國外近十年深度學習實證研究綜述

沈霞娟 張寶輝 曾寧

[摘? ?要] 為厘清國外教育領域深度學習的研究進展，選取Web of Science、Springer、ScienceDirect等數據庫的85篇文獻（2008—2018年），依據實證研究的核心要素建立編碼體系進行內容分析。結果表明：（1）研究主題集中在深度學習策略、方式和評價三個方面;（2）比格斯、馬頓&塞爾喬、恩特威斯爾&拉姆斯頓提出的深度學習概念框架得到較多認可;（3）深度學習在各類學科情境中廣泛應用，但研究對象多為大學生;（4）實證研究數據呈現以量化分析為主、質性分析為輔的特征，混合分析日益得到重視;（5）自我報告量表、編碼標準、條件化測量、眼動追蹤是深度學習的主要測量方法;（6）深度學習的有效性突出表現在學業成績、知識理解、學習體驗、思維與能力發展等方面。

[關鍵詞] 深度學習; 實證研究; 文獻綜述; 研究主題; 研究方法; 研究情境

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 沈霞娟（1982—），女，河南商丘人。講師，博士研究生，主要從事學習科學、教育信息資源等方面的研究。E-mail：shenxiajuan2009@163.com。張寶輝為通訊作者，E-mail：baohui.zhang@snnu.edu.cn。

[Abstract] In order to clarify the research progress of deep learning in education abroad ， 85 papers are selected from Web of Science， Springer， ScienceDirect and other databases （2008-2018）. Then a coding system is established based on the core elements of empirical research for content analysis.The results indicate that： （1） the research themes mainly focus on three aspects of deep learning strategies， approaches and evaluation; （2） The conceptual frameworks of deep learning proposed by Biggs， Marton & Saljo and Entwistle are widely recognized; （3） Deep learning is closely used in various subject contexts， but the research objects are mostly college students; （4） Research data is mainly analyzed by quantitative methods ， which is supplemented by qualitative methods， while mixed analysis is increasingly valued; （5） Self-report scale， coding standard， conditional measurement and eye movement tracking are the main measuring methods of deep learning; （6） The effectiveness of deep learning is highlighted in academic performance， knowledge understanding， learning experience， the development of thinking and competence.

[Keywords] Deep Learning; Empirical Study; Literature Review; Research Themes; Research Method; Research Context

一、研究背景

面對知識更迭速度的加快，以及經濟全球化、信息化帶來的發展挑戰，人們開始對學生的學習方式和質量進行深入反思。在基礎教育領域，世界各國紛紛通過頒布核心素養的方式提升學習目標。觀察這些核心素養的內容與結構，不難發現，為了成為合格的21世紀公民，學習者不僅要牢固掌握學科知識，還要學會學習，具有良好的問題解決、高階思維、自主學習和實踐能力。因此，機械的、被動的、簡單記憶式的淺層學習已經無法滿足社會發展的需要。在高等教育領域，創新人才培養成為最核心的價值追求，歐洲的《博洛尼亞宣言》指出，“成功的高等教育應該給予學生參與深度學習的機會”[1];美國新媒體聯盟發布的《2017地平線報告（高等教育版）》認為，深度學習將成為未來5年以及更長時間內高等教育機構決策制定的重要影響因素[2]。

深度學習是技術領域和教育領域共同關注的熱點問題，但具體內涵差異較大。前者是指實現機器學習的高效技術，因人工神經網絡的隱層數量多而得名[3]，主要應用于圖像及語音識別、專項競賽等方面;后者是指以提升批判性思維、問題解決等高階能力為目標的有效學習方式，旨在提高學生的學習質量。自1976年馬頓（Marton）和塞爾喬（Saljo）根據信息加工方式的不同，明確提出教育領域中深度學習和淺層學習的概念以來，國外研究者開展了大量卓有成效的深度學習理論和實踐探索。其中，實證研究因提倡“用數據說話”而備受研究者、管理者和決策者的重視[4]。特別是近年來，隨著深度學習與學科課程的有機融合，以及深度學習測量工具的不斷完善，實證研究逐漸走向繁榮，呈現出研究主題豐富、方法多樣、數據翔實、過程嚴謹、情境廣泛的典型特征，積累了大量具有較高借鑒價值的研究文獻。

