WeMADE教学模式 │ “标签对应”式的分类学习与“生成性”的分类学习

杨晓岗

“标签对应”式分类学习与“生成性”分类学习的比较研究：机制、效应与教育启示

摘要

分类学习作为人类认知活动的核心环节，是个体理解世界、构建知识体系的基础。本文聚焦“标签对应”式分类学习与“生成性”分类学习两种典型模式，通过梳理认知心理学、教育神经科学及学习科学的相关研究，系统比较二者的理论基础、认知机制、学习效应及适用场景。研究发现，“标签对应”式学习依赖预设标签的机械匹配，适用于知识的快速编码；“生成性”学习则通过自主构建分类标准实现深度理解，更利于知识迁移与创新能力培养。基于此，本文提出在教育实践中应根据学习目标、知识类型及学习者特征动态选择与融合两种模式，为个性化教学与核心素养培育提供理论支持。

关键词

分类学习；标签对应；生成性学习；认知机制；教育应用

引言

从婴儿对“妈妈”与“陌生人”的区分，到科学家对物质世界的纲目划分，分类学习贯穿人类认知发展的全过程。美国心理学家布鲁纳曾指出：“人类思维的本质是分类”，分类不仅是对事物的简单归纳，更是个体通过构建“认知地图”理解世界的核心方式。在学习科学领域，分类学习的模式差异直接影响学习效果：部分学习场景中，个体通过记忆“标签—事物”的固定对应完成分类（如背诵英语单词与中文释义）；另一些场景中，个体则通过分析事物特征自主生成分类标准（如儿童通过观察自主区分“动物”与“植物”）。这两种模式被学界分别称为“标签对应”式分类学习（Label-correspondence categorization learning）与“生成性”分类学习（Generative categorization learning）。

尽管两种模式普遍存在于人类学习中，但现有研究多聚焦单一模式的机制探讨，缺乏系统性比较。随着教育改革对“深度学习”“核心素养”的强调，厘清两种分类学习模式的优劣、适用边界及融合路径，对优化教学策略、提升学习质量具有重要意义。本文拟从理论基础、认知机制、实验证据、教育应用四个维度展开分析，为构建更高效的分类学习体系提供参考。

一、“标签对应”式与“生成性”分类学习的理论基础

（一）“标签对应”式分类学习的理论溯源

“标签对应”式分类学习的理论根基可追溯至行为主义学习理论与联想主义心理学。华生（J. B. Watson）提出的“刺激—反应”（S-R）理论认为，学习的本质是通过强化建立刺激与反应的固定联结，而“标签”作为一种特殊刺激，其与事物的对应关系可通过重复训练形成自动化反应。例如，在巴甫洛夫的经典条件反射实验中，铃声（标签）与食物（事物）的反复配对，使狗形成“铃声—食物”的对应联结，这一过程本质上是最简单的“标签对应”式分类。

行为主义之后，信息加工心理学进一步阐释了“标签对应”的认知过程。安德森（J. R. Anderson）的“激活扩散模型”指出，记忆系统中存在大量“节点”（代表概念或标签），节点之间通过“联结强度”实现激活传递。“标签对应”式学习通过增强“标签节点”与“事物节点”的联结强度，使个体在接收到标签时快速激活对应事物表征，或在接触事物时自动提取标签。这种机制在人工概念学习实验中得到验证：当实验者明确告知被试“红色圆形”对应标签“A”时，被试通过反复练习可迅速建立二者的对应关系，分类准确率随练习次数呈线性提升。

（二）“生成性”分类学习的理论支撑

与“标签对应”式学习不同，“生成性”分类学习的理论基础植根于建构主义与认知发展理论。皮亚杰（J. Piaget）的“同化—顺应”理论认为，儿童对事物的分类并非被动接受成人赋予的标签，而是通过“同化”（将新事物纳入已有认知结构）与“顺应”（调整认知结构适应新事物）自主构建分类标准。例如，幼儿最初可能将“会飞”作为“鸟”的分类标准，当遇到“蝙蝠会飞但不是鸟”的矛盾时，会通过调整标准（加入“有羽毛”特征）完成分类体系的重构，这一过程即是典型的生成性学习。

