如何保护孩子强大的学习能力

 David   2018-06-30 09:39   513 人阅读  0 条评论

机器人、大人、小孩,谁的推理更强?

人工智能话题现在非常火爆,似乎AI正在掌管我们生活中的方方面面。开始今天的话题之前,我想请你幻想一个场景,有三个人都想当侦探,一个机器人、一个大人和一个3岁小孩。

他们打算从三个嫌疑犯中找出谁是偷名画的江洋大盗,嫌疑犯分别是:惯犯、混混和管理员。案发现场还发现了江洋大盗漏掉的一只手套。你觉得谁会找到真凶,成为下一个福尔摩斯?

答案可能让你吃惊,3岁的孩子可能赢。

|成人的主观估算,经常存在误差

当侦探做推理的时候,他首先要对嫌疑人偷画的可能性进行一个判断,也叫预估事情的先验概率,比如估计出惯犯有80%的几率偷画、混混有50%的几率偷画、管理员有10%的几率偷画。

发现手套后,他们要估计嫌疑人犯案漏掉手套的可能性,这叫事情的条件概率,比如估算出作案的时候,惯犯漏掉手套的概率是10%、混混是40%、管理员是60%。

这个问题咋看之下考验的是推理能力,背后隐藏的却是概率问题。

实际上,这道题确实要用到数学概率公式,侦探需要算出来,在这三个嫌疑人中,已知每个人偷画的先验概率,然后根据“在现场发现手套”这个条件,调整我们的先验概率,算出三个嫌疑犯最终可能犯案的概率,也叫后验概率。后验概率等于先验概率乘以调整因子,这个公式就是概率论中经典的贝叶斯定理。

当然,我们大部分人不会像数学家一样套用公式算贝叶斯概率,但当我们做直觉推理的时候,我们在快速地对事情作出主观的贝叶斯概率估计。

可惜,成人的主观估算经常有误差。比如很多人会被事情的先验概率所迷惑,他们根据自己的经验认定惯犯最可能偷盗,也就无法灵活地根据新证据调整自己的假设。其实就算惯犯最可能犯案(80%),也不太可能会犯遗漏手套这种低级错误(10%)。

还有的人非常重视后验概率,他们发现只有管理员最可能漏掉手套(60%),便认定管理员是盗贼,但是他们忘记了管理员有很低的先验概率去做盗贼(10%)。听起来会不会觉得这些大人挺笨?其实我们在生活中,无时不刻存在着这种偏见、歧视。

你想想你有没有看到女司机就觉得她是马路杀手呢?

|机器人无法对新处境进行判断

你可能觉得,那还是机器人有优势,它可以最准确地算出概率来。

我们都知道计算机有巨大的数据搜集能力,现在很火的人工智能深度学习,就是用计算机模拟人工的神经元网络,给计算机灌输海量数据,让它们通过数据学习,训练出识别能力,比如机器识图、下棋等。

假设机器人的数据库里储存了全世界所有偷名画的罪犯的资料,它就可能从过去的事件中出推导出最有可能犯罪的嫌疑人。

但是,机器人很难结合不同的信息来源,对它们从来没有经历过的、未来的事情作预测。

除了机器人,很多生物也能做到根据事情在过去发生的频率,预测未来。但对新处境作出一次性判断只有人类能做到。人们可以从一个例子中成功地概括出新概念,机器学习算法通常需要数十或数百个例子才能执行出类似的准确性。

在机器人的数据库里,偷名画并且还留下一只手套的犯罪者的样本太少了,它无法从稀释成这样的数据中学习。

|宝宝是天生的学习机器

那3岁的孩子呢?

你可能不会相信,但越来越多的研究表明,孩子非常擅长在抽象概念的引导下,用创造性的方式做判断。也就是说,孩子可以摆脱机器人的限制,对事情做出假设。

为什么会这样呢?这种能力可能是天生的。宝宝一出生就需要积极地探索周围的世界,并结合不同来源的信息来学习。同时,他会产生大量随机假设,来应对更加复杂的世界,如果预测失败,他还会像科学家一样测试、调整自己的假设,再次做出更合理的预测。这种运算量之大,远远超出了我们所知道的任何机器的容量。

你可能会觉得,就算赢了机器人,孩子也赢不了成人。你可能觉得,成人的贝叶斯概率估算常出问题,更何况是思维不理性的孩子呢?