我國現有的深度學習綜述文獻，多采用知識圖譜分析方法，在表層呈現某類研究的樣本分布（國家、期刊、著者、機構等）、基本趨勢和研究熱點，較少針對研究的詳細內容與過程進行系統描述、歸類和分析，無法幫助讀者在操作層面上理解深度學習的教學設計、成功途徑和評價方法。因此，為了更好地推進深度學習在我國教育教學中的實踐應用，本文對國外近十年深度學習的實證研究文獻進行梳理和篩選，并依據實證研究的核心要素建立內容分析框架，進行多維度的分析解讀。

二、研究設計

（一）研究方法

采用內容分析法開展研究，即在一定的分析框架指導下，將文獻內容組織和集成到一定的主題、類別和代碼中形成客觀、系統的量化，并對量化結果進行分析、描述和推論[5]。該方法主要包括四個步驟：（1）依據研究問題選擇研究樣本，確定分析單位;（2）設計內容分析維度和類目編碼體系;（3）依據類目編碼體系對研究內容進行評判和歸類統計;（4）利用統計分析工具進行量化分析和描述，并通過推理得出結論。

（二）研究問題

本文希望通過內容分析厘清國外近十年深度學習實證研究的開展過程和重要發現，具體研究問題包括：深度學習實證研究的核心主題有哪些？研究情境是什么？遵循哪些概念框架？研究方法有何特征？如何對深度學習進行測量？取得了什么樣的研究結果？

（三）樣本選取

為有效獲取國外近十年深度學習的高質量實證研究文獻，在Web of Science、EBSCO ERIC、Elsevier ScienceDirect、Springer、Wiley五個主要的教育文獻數據庫中，以“deep learning”“deep approach”“deep processing”“deep strategy”“deep learner”為關鍵詞進行標題精確檢索，時間設定為2008年1月1日—2018年1月1日，共獲得345篇外文文獻。導入EndNote中進行文獻管理，通過自動和手動搜索，共找到全文文獻267篇。

根據研究目的，通過4個篩選條件對初步檢索到的全文文獻進行精煉：（1）研究領域必須是教育領域中的深度學習，而不是技術領域中的深度學習;（2）研究類型必須是實證研究，即每篇文章需要報告定量或質性數據的搜集、處理方法及分析結果;（3）研究過程必須包含明確的研究問題和清晰的研究結論;（4）研究語言和質量必須是同行評議的英文論文。

經過閱讀摘要和概覽全文，確定符合精煉條件的文獻共85篇，其中Web of Science 40篇，Springer 15篇， EBSCO ERIC子庫 16篇，Elsevier ScienceDirect 9篇，Wiley 5篇，進入下一步內容分析流程。

（四）內容分析編碼體系

為深入探析實證研究的開展過程，我們需要在明晰實證研究基本流程與核心要素的基礎上建立內容分析框架。丁斯莫爾和亞歷山大（Dinsmore & Alexander）提出，實證研究應包含概念界定、測量方式、學科情境、研究結果四個核心要素[6]。劉選認為，從操作框架來看，一項實證研究是由“真實問題—方法運用—數據分析—結論詮釋”構成的統一體[4]。因此，本文建立了包括研究主題、概念框架、研究情境、研究方法、測量方式、研究結果六個維度的內容分析編碼體系（見表1）。

（五）內容分析信度

本文以篇為單位開展內容分析，每篇文獻的具體內容從上述6個維度（共13個二級類目）進行統計分析，85篇文章共計需要完成1105次評判。為了保證內容分析的信度，三位作者共同制定內容分析框架，并多次交流對編碼的內涵理解。由第一作者（主評）和第三作者（輔評）分別完成所有文獻的全文閱讀和內容編碼，經過兩輪獨立評判后，編碼結果相互同意的類目數為927個。根據內容分析信度公式R=（n×K）/（1+（n-1）×K），平均相互同意度K=2M/（N1+N2），M是彼此同意的欄目數，N1是評判員A分析的類目總數，N2是評判員B分析的類目總數[5]，計算出平均相互同意度K是0.84，信度R為0.91。針對評判結果不一致的類目，進一步通過協商和咨詢第二作者（通信作者）的方式確定最終編碼。

三、數據分析結果

（一）深度學習研究主題

國外近十年深度學習實證研究的主題非常豐富，涉及深度學習方式、學習策略、學習過程、學習評價、學習資源、學習動機等六個方面。其中，最受關注的三大研究主題是深度學習策略（37.65%）、深度學習方式（32.49%）和深度學習評價（15.29%），說明國外研究者通過多視角對深度學習方式進行解讀，不斷探究如何促進深度學習的具體策略，并試圖對深度學習進行科學評價。但是，國外研究者對深度學習的發生過程（7.06%）、資源建設（4.71%）和動機激發（2.35%）關注不足，僅有極少量文獻開展了相關研究，這可能會制約深度學習在教育教學中的有效應用。

