一种新的学徒学习模式——对认知学徒学习的评介

学徒学习模式在人类历史发展的大多数时期都发挥着重要作用,随着教育普及程度的提高,传统的学徒学习模式(traditional apprenticeship)逐渐显露出不足。认知学徒学习(CA,cognitive apprenticeship)作为TA的新发展应运而生,它主要对内容、方法、序列化因素和社会学影响四个方面进行研究,这四个方面可以构成任一完整的学习环境。CA主要有以下几个优势:情境化学习是实现良好学习效果的有效方式;基于计算机技术的脚手架可以支持更为深入的学习;反思的重要作用是总结和改进已有的学习表现。

回报函数学习的学徒学习综述

通过研究基于回报函数学习的学徒学习的发展历史和目前的主要工作,概述了基于回报函数学习的学徒学习方法.分别在回报函数为线性和非线性条件下讨论,并且在线性条件下比较了2类方法——基于逆向增强学习(IRL)和最大化边际规划(MMP)的学徒学习.前者有较为快速的近似算法,但对于演示的最优性作了较强的假设;后者形式上更易于扩展,但计算量大.最后,提出了该领域现在还存在的问题和未来的研究方向,如把学徒学习应用于POMDP环境下,用PBVI等近似算法或者通过PCA等降维方法对数据进行学习特征的提取,从而减少高维度带来的大计算量问题.

基于回报函数逼近的学徒学习综述

回顾了基于回报函数逼近的学徒学习的发展历史,介绍了目前的主要工作,总结了学徒学习的一般方法,讨论了线性和非线性假设条件下的回报函数求解,比较了逆向增强学习(IRL)和边际最大化(MMP)两类逼近方法.基于IRL的学徒学习是一种通过迭代的方法用基回报函数的线性组合来逼近真实回报函数的过程.MMP方法可以看作是一类基于梯度下降的最优化方法.综合采用滤波及将策略函数概率化等方法可以降低对专家演示的最优要求.最后指出了该领域存在的问题,提出了未来的研究方向,如在部分可观察马尔可夫决策过程框架下的学徒学习及对不确定策略的学习等.

建构主义学习环境:意义·模式

学习环境是指学习者可以在其中进行自由探索和自主学习的场所。当前,国外主要有四种流行的建构主义学习环境模式,这便是学徒式学习环境模式、在知识建构团体中学习的环境模式、注重交流与意义协商的学习环境模式以及使用认知工具的学习环境模式。

舰载机出动回收调度策略生成方法

为了提高航母舰载机的出动回收能力,从提高出动回收调度过程的自动化程度入手,采用了最初在机器人导航和控制领域提出的学徒学习理论来解决调度优化问题.通过建立基于马尔科夫决策过程的舰载机出动回收过程仿真模型,以专家的示范调度操作为学习目标,采用学徒学习理论中的乘法权重法构建出动回收调度方法,并根据舰载机在集中出动和连续出动这两种典型调度工况下的具体算例研究,将得到的结果与专家示范操作结果进行对比,认为该方法具有较好的优化效果和较高的实用性.

英国《学徒制、技能、儿童和学习法案》述评

《学徒制、技能、儿童和学习法案》是英国近年来最为重要的职业教育法案。本文介绍了法案的出台背景;分析了法案的基本框架;并从对学徒制重要文档的规范、职业教育行政管理体系的变化、考试与资格制度的调整以及对员工离职培训的规范四个方面陈述了法案的主要内容;最后分别点评了法案的积极意义及其不足之处。