确实,在过去,甚至连著名的儿童心理学家皮亚杰都认为,小孩的思维是非理性的、不合逻辑的。可是,过去十年的理论和实证研究已经显示,孩子的学习和思维方式跟科学的学习和思维方式非常相似,他们也会用到科学的基本归纳;他们也会用到概率模型和贝叶斯推理的学习方法。

我们提过一个研究儿童认知和人工智能的心理学家——高普尼克教授。她发现,孩子可以对抽象的因果关系做出惊人的准确推断,他们对新鲜事物的接受和学习能力甚至比成年人还要高。

成年人很可能很容易因为旧的经验,对事情产生偏见,孩子却能很快接受新观点,把他们整合到原有的概念中去。我们暂时还不知道这些机制是怎么安装到孩子的小脑袋里的,高普尼克教授都说,孩子是“理性和非理性、系统和随机的结合体”。

看来,在这场推理大赛中,孩子最终会以惊人的预测能力和准确的判断力,战胜大人和机器人。当然,这场比赛是我编的,实际上可能并不可行。不过,孩子的这种惊人的学习能力是确实存在的。科学家已经开始从孩子的学习机制里面得到启发,设计出能使用小样本推理的人工智能,让机器人可以像婴儿学习一样,从比较小的样本量中也能概括出新概念。

人工智能与时俱进,它们是越来越强大了。孩子早期的经验是非常重要的,我们本来应该保护这些天生的学习者,但是一些结构化、系统化的教育方法,却可能误导了孩子。

如何保护孩子强大的学习能力?我给你三条建议。

1.保持开放,少给结构性建议

什么叫做结构性建议?比如,拿到一个火车模型,直接告诉孩子该怎么玩,却不给孩子拆开火车、看看里面零件的机会。又比如,让孩子做数学题的时候,直接要求孩子套用公式,用最快的速度算出答案,却不让孩子花时间,想想另外一种解题思路。

再比如,给孩子读绘本的时候,过早地对绘本里面的人物和事情下论断,比如巫婆就是“坏人”,白雪公主就是“好人”。这些结构性建议就等于过度强化了先验概念,完全不给其他的假设一点空间。

如果你想要孩子变成更强的学习机器,首先要注意保持开放性。把玩具给他们的时候,就鼓励他们多去探索、创造出不同的可能;让孩子解题的时候,多问他们“你还有没有更好的方法?”跟他们讨论一件事的时候,不要把话说死,给各种假设都留一些空间。

2.多带孩子接触不同类型的信息

孩子能够解决贝叶斯推理问题,因为他们的推理依赖于从周围获得大量新证据。孩子从观察中学习,他们大量地看、听别人的信息,如果可以给孩子提供多样的观点、不同的信息,他们样本库的概率分布就越合理。

所以,随着孩子生活经验越来越丰富,你要多带孩子接触不同类型的信息。比如给他提供开放性更强的玩具,比如积木、画纸;带他多出去看看,让他理解世界上存在着不同的人和不同的文化;给孩子读读百科全书等科学书籍。

这样做一是为了激发孩子的探索欲望,二是帮助孩子把更多可能性纳入到他们的知识库中,他们对世界的判断会更准确,解决问题的能力也更强。

Study_Practice.jpg

3.跳出自身环境,寻找人生导师

有一项历时十七年的跟踪研究,要求数百名女性列举生活中最影响她们的人。大部分人像你和我一样,选择了父母和导师。

十七年后,研究人员找到这群人中最敢于作出变革、追求创新的女性,发现她们中只有1%的人认为,影响她们改变的动力来自父母,有17%的人认为来自导师。

所以,如果你想鼓励孩子形成创新精神,最好的方法不是让他向你学习,而是鼓励孩子跳出自身环境的限制,跟他介绍各种不同类型的榜样,这样才能快速提升他的志向。

如何找人生导师呢?你可以跟孩子讲一些历史上的伟人和科学家的创新故事,比如介绍伽利略如何用比萨斜塔的铁球实验推翻了旧学说;讲讲爱迪生发明电灯泡的故事;或者给孩子念一念马丁·路德·金的演讲稿。

我也经常跟我女儿讲一讲居里夫人等女性科学家的故事,减少女性刻板印象对孩子的影响。

其实,除了讲历史,虚拟的童话故事一样可以起到榜样的作用。只要这个人物是孩子喜欢,有动力去模仿的,都可以。比如,与其干巴巴地跟孩子讲科学家,我会跟她读一读她喜欢的《花木兰》的绘本,演一演花木兰女扮男装,替父从军的故事。

孩子是天生的学习机器,他们既可以基于概率,对未来做出假设,也有能力根据新的证据,调整他们的判断。但是,这种学习能力可能会随着经验的增长而减弱。想要保护孩子的创新学习能力,我们要:

  1. 少给孩子结构性建议,尽量减少先验经验造成的偏见;

  2. 让孩子接触多样的信息,他们脑中的概率分布图才会更加合理;

  3. 运用榜样的力量,引导孩子向好的样本学习。

本文地址:http://learning-revolution.cn/?id=33
版权声明:本文为原创文章,版权归 David 所有,欢迎分享本文,转载请保留出处!

 发表评论


表情

还没有留言,还不快点抢沙发?