下面進一步對三大核心研究主題進行詳細闡述：

1. 深度學習方式

國外近十年的實證研究結果顯示，深度學習方式在不同概念框架下具有不同的內涵，其影響因素遠比我們想象的復雜，除人口統計學因素外，自我效能感、學習動機、學習投入、學習環境體驗等都可能對深度學習方式產生直接或間接影響，但哪些是主要影響因素尚有待后續研究進一步識別。珀斯塔瑞弗等（Postareff）通過訪談法，探究了不同學習環境中導致深度學習方式發生變化的因素，結果表明，相比較學習環境因素而言，學習時間和精力投入、學習興趣、課程預期目標、自我調節能力等個體因素能夠對深度學習方式的變化作出更好的解釋[6]。潘（Phan）為了揭示深度學習方式與個體因素間的復雜關系，設計了兩個調查研究，其中研究1為橫向調查，路徑分析揭示學業成就受深度學習方式、批判性思維的直接影響，目標取向和自我效能感通過深度學習策略和批判性思維對學業成就產生間接影響作用;研究2是縱向調查，時隔1年對同一群體2次采樣，路徑分析表明，掌握目標取向與自我效能感、掌握目標與批判性思維、深度學習方式與批判性思維呈現復雜的雙向互促關系[7]。

2. 深度學習策略

國外近十年深度學習的促進策略，主要體現在學習過程可視化、學習任務結構化和學習情境真實化等方面，并呈現出典型的技術支持特征。彭（Peng）等通過構建虛擬學習環境將復雜的編程過程可視化，結果表明，不僅提高了學生的學業表現、促進了學科知識的發展，而且有效激發了學生的內部學習動機[9];佩格勒姆等（Pegrum）通過恰切的結構化任務形式在課程中引入創造性播客，對比實驗結果表明，有效促進了知識的深度理解和有效保持[10];特納和巴斯克維爾（Turner & Baskerville）則設計了面向評價的學習任務、團隊協作、友好的師生關系、基于真實案例等綜合干預措施，結果表明，大部分學習者加深了對課程內容的理解并開展了有效的合作學習[11]。

3. 深度學習評價

評價對學習具有重要的導向與調控作用，如果教師采納的評價策略鼓勵學生變成批判性和創新性思考者，就會引發深度學習，反之，如果采納的評價策略強調背誦和記憶則可能導致淺層學習。國外近十年的實證研究表明，深度學習評價方式不斷多元化，非常重視過程性評價和表現性評價對深度學習的促進作用，評價內容主要包括核心知識掌握、內容理解、高階能力發展和學習體驗。格林等（Green）在經濟學課程評價中融入圖形化綜合口試測評，注重學科知識之間的相關聯系和實際應用，通過運用恰當的反例和邊緣案例，有效促進了學生對市場機制的深度理解[12];林奇（Lynch）在一門職前教師教育課程中引入自我評價和同伴評價及反饋系統，結果證明，該方法能夠鼓勵學生對自我和同伴的學習過程進行反思、評價和批判，有效提高了學習者的學業成績和批判性思維能力[13];達默等（Dummer）針對地理課中的實地考察教學，提出了一種創新、靈活的深度學習評價方法——反思性田野工作日記，結果表明，該方法能夠使教師了解學生的學習過程，增強學生的批判性自我反思和書面溝通技能[14]。

（二）深度學習概念框架

概念框架是確定深度學習實證研究整體思路的重要依據，不僅決定實證研究采用的測量方法，還影響對研究結果的具體解釋。從概念定義的清晰程度看，37.65%的研究明確給出了深度學習的概念定義（即明確型），36.47%的研究引用他人觀點作為深度學習內涵的界定依據（即代理型），另有25.88%的研究沒有提及深度學習的定義（即缺失型）。

深度學習的內涵比較豐富，涉及內部動機、信息加工、整合推理、問題解決等方面，尚未形成統一的概念框架。因此，本文進一步對深度學習的概念框架進行詞頻統計（見表2）。結果發現，被5個以上實證研究引用的概念框架主要是由馬頓&塞而喬（Marton & Saljo）、恩特威斯爾&拉姆斯頓（Entwistle & Ramsden）和比格斯（Biggs）提出的。

