science, 336(6085), 1175-1177. doi:10.1126/science.1219805
  28. Edwards, L. (1995). Microworlds as representations. In A. A. diSessa, C. Hoyles, R. Noss, & L. D. Edwards (Eds.), Computers and exploratory learning (pp. 127-154). New York, NY: Springer.
  29. Epstein, J. M. (2006). Generative social science: Studies in agent-based computational modeling. Princeton, NJ: Princeton University Press.
  30. Evans, E. M. (2013). Conceptual change and evolutionary biology: Taking a developmental perspective. In S. Vosniadou (Ed.), International handbook of research on conceptual change(2nd ed., pp. 220-239). New York, NY: Routledge.
  31. Frank, K. A., Zhao, Y., & Borman, K. (2004). Social capital and the diffusion of innovations within organizations: Application to the implementation of computer technology in schools. Sociology of Education, 77(2), 148-171.
  32. Gladwell, M. (2000). The tipping point: How little things can make a big difference. Boston, MA: Little, Brown & Co.
  33. Goldstone, R. L., & Wilensky, U. (2008). Promoting transfer through complex systems principles. Journal of the Learning Sciences, 17(4), 465-516.
  34. Greeno, J. G. (1997). On claims that answer the wrong questions. Educational Researcher, 26(1), 5-17.
  35. Guo, Y., & Wilensky, U. (2018). Mind the gap: Teaching high school students about wealth inequality through agent-based participatory simulations. In V. Dagiene & E. Jasute (Eds.), Proceedings of Constructionism 2018. Vilnius, Lithuania.
  36. Hjorth, A., Brady, C., Head, B., & Wilensky, U. (2015). Thinking within and between levels: Exploring reasoning with multi-level linked models. In Proceedings of the Computer Supported Collaborative Learning (CSCL) Conference. Gothenburg, Sweden.
  37. Hjorth, A., Head, B., Brady, C., & Wilensky, U. (2020). LevelSpace – A NetLogo extension for multi-level agent-based modeling. Journal of Artificial Societies and Social Simulation, 23(1).
  38. Hjorth, A., & Wilensky, U. (2014). Re-grow your city – A NetLogo curriculum unit on regional development. In J. L. Polman, E. A. Kyza, D. K. O’Neill, et al. (Eds.), The International Conference of the Learning Sciences (ICLS) 2014 (Vol. 3, pp. 1553-1554). International Society of the Learning Sciences.
  39. Hmelo-Silver, C. E., Marathe, S., & Liu, L. (2007). Fish swim, rocks sit, and lungs breathe: Expert-novice understanding of complex systems. Journal of the Learning Sciences, 16(3), 307-331.
  40. Holland, J. H. (1995). Hidden order: How adaptation builds complexity. Reading, MA: Addison-Wesley.
  41. Hsiao, L., Lee, I., & Klopfer, E. (2019). Making sense of models: How teachers use agent-based modeling to advance mechanistic reasoning. British Journal of Educational Technology, 50, 2203-2216. doi:10.1111/bjet.12844
  42. Jacobson, M. J. (2001). Problem solving, cognition, and complex systems: Differences between experts and novices. Complexity, 6(3), 41-49.
  43. Jacobson, M. J., Kapur, M., & Reimann, P. (2016). Conceptualizing debates in learning and educational research: Towards a complex systems conceptual framework of learning. Educational Psychologist, 51(2), 210-218. doi:10.1080/00461520.2016.1166963
  44. Jacobson, M. J., Kapur, M., So, H.-J., & Lee, J. (2011). The ontologies of complexity and learning about complex systems. Instructional Science, 39, 763-783. doi:10.1007/s11251-010-9147-0
  45. Jacobson, M. J., Kim, B., Pathak, S., & Zhang, B. (2015). To guide or not to guide: Issues in the sequencing of pedagogical structure in computational modelbased learning. Interactive Learning Environments, 23(6), 715-730. doi:10.1080/10494820.2013.792845
  46. Jacobson, M. J., Levin, J. A., & Kapur, M. (2019). Education as a complex system: Conceptual and methodological implications. Educational Researcher, 48(2), 112-119. doi:10.3102/0013189×19826958
  47. Jacobson, M. J., Markauskaite, L., Portolese, A., Kapur, M., Lai, P. K., & Roberts, G. (2017). Designs for learning about climate change as a complex system. Learning and Instruction, 52,1-14. doi:10.1016/j.learninstruc.2017.03.007
  48. Jacobson, M. J., & Wilensky, U. (2006). Complex systems in education: Scientific and educational importance and implications for the learning sciences. Journal of the Learning Sciences, 15(1), 11-34.
  49. Kapur, M. (2006). Productive failure. Cognition and Instruction, 26(3), 307-313.
  50. Kapur, M. (2014). Productive failure in learning math. Cognitive Science, 38(5), 1008-1022. doi:10.1111/cogs.12107
  51. Kapur, M., & Bielaczyc, K. (2012). Designing for productive failure. Journal of the Learning Sciences, 21(1), 45-83. doi:10.1080/10508406.2011.591717
  52. Kauffman, S. (1995). At home in the universe: The search for laws of self-organization and complexity. New York. NY: Oxford University Press.
  53. Kitano, H. (2002). Computational systems biology. Nature, 420(6912), 206-210.
  54. Kozma, R. B., Chin, E., Russell, J., & Marx, N. (2000). The role of representations and tools in the chemistry laboratory and their implications for chemistry learning. Journal of the Learning Sciences, 9(3), 105-144.
  55. Lemke, J., & Sabelli, N. (2008). Complex systems and educational change: Towards a new research agenda. Educational Philosophy and Theory, 40(1), 118-129. doi:10.1111/j.1469-5812.2007.00401.x
  56. Levy, S. T., & Wilensky, U. (2008). Inventing a “mid-level” to make ends meet: Reasoning through the levels of complexity. Cognition & Instruction, 26(1), 1-47.
  57. Levy, S. T., & Wilensky, U. (2009). Students’ learning with the Connected Chemistry (CC1) curriculum: Navigating the complexities of the particulate world. Journal of Science Education and Technology, 18(3), 243-254. doi:10.1007/s10956-009-9145-7
  58. Loibl, K., & Rummel, N. (2014). Knowing what you don’t know makes failure productive. Learning and Instruction, 34, 74-85. doi:10.1016/j.learninstruc.2014.08.004
  59. Lorenz, E. N. (1963). Deterministic nonperiodic flow. Journal of Atmospheric Science, 20(2), 130-141.
  60. Maroulis, S., & Gomez, L. (2008). Does ‘connectedness’ matter? Evidence from a social network analysis of a small school reform. Teachers College Record, 110(9), 1901-1929.
