關(guān)于心理學(xué)加強(qiáng)智能課程教學(xué)的實(shí)踐思考

費(fèi)定舟

摘 要：針對(duì)目前國(guó)內(nèi)心理學(xué)界關(guān)于心理學(xué)教學(xué)中要不要開(kāi)設(shè)深度學(xué)習(xí)課程的爭(zhēng)論，分析深度學(xué)習(xí)課程開(kāi)設(shè)的必要性，從腦電EEG信號(hào)處理到語(yǔ)音系統(tǒng)分析等教學(xué)和研究領(lǐng)域的發(fā)展現(xiàn)狀入手，論證深度學(xué)習(xí)已介入心理學(xué)很深，而且心理學(xué)研究和深度學(xué)習(xí)有著共同的目標(biāo)：理解人類(lèi)大腦的認(rèn)知規(guī)律。針對(duì)心理學(xué)界開(kāi)設(shè)深度學(xué)習(xí)課程所遇到的困難和教學(xué)實(shí)踐，提出邊做邊學(xué)的教學(xué)策略。

關(guān)鍵詞：人工智能；深度學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)；語(yǔ)音識(shí)別；腦電EEG

0 引 言

在心理學(xué)中，開(kāi)設(shè)人工智能等課程已經(jīng)成為心理學(xué)界的共識(shí)。在美國(guó)心理學(xué)界，開(kāi)設(shè)人工智能課程，像知識(shí)表達(dá)與推理、啟發(fā)式搜索、概率推理模型的院校比比皆是。在國(guó)內(nèi)，即使不冠上智能科學(xué)的名稱(chēng)，心理學(xué)有很多課程也與人工智能有關(guān)，如認(rèn)知心理學(xué)中智能理論（IQ測(cè)量）、知識(shí)表征理論、人機(jī)交互的認(rèn)知模型等。國(guó)內(nèi)心理學(xué)課程涉及的上述內(nèi)容大多只是這些理論在心理學(xué)中的應(yīng)用，點(diǎn)到為止，但在實(shí)踐中，心理學(xué)有了解這些有一定難度的知識(shí)的需求。因此，在心理學(xué)中開(kāi)設(shè)與智能科學(xué)相關(guān)課程要開(kāi)到什么程度是一個(gè)亟須澄清的問(wèn)題。另外，在很多心理學(xué)界之外的人看來(lái)，國(guó)內(nèi)開(kāi)設(shè)深度學(xué)習(xí)課程的高校并不多，一般多在計(jì)算機(jī)或信息類(lèi)專(zhuān)業(yè)的本科高年級(jí)開(kāi)設(shè)，心理學(xué)系開(kāi)設(shè)這門(mén)課程讓人疑惑。但是從人工智能發(fā)展的歷史和源頭來(lái)看，從心理學(xué)研究的對(duì)象和方法的演變來(lái)看，正是心理學(xué)提供了人工智能研究的概念源頭和原型，人工智能的深度學(xué)習(xí)來(lái)自于心理學(xué)家的研究工作。另外，心理學(xué)也同人工智能一樣使用統(tǒng)計(jì)模型和算法，只不過(guò)是以心理學(xué)特有的表述方式使用，而且，人工智能的算法和模型已經(jīng)滲透到心理學(xué)研究和教學(xué)中。

1 開(kāi)設(shè)深度學(xué)習(xí)課程的必要性

1）深度學(xué)習(xí)來(lái)源于心理學(xué)。

像人工智能一樣，深度學(xué)習(xí)的源頭來(lái)自心理學(xué)。深度學(xué)習(xí)是人類(lèi)大腦工作機(jī)制的一種模型，來(lái)源于神經(jīng)網(wǎng)絡(luò)，而神經(jīng)網(wǎng)絡(luò)的靈感來(lái)自于心理學(xué)中的大腦的神經(jīng)元模型，人工智能和深度學(xué)習(xí)兩者有著共同的源頭。Yoshua Bengio 解釋了為什么復(fù)雜神經(jīng)網(wǎng)絡(luò)是人們長(zhǎng)久以來(lái)一直追求的真正人工智能的關(guān)鍵[1]，要讓計(jì)算機(jī)像人類(lèi)一樣聰明，就應(yīng)該依照人腦的工作方式給計(jì)算機(jī)編程。