馬頓和塞爾喬（1976）最早提出了深度學習的基本內涵，其典型特征是追求對內容的理解和能夠將新知識與先前知識、經驗聯系在一起;而淺層學習則是單純的重復信息而沒有任何分析[15]。

恩特威斯爾和拉姆斯頓（1983）進一步將深度學習的內涵從單純的信息加工擴展為復雜的認知和元認知過程，指出深度學習不僅涉及觀點之間的有機聯系、模式/原則探尋、證據使用和邏輯論證，還包括學習者監測自己理解的發展;而淺層學習的目的僅僅是應對任務，將課程內容視為不相關的信息碎片，這將導致更加有限的學習過程，特別是死記硬背[16]。

比格斯（1987）進一步強調了深度學習是學習者個體與教學環境的交互方式，建立了教學過程3P（Presage-Process-Product）模型[17]，并通過實證方法驗證了深度學習方式的影響因素不僅包括個體因素，還包括大量的教學環境因素（如教學目標、教學策略、教學評價等）。在該模型中，深度學習表示學生對學習內容興趣濃厚、主動尋求對內容的深刻理解、有效將新知識與先前經驗或知識聯系起來;而淺層學習則是指學生對學習內容不感興趣、簡單記憶知識、不能有效地將新知識納入已有認知結構。

（三）深度學習研究情境

為了進一步探究深度學習實證研究是在什么情境下開展的，本文選取學科背景、參與人數、研究持續時間三個決定實證研究結論可信度和推廣價值的關鍵指標進行分析。

1. 學科背景

深度學習不能僅在孤立的學習任務（如文本閱讀）中開展實證研究，而是要在各類學科情境中真實應用，方能凸顯深度學習對高素質人才培養的重要價值。近十年深度學習已經在社會科學和自然科學中廣泛應用（如圖1所示），其中醫學、教育學、心理學三個學科對深度學習最為關注，研究案例比較豐富。

圖1? ?深度學習實證研究的具體學科領域（N=85，前10排序）

2. 參與人員

從參與人員的類別來看，國外近十年深度學習實證研究中，80.00%以大學生為研究對象，8.24%以中學生為研究對象，3.52%以小學生為研究對象，8.24%以成人為研究對象。可知，大學生是國外深度學習實證研究最為關注的一個群體，但是對中小學生和成人的深度學習研究不足，今后應加強不同學段中的應用研究和對比研究。

從參與人員的數量來看，1～30人的小樣本研究17個，31～100人的研究27個，100～500人的研究25個，500～1000人的研究10個，多于1000人的大樣本研究6個。其中，參與人數最多的研究是羅科尼（Rocconi）等通過問卷調查探究了116000名大學高年級學生的研究生計劃與深度學習方式之間的關系[18];而參與人數最少的則是戈莫爾（Gomoll）等通過觀察和訪談4名學生的課堂表現，提出協作問題解決空間，探索了促進深度學習和問題解決的話語特征和動作特征[19]。

3. 研究持續時間

針對56個明確提出持續時間的實證研究進行統計分析（如圖2所示），可知超過60%的深度學習實證研究是半年之內的一次性干預研究，長時間、多輪次的持續研究較少。因此，為了實現深度學習遠期效果的跟蹤研究，并通過反饋數據實現干預的優化和完善，建議研究者今后嘗試開展多輪迭代的設計研究。

（四）深度學習實證研究方法

為了更好地透視國外近十年深度學習實證研究的開展過程，本文將研究方法細分為數據搜集方法和數據分析方法兩個子類。

1. 數據搜集方法

一個研究可能存在多種數據搜集方法，因此，觀察個案百分比更能看出某一方法在整體中的應用情況（見表3）。可知，問卷法的應用最為廣泛（76.47%），該方法能夠在短時間內、面向大量研究對象搜集信息，一般用于深度學習方式或能力的調查。排在第二位的是測驗法（41.18%），主要用于深度學習干預策略實施前后學生在知識、思維、能力等方面變化情況的數據搜集，如提蘇束（Tsaushu）通過多選題和高階思維訓練開放題測試，探究了同伴學習和個性化智能導師對深度學習的促進作用[20];排在第三位的是訪談法（31.76%），由于在人員、時間方面訪談法的成本代價相對較大，一般用于小規模質性研究，實現深度學習過程和結果的深入了解或原因探尋，如阿德勒等（Adler）利用半結構訪談，探究了18名學生對“深度理解數學”和“深度數學學科知識”的理解[21]。此外，反思日記、學生作業、在線交互記錄等文檔類資料（25.88%）和課堂觀察結果（14.12%）也被不少研究納入分析范圍，以便從多維度開展深度學習過程或結果的測量。值得注意的是，為了消除每種單一方法的局限性，統計顯示，52.94%的研究應用多種數據收集方法，從而為更好地研究推論奠定基礎。