  61. Maroulis, S., Guimera, R., Petry, H., etal. (2010). Complex systems view of educational policy research. Science, 330(6000), 38-39.
  62. Mitchell, M. (2009). Complexity: A guided tour. New York, NY: Oxford University Press.
  63. Page, S. (2011). Diversity and complexity. Princeton, NJ: Princeton University Press.
  64. Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. New York, NY: Basic Books.
  65. Penner, D. E. (2001). Complexity, emergence, and synthetic models in science education. In K. Crowley, C. D. Schunn, & T. Okada (Eds.), Designing for science (pp. 177-208). Mahwah, NJ: Lawrence Erlbaum Associates.
  66. Resnick, M. (1996). Beyond the centralized mindset. Journal of the Learning Sciences, 5(1), 1-22.
  67. Resnick, M., & Wilensky, U. (1993). Beyond the deterministic, centralized mindsets: A new thinking for new science. Paper presented at the annual meeting of the American Educational Research Association, Atlanta, GA.
  68. Resnick, M., & Wilensky, U. (1998). Diving into complexity: Developing probabilistic decentralized thinking through role-playing activities. Journal of Learning Science, 7(2),153-172.
  69. Samarapungavan, A., & Wiers, R. W. (1997). Children’s thoughts on the origin of species: A study of explanatory coherence. Cognitive Science, 21(2), 147-177.
  70. Sawyer, R. K. (2005).Social emergence: Societies as complex systems. New York, NY: Cambridge University Press.
  71. Sengupta, P., & Wilensky, U. (2009). Learning electricity with NIELS: Thinking with electrons and thinking in levels. International Journal of Computers for Mathematical Learning, 14(1), 21-50.
  72. Stieff, M., & Wilensky, U. (2003). Connected chemistry: Incorporating interactive simulations into the chemistry classroom. Journal of Science Education and Technology,12(3), 285-302.
  73. Vermeer, W., Hjorth, A., Jenness, S. M., Brown, C. H., & Wilensky, U. (2020). Leveraging modularity during replication of high-fidelity models: Lessons from replicating an agent-based model for HIV prevention. Journal of Artificial Societies and Social Simulation, 23(4), Article 7. doi:10.18564/jasss.4352
  74. Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of “small-world” networks. Nature,393, 440-442.
  75. West, J. J., & Dowlatabadi, H. (1999). On assessing the economic impacts of sea-level rise on developed coasts. In T. E. Downing, A. A. Olsthoorn, & R. S. J. Tol (Eds.),Climate change and risk (pp. 205-220). New York, NY: Routledge.
  76. Wilensky, U. (1997). StarLogoT. Evanston, IL: Center for Connected Learning and Computer Based Modeling, Northwestern University. Retrieved from ccl.northwestern.edu/cm
  77. Wilensky, U. (1999). NetLogo. Evanston, IL: Center for Connected Learning and Computer-Based Modeling. Northwestern University. Retrieved from ccl.northwestern.edu/netlogo
  78. Wilensky, U. (2001). Modeling nature’s emergent patterns with multi-agent languages. Paper presented at the EuroLogo 2001 conference, Linz, Austria.
  79. Wilensky, U. (2003). Statistical mechanics for secondary school: The GasLab modeling toolkit. International Journal of Computers for Mathematical Learning, 8(1), 1-41.
  80. Wilensky, U. (2020). Restructurations: Reformulating knowledge domains through new representational infrastructure. In N. Holbert, M. Berland, & Y. Kafai (Eds.), Designing constructionist futures: The art, theory, and practice of learning designs(pp. 287-300). Cambridge, MA: MIT Press.
  81. Wilensky, U., Hazzard, E., & Longenecker, S. (2000). A bale of turtles: A case study of a middle school science class studying complexity using StarLogoT. Paper presented at the meeting of the Spencer Foundation, New York, October 11-13, 2000.
  82. Wilensky, U., & Novak, M. (2010). Teaching and learning evolution as an emergent process: Learning with agent-based models of evolutionary dynamics. In R. S. Taylor & M. Ferrari (Eds.), Epistemology and science education: Understanding the evolution vs. intelligent design controversy (pp. 213-242). New York, NY: Routledge.
  83. Wilensky, U., & Papert, S. (2010). Restructurations: Reformulations of knowledge disciplines through new representational forms. In J. Clayson & I. Kalas (Eds.), Proceedings for Constructionism 2010 (p. 97). Paris, France.
  84. Wilensky, U., & Rand, W. (2015). An introduction to agent-based modeling: Modeling natural, social, and engineered complex systems with NetLogo. Cambridge, MA: MIT Press.
  85. Wilensky, U., & Reisman, K. (2006). Thinking like a wolf, a sheep, or a firefly: Learning biology through constructing and testing computational theories. Cognition and Instruction, 24(2), 171-209.
  86. Wilensky, U., & Resnick, M. (1999). Thinking in levels: A dynamic systems perspective to making sense of the world. Journal of Science Education and Technology, 8(1), 3-19.
  87. Wilensky, U., & Stroup, W. (2000). Networked gridlock: Students enacting complex dynamic phenomena with the HubNet architecture. In B. Fishman & S. O’Connor-Divelbiss (Eds.), Fourth International Conference of the Learning Sciences (pp. 282-289). Mahwah, NJ: Lawrence Erlbaum Associates.
  88. Wilkerson-Jerde, M. H., & Wilensky, U. (2015). Patterns, probabilities, and people: Making sense of quantitative change in complex systems. Journal of the Learning Sciences, 24(2), 204-251. doi:10.1080/10508406.2014.976647
  89. Wolfram, S. (2002). A new kind of science. Champaign, IL: Wolfram Media.
  90. Yoon, S. A. (2008). An evolutionary approach to harnessing complex systems thinking in the science and technology classroom. International Journal of Science Education, 30(1), 1-32.
  91. Yoon, S. A., Anderson, E., Klopfer, E., et al. (2016). Designing computer-supported complex systems curricula for the Next Generation Science Standards in high school science classrooms. Systems, 4(38).
  92. Yoon, S. A., Goh, S.-E., & Park, M. (2018). Teaching and learning about complex systems in K-12 science education: A review of empirical studies 1995-2015. Review of Educational Research, 88(2), 285-325.