2）腦科學(xué)深化的必然選擇。

從目前的發(fā)展趨勢(shì)來(lái)看，深度學(xué)習(xí)的介入對(duì)腦科學(xué)的深化是必不可少的。腦電信號(hào)（EEG）是在人的頭部的一定部位放置8～16個(gè)電極，經(jīng)腦電儀將人的腦皮層的生物電活動(dòng)（在外在刺激下）放大并連續(xù)表示的圖形。人的大腦在正常情況下，腦電圖有一定的規(guī)律可循，當(dāng)腦部尤其是皮層有病變時(shí)，規(guī)律會(huì)發(fā)生不同程度的變化，即波形異于平常，而對(duì)其波形進(jìn)行分析，可輔助臨床對(duì)腦部疾病、人類(lèi)認(rèn)知活動(dòng)進(jìn)行診斷。但是這些信號(hào)很容易受大腦皮層的干擾以及其他噪聲的作用，所以極易變形。以有關(guān)計(jì)算機(jī)科學(xué)家在恢復(fù)信號(hào)方面用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)檢測(cè)P300的信號(hào)（見(jiàn)圖1）為例，這些P300信號(hào)的可靠性備受心理學(xué)界的關(guān)心，但是很多心理學(xué)研究人員的主觀判斷導(dǎo)致這些實(shí)驗(yàn)結(jié)果的客觀性受到質(zhì)疑。檢測(cè)單次刺激P300信號(hào)（即不經(jīng)過(guò)疊加平均）、在疊加了背景腦電和噪聲的信號(hào)中正確識(shí)別出P300波形等問(wèn)題依然有待研究，但是卷積神經(jīng)網(wǎng)絡(luò)對(duì)分析P300信號(hào)有不錯(cuò)的效果[2]，在語(yǔ)音識(shí)別和圖像處理方面也有其他模型無(wú)可替代的精度優(yōu)勢(shì)。

2 開(kāi)設(shè)深度學(xué)習(xí)課程的可行性

1）語(yǔ)音識(shí)別系統(tǒng)的成功實(shí)踐。

在語(yǔ)音識(shí)別系統(tǒng)方面，深度學(xué)習(xí)取得了極大的成功。理論上，神經(jīng)網(wǎng)絡(luò)可以擬合任何函數(shù)，在一定程度上甚至可以模擬人腦的思維過(guò)程，但是這一切都建立在神經(jīng)網(wǎng)絡(luò)必須足夠深足夠大的基礎(chǔ)上。但是，當(dāng)網(wǎng)絡(luò)層數(shù)太多了之后，訓(xùn)練就難以收斂或者只能收斂到一個(gè)次優(yōu)的局部最優(yōu)解，性能反而還不如一兩層的淺模型。作為心理學(xué)家的Hinton在Science發(fā)表的“Reducing the dimensionality of data with neural networks”[3]一文中提出了利用RBM預(yù)訓(xùn)練的方法，即用特定結(jié)構(gòu)將網(wǎng)絡(luò)先初始化到一個(gè)差不多“好”的程度，再回到傳統(tǒng)的訓(xùn)練方法（反向傳播BP），這樣得到的深度網(wǎng)絡(luò)似乎就能達(dá)到一個(gè)不錯(cuò)的結(jié)果，從一定程度上解決了之前網(wǎng)絡(luò)“深不了”的問(wèn)題。