2. 數據分析方法

從數據分析方法的統計結果看，量化分析占60.00%，質性分析占17. 65%，另有22.35%的研究采用了定量和定性相結合的混合分析方法。因此，鑒于多種數據搜集方法的逐步應用，混合分析方法將是未來深度學習實證研究的主流發展趨勢。

（五）深度學習測量方式

“深度學習的典型特征是什么”“深度學習真的發生了嗎”“深度學習的效果如何”是深度學習實證研究無法回避的三個關鍵問題。因此，需要在概念框架的指導下，根據具體的研究問題確定恰切的測量類型和工具。

1. 測量類型

根據丁斯莫爾和亞歷山大提出的測量方式編碼類目，深度學習主要采用自我報告量表、編碼標準、依據特定條件、生理反應四類方式進行測量[6]。觀察個案百分比可知（見表4），自我報告量表（67.06%）的應用最為廣泛，常見的有修訂版兩因素學習過程問卷（R-SPQ-2F）、學習方式調查問卷（ALSI）等;使用特定編碼標準測量深度學習（29.41%）也占較高比例，如皮尤等（Pugh）自主開發了編碼標準，從概念理解和轉化視角探究高中生科學概念的深度學習[22];依據特定條件測量深度學習（15.29%）具有較高的靈活性，如斯托得和哈特林（Stott & Hattingh）根據梅耶提出的三種工作記憶認知加工來測量學習者利用概念輔導軟件進行密度概念學習過程中的深度處理和參與[23];最后，少數研究采用生理反應（5.88%）測量深度學習，其中眼動作為一種可直接觀測的物理特征，在眼動儀等測量工具的支持下正在成為深度學習一種有效的新型測量方式，如薩摩榮（Salmeron）等使用眼動追蹤和出聲思維，探究了學生利用維基百科回答問題時快速掃描、深度加工策略、閱讀能力與文本理解之間的關系[24]。

2. 測量工具

針對采用自我報告量表的實證研究（共57篇），進一步探究了具體的測量工具。近十年國外研究者使用較多的五類深度學習量表（見表5）主要包括：（1）R-SPQ-2F，比格斯等（Biggs， et al.）開發的修訂版兩因素學習過程量表，由早期的SPQ量表修訂而來，包括深度動機、深度策略、淺層動機、淺層策略四個指標[25];（2）NSSE，美國教育部發布的高校學生學習性投入量表，深度學習是其中的一個測量維度，包括高階學習、整合學習、反思學習三個指標[26];（3）ALSI，恩特威斯爾和麥丘恩（Entwistle & McCune）開發的學習方式量表，由早期的ASL量表修訂而來，包括深度方式、淺層方式和組織方式三個指標[27];（4）ASSIST是泰特等（Tait， et al.）開發的學生學習技能量表，也是由早期的ASL量表修訂而來，包括深度方式、淺層方式和策略方式三個指標，其中深度學習方式的典型表現是尋求意義、關聯證據、應用證據和對觀點感興趣[28];（5）MSLQ，賓特里奇（Pintrich）等開發的學習動機與策略量表，其中深度學習策略重點關注闡述、組織化、批判性思維，淺層學習策略則關注內容復述[29]。此外，統計發現，不少研究者通過自主開發或改編量表開展深度學習的測量。該類量表能夠與研究目的緊密結合，但往往沒有經過嚴格的心理學檢測和規模化試用，信效度可能無法有效保障，研究結果也不易與同類研究進行比較。

（六）深度學習研究結果

實證研究的結果一般建立在數據分析的基礎之上并經過推理得出，是對研究假設和研究問題的明確回答。從研究結果的具體類型來看（見表6），學業成就（41.18%）、思維與能力發展（37.65%）和情感體驗（17.65%）是國外實證研究評價深度學習成效的三個核心指標。此外，也有一些研究通過文本/內容理解（7.06%）和記憶/回憶成績（5.88%）評價深度學習。