（参考文献可上下滑动查看）



复杂管理学读书会第三季启动


集智俱乐部「复杂管理学读书会第三季」邀请同济大学组织仿真中心主任陆云波，东华大学教授荣智海，以及产业界复杂科学推动者、树兰医疗集团总裁郑杰，北大纵横合伙人陈雁鸿共同发起。新的一季读书会聚焦在自组织、多主体模拟、创新型管理、网络等方向，分享复杂系统管理领域的前沿理论、经典科普图书，旨在促进学术交流、知识分享以及跨领域合作，共同探讨复杂科学理论在复杂系统管理场景的应用、实践与展望，一起应对复杂多变的人类发展未来。这是集智俱乐部的第一个全国性线下读书会，从2024年4月20日开始，每周六下午3:00-5:00，预计持续10~12周，期待您的积极参与，和我们一起知行合一，践行理想！



详情请见：
复杂管理学读书会第三季启动：构建生态型组织，打破生长天花板




推荐阅读

1. 《复杂》：从美国圣塔菲到中国的复杂性研究 | 集智团队全新译作
2. 学习的“知识之碗”模型——一个让中小学生能懂会用的学习模型  
3. 《解困之道》：如何改进教育系统，以适应复杂世界？
4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程
5. 龙年大运起，学习正当时！解锁集智全站内容，开启新年学习计划
6. 加入集智，一起复杂！



点击“阅读原文”，报名读书会