维果茨基（L. S. Vygotsky）的“社会文化理论”进一步强调，生成性分类学习是在社会互动中通过“最近发展区”实现的。学习者在与他人的协作中，通过对话、质疑、反思不断修正分类逻辑，最终形成更精准的分类标准。例如，在科学课堂上，学生通过讨论“水的三态是否属于同一物质”，自主生成“分子结构不变”的分类依据，而非直接接受课本中的定义。

此外，当代认知神经科学的“预测编码理论”为生成性学习提供了神经机制解释：大脑通过持续生成“预测假设”（如“具有木质茎的植物是树”），并根据新信息（如“竹子有木质茎但属于草本植物”）修正假设，最终形成稳定的分类模型。这一过程依赖前额叶皮层与海马体的协同作用，体现了大脑“主动构建”而非“被动接收”信息的本质。

二、“标签对应”式与“生成性”分类学习的认知机制比较

（一）信息加工路径差异

“标签对应”式分类学习的信息加工路径具有“单向性”与“封闭性”特征。其核心流程为：

1. 标签预设：学习者先接收外部给定的分类标签（如“哺乳动物”“爬行动物”）；

2. 特征匹配：将待分类事物的特征与标签的“标准特征库”进行比对（如“胎生、哺乳”对应“哺乳动物”）；

3. 强化联结：通过重复练习强化“标签—特征”的固定联结，直至形成自动化反应（如看到“猫”立即联想到“哺乳动物”）。

这种路径中，信息流动方向是“标签→特征→事物”，学习者无需深入理解标签背后的逻辑，仅需完成机械匹配。脑成像研究显示，该过程主要激活大脑的颞叶（负责语义记忆）与基底神经节（负责习惯形成），神经活动模式相对稳定。

“生成性”分类学习的信息加工路径则具有“双向性”与“开放性”特征：

1. 特征提取：学习者先自主提取事物的多元特征（如观察“鲸”的“生活在水中、胎生、哺乳”等特征）；

2. 假设生成：基于特征提出初步分类假设（如“鲸是鱼”或“鲸是哺乳动物”）；

3. 验证修正：通过新信息（如“鱼用鳃呼吸”）验证假设，修正分类标准（加入“用肺呼吸”特征）；

4. 标准固化：形成稳定的分类标准并迁移至新情境（如用“繁殖方式”区分其他水生动物）。

该路径中，信息流动方向是“事物→特征→假设→标准”，学习者需持续进行特征分析、逻辑推理与假设验证。神经影像学研究表明，此过程主要激活前额叶皮层（负责逻辑推理）、顶叶（负责特征整合）与海马体（负责记忆重构），神经活动呈现动态变化特征。

（二）知识表征方式差异

知识表征是分类学习的核心结果，两种模式的表征方式存在显著差异：

• “标签对应”式学习形成“点状表征”：知识以“标签—事物”的孤立联结形式存储，如“三角形”对应“三条边”“三个角”，但学习者可能无法理解“三角形内角和为180°”的深层逻辑。这种表征具有“易提取、难迁移”的特点，适用于需要快速响应的场景（如识别交通信号灯），但难以应对复杂问题（如判断“直角三角形是否属于三角形”）。

• “生成性”学习形成“网状表征”：知识以“特征—关系—标准”的网络形式存储，如“三角形”的表征不仅包含“三条边”特征，还涵盖“边与角的关系”“与四边形的区别”等关联信息。这种表征具有“难提取、易迁移”的特点，学习者能在新情境中灵活调用分类标准（如用“边的数量”区分多边形）。

心理学家罗施（E. Rosch）的“原型理论”进一步证实：生成性学习中，学习者会形成“原型”（某类事物的典型样例）作为分类参照，而非僵化的标签。例如，对“鸟”的分类，生成性学习者会以“麻雀”（原型）为参照，通过比较“鸵鸟是否接近原型”做出判断，而标签对应式学习者可能仅依据“有羽毛”的标签进行机械分类。