從結果傾向來看，82.35%的實證研究取得了較為積極的結果，突出表現在學業成績的提升[9]、更好的內容理解和保持[10]、更加愉悅的學習體驗[11]、更好的高階思維能力和專業技能發展[30]等方面。但是，17.65%的研究認為，深度學習沒有帶來具有顯著差異的學習結果改變。因此，在具體的實證研究中應加強干預設計的科學性和先進性，并對學科教師進行必要的指導，以取得預期的研究效果。

四、結論與啟示

（一）研究結論

本文以國外近十年深度學習領域的85篇英文文獻為例，根據實證研究的核心要素建立分析框架，開展了研究主題、概念框架、研究情境、研究方法、測量方式以及研究結果六個方面的系統化內容分析，以揭示深度學習實證研究的內容與過程，得出以下結論：

（1）從研究主題看，主要集中在深度學習方式、策略和評價三個方面，深度學習的發生過程、資源建設和動機激發等方面的研究較為薄弱。（2）從概念框架看，深度學習實證研究十分重視核心概念的內涵界定，其中比格斯、馬頓&塞爾喬、恩特威斯爾&拉姆斯頓提出的概念框架得到較多認可。與丁斯莫爾和亞歷山大（2012）的深度學習綜述文獻[6]相比，本文進一步指出了深度學習的概念類別與特征，可以為研究者提供更加確切的指導。（3）從研究情境看，深度學習已經在社會科學和自然科學中廣泛應用，其中醫學、教育學、心理學三個學科中的研究案例最為豐富，但是從學段來看，研究對象多為大學生，對中小學生和成人關注不足。該結論與張思琦等（2017）[31]的研究結論基本一致，并進一步分析了深度學習的具體學科背景和學段分布情況。（4）從研究方法看，問卷、訪談、測驗是應用較多的數據搜集方法，數據分析則呈現以量化為主、質性為輔的特征，同時，混合分析日益得到研究者的重視。（5）從測量方式看，自我報告量表、編碼標準、依據特定條件是最常用的深度學習測量類型，眼動作為一種可觀察的生理特征正在成為一種有效的新型測量方式。同時，該研究進一步通過統計得出了五類常用的深度學習方式調查問卷，為后續實證研究的工具選擇提供參考。（6）從研究結果看，深度學習的有效性和先進性得到了實證研究的充分支持，突出表現在學業成績的提升、更好的知識理解與保持、更加愉悅的情感體驗、更好的高階思維和能力發展等方面。

（二）研究啟示

我國教育領域的深度學習研究近幾年得到了較多研究者的關注，從發文量看，目前已經進入呈指數增長的快速發展階段[32]，主流研究范式正從理論探究轉向實踐應用。因此，亟須以國外已有研究為鑒，厘清深度學習實證研究的主題、情境、方法與結果，為后續研究者提供參考和依據。本文在分析深度學習實證研究的過程中，得到以下幾點啟示：

首先，重視深度學習的內涵界定。技術領域中的深度學習作為一種高效的神經網絡算法，內涵比較明確，應用效果顯著。然而，教育領域中的深度學習內涵比較復雜，而且由于人類學習的內隱性，目前深度學習的發生機制尚未完全揭示，學者們往往從信息加工方式、認知過程、學習結果等視角給出內涵各異的界定。因此，為了確保實證研究中概念、測量、結果解讀之間保持良好的一致性，應該重視深度學習的領域特征和內涵界定，否則就容易出現泛化和異化的現象。

其次，關注深度學習與學科融合的具體路徑。近十年國外實證研究表明，不同學科背景下深度學習的具體表征、促進策略和應用成效不盡相同。因此，為了探尋有效的深度學習實踐路徑，研究者應以批判性思維、問題解決能力、交流協作能力等通用標準為參照，明晰不同學科中深度學習能力的具體表征，如在數學領域可結合數學運算能力、數學建模能力、空間想象能力等進行詳細描述，而醫學領域的深度學習能力，則要結合臨床技能、評鑒技能、病理分析技能等進行詳細描述。在此基礎上，形成具有鮮明學科特色的深度學習策略或模式。

再次，加強深度學習的科學測量。客觀、公正的測量數據能夠為深度學習方式的確定或深度學習能力的變化提供有效證據。與國外相比，我國深度學習的實證研究，特別是調查與測量研究仍處于小范圍探索階段，深度學習的關鍵影響因素與作用機制有待進一步揭示，廣泛認可的本土化測量工具較少。因此，我國研究者應加強深度學習測量工具和方法的專項研究[33]，嘗試開展大規模橫向對比研究和縱向跟蹤研究，有效提高研究結果的推廣價值。同時，鑒于自我報告量表受限于學習者的忠誠度和自我判斷準確度，建議研究者綜合使用量表、編碼標準、生理反應（如眼動）等多種測量工具，以準確把握深度學習的真實狀態。