在這個(gè)框架下，深度學(xué)習(xí)重新得到了人們的重視，讓神經(jīng)網(wǎng)絡(luò)有了前所未有的“更深”的可能。心理學(xué)要想跟上時(shí)代，研究人腦的功能，必須重視深度學(xué)習(xí)，借助語(yǔ)音分析系統(tǒng)和EEG、ERP這類(lèi)心理學(xué)實(shí)驗(yàn)儀器設(shè)備實(shí)現(xiàn)心理學(xué)的終極目標(biāo)。

2）圖像識(shí)別的成功應(yīng)用。

深度學(xué)習(xí)應(yīng)用于圖像識(shí)別的任務(wù)取得了成功[4]。眾所周知，深度學(xué)習(xí)的目標(biāo)是模仿人類(lèi)神經(jīng)網(wǎng)絡(luò)感知外部世界的方法。如果把人想象成計(jì)算機(jī)，那么語(yǔ)音和圖像就是最主要的input形式（文本或者自然語(yǔ)言處理也是input）[5]，既然人能夠很好地識(shí)別圖像和語(yǔ)音，那么這個(gè)試圖模仿人類(lèi)大腦的深度學(xué)習(xí)算法也自然能像人一樣聽(tīng)清語(yǔ)音、看清圖片。以心理學(xué)家借助Deepmind進(jìn)行的心理學(xué)實(shí)驗(yàn)為例，采用經(jīng)典形狀偏好的實(shí)驗(yàn)方式，首先，給深度神經(jīng)網(wǎng)絡(luò)提供3種物體圖像，即探測(cè)物體、形狀匹配物體（與探測(cè)目標(biāo)形狀相同，顏色不同）和顏色匹配物體（與探測(cè)物體形狀不同，顏色相同）；然后，定義偏好，即將探測(cè)圖像的標(biāo)簽分配為形狀匹配圖像的標(biāo)簽而不是顏色匹配圖像標(biāo)簽所出現(xiàn)的比率；接著，使用深度神經(jīng)網(wǎng)絡(luò)，即匹配網(wǎng)絡(luò)和 Inception 基準(zhǔn)模型完成這次實(shí)驗(yàn)。通過(guò)研究樣本分類(lèi)辨別分類(lèi)的結(jié)果（標(biāo)簽分類(lèi)）與兒童的物體識(shí)別偏好是否一致，或者說(shuō)深度學(xué)習(xí)是否有發(fā)現(xiàn)機(jī)制的能力。實(shí)驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)像人類(lèi)一樣更傾向于物體形體而不是顏色或紋理來(lái)形成物體概念，所以它們有著“形狀偏好”。認(rèn)知心理學(xué)和兒童發(fā)展心理學(xué)通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)兒童對(duì)物體的識(shí)別（概念形成）有一些偏好，例如偏好識(shí)別整個(gè)物體而不是部分、通過(guò)形狀識(shí)別物體而不是通過(guò)顏色和紋理。實(shí)驗(yàn)結(jié)果的對(duì)比表明，深度學(xué)習(xí)已經(jīng)可以在圖像識(shí)別方面有效運(yùn)用，為深度課程的開(kāi)展提供了有利條件。endprint

3 困難及解決措施

3.1 困 難

在心理學(xué)系開(kāi)設(shè)人工智能課程的實(shí)踐表明，同學(xué)們對(duì)這門(mén)課的興趣是很濃厚的，但是也存在畏難情緒，主要原因是對(duì)于課程里包含的很多基礎(chǔ)知識(shí)，如線性代數(shù)、概率論與數(shù)理統(tǒng)計(jì)等了解不多，盡管心理學(xué)用到很多統(tǒng)計(jì)學(xué)的知識(shí)，但是通常只要求會(huì)操作統(tǒng)計(jì)程序軟件即可，算法方面的知識(shí)也是缺乏的。

