概念性机器：挖掘感知与行为的背景实践

《ACM Transactions on Computing Education》：Notional machines: Retrieving background practices of perception and action

概念机器作为编程教学的心理模型存在认知局限，需结合具身认知理论和背景化实践教育。论文指出传统认知科学视角忽视语言思维具身性实践与自动化技能形成机制，主张通过具身交互和显性教学提升背景化实践，使学生在非反思状态下有效运用概念机器学习编程。

　　

摘要

在计算教育领域的诸多讨论中，概念性机器（notional machines）一直占据重要地位。根据基于经典认知科学的计算教育理论，当这些概念性机器以心理模型的形式被引入学生的思维中时，它们会发挥关键的教学作用。心理模型能够简化其所描述的现象，并且在其与被描述现象相符的程度上是正确的。这些关于概念性机器的心理模型被认为对学生的计算机编程学习至关重要。然而，我认为这种基于经典认知科学的观点忽略了人类认知的两个关键方面，这两个方面在“第二代”认知科学以及近期的知识与语言哲学研究中得到了强调。首先，具身感知（embodied perception）和行动（action）对于奠定语言和思维的意义至关重要。具体而言，模型不仅因其简化了现象并与所描述的内容相对应而具有表征性，还依赖于特定的具身表征实践（embodied representational practices）来构建这种对应关系。其次，这些具身实践可以通过适当的训练变得自动化，从而在熟练的操作过程中无需再进行反思性思考。因此，本文主张将教学重点从学生内在的心理状态转移到学生与概念性机器之间的外部交互上，强调那些使概念性机器作为计算模型得以被理解的基础实践，并通过明确教授这些实践来帮助学生更好地利用概念性机器的优势，学会如何编程。