三、“标签对应”式与“生成性”分类学习的效应比较

（一）学习效率：短期与长期的权衡

在短期学习效率上，“标签对应”式学习具有显著优势。实验研究表明，当学习者明确被告知分类标签与标准时，分类准确率在初期（1—3次练习）可达80%以上，而生成性学习由于需要自主探索，初期准确率通常低于50%。这是因为标签对应式学习通过减少“假设验证”环节，直接缩短了信息加工路径，符合“最小努力原则”。例如，在外语词汇学习中，直接记忆“apple—苹果”的对应关系，比通过分析“苹果的特征”自主生成英文名称更高效。

但从长期效应看，生成性学习的优势逐渐显现。心理学家巴德利（A. Baddeley）的“长时记忆实验”发现，生成性学习者在1个月后的记忆保持率（75%）显著高于标签对应式学习者（40%）。这是因为生成性学习通过“深度加工”（如分析特征、构建关系）增强了海马体与前额叶皮层的神经联结，符合“加工深度理论”——信息加工越深入，记忆保持越持久。例如，学生通过实验自主总结“酸的化学性质”，比直接背诵课本定义的记忆效果更持久。

（二）知识迁移：情境适应性的差异

知识迁移能力（将所学知识应用于新情境）是衡量学习质量的核心指标，两种模式在迁移效应上呈现显著分化：

• 近迁移（应用于相似情境）中，两种模式效果接近。例如，通过标签对应学习“正方形是特殊的长方形”的学生，能快速完成“判断菱形是否为特殊平行四边形”的类似题目；生成性学习者也能通过“边与角的关系”推导出答案。

• 远迁移（应用于陌生情境）中，生成性学习的优势明显。在“蜡烛问题”（用蜡烛、图钉、火柴将蜡烛固定在墙上）实验中，生成性学习者更易突破“盒子是容器”的固定标签，通过将盒子作为“平台”完成任务，而标签对应式学习者则因受“盒子—容器”的固定联结限制，解决问题的成功率较低。

教育心理学家奥苏贝尔（D. P. Ausubel）指出，生成性学习通过构建“上位概念”（如“四边形”包含“平行四边形”“梯形”）实现知识的结构化，而标签对应式学习仅形成“下位概念”的孤立存储，因此在跨情境应用中更易受限。

（三）创新能力：从“复制”到“创造”的跃迁

创新能力依赖于对既有分类框架的突破，两种学习模式对创新的影响差异显著：

“标签对应”式学习由于强调“标签—事物”的固定对应，可能导致“功能固着”（仅用标签定义事物功能）。例如，长期通过标签记忆“砖头是建筑材料”的学习者，较难想到用砖头作为“压纸器”或“敲门工具”。

生成性学习则通过鼓励“多角度特征提取”培养发散思维。心理学家吉尔福特（J. P. Guilford）的“托兰斯创造性思维测验”显示，生成性学习者在“物体用途”测试中提出的新颖用途数量（平均12.6个）显著多于标签对应式学习者（平均5.2个）。这是因为生成性学习中，学习者未被固定标签束缚，能从“重量”“硬度”“形状”等多元特征出发拓展事物的潜在价值。

四、两种分类学习模式的适用场景与影响因素

（一）适用场景的分化

1. “标签对应”式学习的适用场景

◦ 知识密集型学习：当学习内容包含大量需精确记忆的标签（如化学元素符号、历史年代）时，标签对应式学习可通过快速编码提高效率。例如，医学专业学生记忆“阿莫西林—抗生素”的对应关系，无需深入理解其药理机制即可完成基础识别。

◦ 应急性学习：在需要快速响应的场景（如操作设备时识别“危险—禁止”标签），标签对应式学习形成的自动化反应可降低决策时间。例如，驾驶员通过“红灯—停止”的固定对应避免交通事故。

2. “生成性”学习的适用场景

◦ 概念性知识学习：当学习目标是理解知识的本质与关联（如数学中的“函数”概念）时，生成性学习通过自主构建“变量关系”的分类标准，实现对概念的深度理解。

◦ 创新性任务：在科学探究、艺术创作等需要突破常规的场景中，生成性学习培养的“非标签化思维”是创新的基础。例如，科学家通过分析“蝙蝠回声定位”的特征，生成“雷达”的设计灵感，而非受“蝙蝠—哺乳动物”标签的限制。