3.2 解決措施

1）運(yùn)用邊做邊學(xué)的教學(xué)策略。

邊做邊學(xué)的教學(xué)策略是基于學(xué)生的實(shí)際情況提出的，具體的做法是：讓學(xué)生先學(xué)會(huì)操作流程，培養(yǎng)感性知識(shí)，緩解畏難情緒。這一點(diǎn)與學(xué)習(xí)統(tǒng)計(jì)學(xué)課程的方法相似，在對(duì)統(tǒng)計(jì)學(xué)知之不多的情景下，先學(xué)會(huì)軟件的操作流程，培養(yǎng)感性認(rèn)識(shí)，再結(jié)合具體例子，了解統(tǒng)計(jì)學(xué)的知識(shí)。在實(shí)踐的同時(shí)利用相關(guān)課程，如認(rèn)知心理學(xué)課程來(lái)講解人機(jī)交互技術(shù)，把語(yǔ)音處理的深度學(xué)習(xí)原理也包括進(jìn)來(lái)[6]。

2）利用MOOC等網(wǎng)絡(luò)平臺(tái)的課程自學(xué)。

MOOC等網(wǎng)絡(luò)平臺(tái)為學(xué)生自學(xué)某些課程提供了極大的便利，學(xué)生可以根據(jù)自己的實(shí)際情況有針對(duì)性地學(xué)習(xí)相關(guān)課程。如果學(xué)過(guò)線性代數(shù)、微積分、概率論和編程，可以考慮從斯坦福大學(xué)的相關(guān)課程開(kāi)始。這門(mén)課內(nèi)容廣泛，每次課的幻燈片都可以下載，雖然官方網(wǎng)站刪除了配套的視頻，但是很容易就能在網(wǎng)上搜索到。如果沒(méi)有學(xué)過(guò)那些數(shù)學(xué)課，網(wǎng)上也有很多免費(fèi)的學(xué)習(xí)材料可以用來(lái)學(xué)習(xí)必要的數(shù)學(xué)知識(shí)，Gilbert Stange的線性代數(shù)課程很適合入門(mén)。對(duì)于其他科目，edX上有MIT的微積分和概率論課程。如果想學(xué)習(xí)更多關(guān)于機(jī)器學(xué)習(xí)的東西，Andrew Ng在Coursera上的機(jī)器學(xué)習(xí)課程是大多數(shù)人的入門(mén)選擇。除此之外，Yaser Abu-Mostafa的機(jī)器學(xué)習(xí)課程更關(guān)注理論，也很適合初學(xué)者。

4 結(jié) 語(yǔ)

心理學(xué)開(kāi)設(shè)與智能科學(xué)相關(guān)的課程成為心理學(xué)界的共識(shí)，但是講授什么樣深度的課程是對(duì)教學(xué)方法的考驗(yàn)。心理學(xué)與人工智能共同的研究目標(biāo)決定了在心理學(xué)系開(kāi)設(shè)深度學(xué)習(xí)課程的必要，實(shí)踐教學(xué)的探索有成功也有不足之處，在教學(xué)上雖然有難度但也是可行的。智能課程在心理學(xué)教學(xué)中的發(fā)展還需要在實(shí)踐中不斷改進(jìn)和完善。

參考文獻(xiàn)：

[1] Bengio Y. Learning Deep Architectures for AI[J]. Foundations and Trends in Machine Learning， 2009， 2 （1）： 1–127.

[2] Cecotti H ，Graser A.Convolutional Neural Networks for P300 Detection with Application to Brain-Computer Interfaces[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2011， l33（3）： 433-448.

[3] Hinton G， Srivastava N， Krizhevsky A， et al. Improving neural networks by preventing co-adaptation of feature detectors[J]. Computer Science， 2012， 3（4）： 212-223.

[4] Collobert R， Weston J， Bottou L. Natural Language Processing （Almost） from Scratch[J].Journal of Machine Learning Research， 2011： 2493-2537.

[5] He K， Zhang X， Ren S.Deep Residual Learning for Image Recognition[J]. Clinical Orthopaedics and Related Research， 2014： 770-778.

[6] 張毅. 語(yǔ)音處理及人機(jī)交互技術(shù)[C]. 北京： 科學(xué)出版社， 2016.

（實(shí)習(xí)編輯：景貴英）endprint