最后，完善深度學習的評價體系。應用成效作為衡量深度學習的重要指標，依賴于科學的評價體系。評價是國外深度學習一個非常重要的研究主題，近十年的典型特征是重視多元化、過程性和表現性評價，但尚未形成較為完善的評價體系。依據比格斯和唐提出的“教與學一致性建構”原則[34]，以及威廉與弗洛拉·休利特基金會提出的深度學習能力框架[35]，深度學習的評價應至少圍繞學習結果和學習過程兩個視角，個體、小組和群體三個層面，知識掌握、內容理解、能力發展、遷移應用、學習體驗、學習投入等具體維度展開，并明確各維度的評價方式和評價標準，從而為深度學習的有效評價提供依據。

深度學習以注重批判性理解、強調信息整合、著意遷移運用為典型特征，指向高階思維和問題解決能力培養的復雜問題，嘗試給出解決方案，已經成為我國變革學習方式[36]、落實核心素養和培養創新人才[37]的重要抓手。現階段面臨的關鍵問題是解決“如何做”的問題，即尋找深度學習與學科融合的實踐路徑。因此，本文旨在通過系統分析國外近十年實證研究中的有效策略和成功案例呈現他山之石，為我國深度學習概念框架的確立、實踐情境的創建、測量工具的選擇、評價方案的制定等提供有益參考。

[參考文獻]

[1] 亞當斯·貝克爾，卡明斯，戴維斯，等. 新媒體聯盟地平線報告：2017高等教育版[J]. 北京廣播電視大學學報， 2017（2）：1-20.

[2] LUEG R， LUEG K， LAURIDSEN O. Aligning seminars with Bologna requirements： reciprocal peer tutoring， the solo taxonomy and deep learning[J]. Studies in higher education， 2016， 41（9）：1674-1691.

[3] 祝智庭， 彭紅超. 深度學習：智慧教育的核心支柱[J]. 中國教育學刊， 2017（5）：36-45.

[4] 劉選， 田黨瑞， 汪燕. 我們需要什么樣的實證研究：類型與應用模式——以《現代遠程教育研究》2010—2017年195篇實證研究論文為例[J]. 現代遠程教育研究， 2018（4）：49-58.

[5] 謝幼如，李克東.教育技術學研究方法基礎[M].北京：高等教育出版社，2006.

[6] DINSMORE D L， ALEXANDER P A. A critical discussion of deep and surface processing： what it means， how it is measured， the role of context， and model specification[J]. Educational psychology review，2012： 24（4）： 499-567.

[7] POSTAREFF L， PARPALA A， SARI LINDBLOM-YL？魧NNE. Factors contributing to changes in a deep approach to learning in different learning environments[J]. Learning environments research，2015，18（3）： 315-333.

[8] PHAN H P. Relations between goals， self-efficacy， critical thinking and deep processing strategies： a path analysis[J].Educational psychology ，2009，29（7）： 777-799.

[9] PENG J， WANG M， SAMPSON D. Visualizing the complex process for deep learning with an authentic programming project[J]. Educational technology & society ，2017， 20（4）： 275-287.

[10] PEGRUM M， BARTLE E， LONGNECKER N. Can creative podcasting promote deep learning？ The use of podcasting for learning content in an undergraduate science unit[J]. British journal of educational technology， 2015， 46（1）： 142-152.

[11] TURNER M， BASKERVILLE R. The experience of deep learning by accounting students[J]. Accounting education，2013，22（6）： 582-604.

[12] GREEN G P ， KELLY B D ， PETERSON D J ， et al. Using integrative graphic assignments to promote deep learning of the market mechanism[J].Journal of economic education，2015， 46（1）： 28-44.

[13] LYNCH R， MCNAMARA P M， SEERY N. Promoting deep learning in a teacher education programme through self- and peer-assessment and feedback[J]. European journal of teacher education，2012， 35（2）： 179-197.

[14] DUMMER T J B， COOK I G， PARKER S L， et al. Promoting and assessing ‘deep learning in geography fieldwork： an evaluation of reflective field diaries[J]. Journal of geography in higher education， 2008， 32（3）：459-479.