（二）影响学习效果的关键因素

1. 学习者特征

◦ 认知发展水平：低龄儿童（6岁以下）由于前额叶皮层尚未成熟，逻辑推理能力有限，更适合通过标签对应式学习掌握基础分类（如“水果—蔬菜”）；青少年（12岁以上）则具备抽象思维能力，可通过生成性学习构建复杂分类体系（如“生物—非生物”）。

◦ 学习风格：场依存型学习者（依赖外部标准）更适应标签对应式学习，场独立型学习者（依赖内部标准）则在生成性学习中表现更优。

2. 知识类型

◦ 陈述性知识（如“事实性标签”）更适合标签对应式学习，程序性知识（如“如何分类”）则需通过生成性学习掌握。例如，“物理学公式”的记忆可采用标签对应，而“公式的推导与应用”则需生成性学习。

3. 教学支持

◦ 标签对应式学习需要清晰的“标签—标准”呈现（如教材中的明确定义），生成性学习则需要“支架式支持”（如教师提供特征提示、引导假设验证）。例如，在“浮力”概念学习中，教师可先通过“铁块下沉、木块上浮”的现象引导学生生成假设，再通过实验验证修正分类标准。

五、教育实践中的模式融合与优化策略

（一）“双模式融合”的教学框架

基于两种模式的互补性，教育实践中应构建“标签对应为基础，生成性学习为深化”的融合框架：

1. 初级阶段：通过标签对应式学习快速建立基础知识框架。例如，在历史学习中，先让学生记忆“鸦片战争—1840年”的时间标签，形成对历史事件的初步认知。

2. 深化阶段：通过生成性学习理解知识的本质与关联。例如，引导学生分析“鸦片战争与工业革命的关系”，自主生成“殖民扩张—资本主义发展”的分类逻辑。

这种框架既保证了知识的广度，又实现了理解的深度，符合“循序渐进”的教学原则。

（二）具体教学策略建议

1. 为标签对应式学习注入“生成性元素”

◦ 在记忆标签时，引导学生思考“标签的由来”。例如，背诵“光合作用”标签时，让学生通过实验观察“植物在光照下产生氧气”的特征，理解标签背后的科学依据，避免机械记忆。

2. 为生成性学习提供“标签支架”

◦ 在自主探索前，提供“备选标签”作为参考（非标准答案）。例如，在“垃圾分类”教学中，先给出“可回收—不可回收”的初步标签，再让学生通过分析“垃圾成分”修正分类标准，最终生成“厨余—有害—可回收—其他”的细化分类。

3. 利用信息技术实现个性化融合

◦ 借助智能学习系统，根据学生的实时表现动态调整模式：当学生对基础标签掌握不牢固时，推送标签对应式练习；当学生已形成稳定分类框架时，切换为生成性任务（如“设计新的分类标准”）。

六、研究结论与展望

（一）研究结论

本文通过系统比较发现，“标签对应”式与“生成性”分类学习并非对立关系，而是适应不同学习目标的互补模式：

• 标签对应式学习是知识快速积累的“高效工具”，但其机械性可能限制深度理解与创新；

• 生成性学习是能力培养的“核心路径”，但其高认知负荷需要更长的学习周期；

• 教育实践的关键在于根据知识类型、学习者特征与学习阶段，实现两种模式的动态融合。

（二）研究展望

未来研究可从三方面深化：

1. 神经机制的细化研究：通过fMRI等技术，探究不同年龄段学习者在两种模式下的脑网络差异，为个性化教学提供神经科学依据；

2. 跨学科应用研究：分析两种模式在STEM教育、艺术教育等不同领域的适用边界，形成分学科的教学指南；

3. 技术融合研究：探索虚拟现实（VR）、人工智能（AI）等技术如何模拟“真实情境”，促进生成性分类学习的高效开展。

参考文献

[1] Anderson, J. R. (1983). The architecture of cognition. Harvard University Press.

[2] Piaget, J. (1954). The construction of reality in the child. Basic Books.