[15] MARTON F， SALJO R. On qualtative differences in learning： i-outcome and process [J]. British journal of educational psychology， 1976， 46（1）：4-11.

[16] ENTWISTLE N， RAMSDEN P. Understanding student learning[M]. New York： Croom Helm， 1982.

[17] BIGGS J. Student approaches to learning and studying. Research monograph[M]. Australian Council for Educational Research Ltd. Radford House， Frederick St. Hawthorn 3122， Australia. 1987.

[18] ROCCONI L M， RIBERA A K， LAIRD T F N. College seniors' plans for graduate school： do deep approaches learning and holland academic environments matter？[J]. Research in higher education， 2015， 56（2）：178-201.

[19] GOMOLL A， HMELO-SILVER C， SELMA ？譒ABANOVIC， et al. Moving apart and coming together： discourse， engagement， and deep learning[J]. Educational technology & society， 2017， 20（4）：219-232.

[20] TSAUSHU M， TAL T， SAGY O， et al. Peer learning and support of technology in an undergraduate biology course to enhance deep learning[J]. Cell biology education， 2012， 11（4）：402-412.

[21] ADLER J， HOSSAIN S， STEVENSON M， et al. Mathematics for teaching and deep subject knowledge： voices of mathematics enhancement course students in England[J]. Journal of mathematics teacher education， 2014， 17（2）：129-148.

[22] PUGH K J， LINNENBRINK-GARCIA L， KOSKEY K L K， et al. Motivation， learning， and transformative experience： a study of deep engagement in science[J]. Science education，2010， 94（1）： 1-28.

[23] STOTT A， HATTINGH A. Conceptual tutoring software for promoting deep learning： a case study[J]. Journal of educational technology & society， 2015， 18（2）：179-194.

[24] SALMER？魷N L， NAUMANN J ， GARC？魱A V， et al. Scanning and deep processing of information in hypertext： an eye tracking and cued retrospective think-aloud study[J]. Journal of computer assisted learning，2017，33（3）： 222-233.

[25] BIGGS J， KEMBER D， LEUNG D Y P. The revised two-factor study process questionnaire： R-SPQ-2F[J]. British journal of educational psychology， 2001， 71（1）， 133-149.

[26] National Survey of Student Engagement Institude. The NSSE 2000 report： national benchmarks of effective educational practice[R]. Bloomington， IN： Indiana University Center for Postsecondary Research，2000.

[27] ENTWISTLE N， MCCUNE V. The conceptual base of study strategies inventories[J]. Educational psychology review， 2004，16：325-345.

[28] TAIT H，ENTWISTLE N，MCCUNE V. ASSIST： a reconceptualisation of the approaches to studying inventory. In C.Rust（Ed.）， Improving student learning： improving students as learners[R]. Oxford：Oxford Centre for Staff and Learning Development，1998：262-271.

[29] PINTRICH P R， SMITH D A F， GARCIA T， et al. Reliability and predictive validity of the motivated strategies for learning questionnaire （MSLQ）[J]. Educational and psychological measurement， 1993， 53（3）：801-813.

[30] ENGEL S， PALLAS J， LAMBERT S. Model United Nations and deep learning： theoretical and professional learning[J]. Journal of political science education，2017，13（2）： 171-184.

[31] 張思琦， 張文蘭， 李寶. 國外近十年深度學習的研究現狀與發展趨勢——基于引文分析及共詞矩陣的知識圖譜分析[J]. 遠程教育雜志， 2016，35（2）： 64-72.

[32] 卜彩麗. 深度學習視域下翻轉課堂教學理論與實踐研究[D].西安：陜西師范大學，2018.

[33] 李玉斌， 蘇丹蕊， 李秋雨， 等. 面向混合學習環境的大學生深度學習量表編制[J]. 電化教育研究， 2018（12）：94-101.

[34] 約翰·比格斯， 凱瑟琳·唐. 卓越的大學教學——建構教與學的一致性[M]. 王穎，丁妍，高潔，譯. 上海：復旦大學出版社， 2015.

[35] William and Flora Hewlett Foundation. Deeper learning strategic plan summary education program[EB/OL].[2018-11-30].https：//hewlett.org/wp-content/uploads/2016/09/Education_Deeper_Learning_Strategy.pdf.

[36] 何克抗. 深度學習：網絡時代學習方式的變革[J]. 教育研究， 2018（5）：111-115.

[37] 楊玉琴， 倪娟. 深度學習：指向核心素養的教學變革[J]. 當代教育科學， 2017（8）：43-47.