原文链接：小样本学习与智能前沿

今天给大家分享的这本书《科学学习》是由【美】丹尼尔 L. 施瓦茨等所著的一本关于学习的书籍。作者称其为每一位教师与家长的必读书籍。

本文主要讲的是《科学学习》第一章归纳类比的内容。主要是分享一些分析结论性的句子，可能还会加上些许个人的看法或理解以及在联想到的在机器学习领域的泛化。书中有许多案例和研究实验能更加详细充分的解释分析的思路和结论的由来，推荐有兴趣的朋友阅读原文。时间不够的朋友也可以通过阅读本文了解书中的主要内容和结论，也欢迎就文中的观点和我交流讨论。

科学学习·书籍封面

作者介绍

丹尼尔 L. 施瓦茨（Daniel L. Schwartz），学习科学权专家。斯坦福大学教育学院院长，“Nomellini & Olivier”教育科技讲席教授。哥伦比亚大学人类认知与学习博士。 ^[1]
----摘自百度百科

本节目录

• 类比的原理
• 如何运用类比来促进学习
• 运用类比能产生什么效果
• 如何培养类比的能力
• 运用类比容易出现的问题

归纳类比

归纳类比指的是探寻各种事例之间内在相似性的学习方法。运用类比不仅能帮助学习者理解其中蕴含的规律原理，还能提升在新情景中运用这些规律的灵活性。

从机器学习的角度来说，这叫泛化能力

01 类比的原理

利用类比来学习的关键在于，要从外表看似迥异的事物中找到它们的内在共通原理。 文氏图总结了这个关键点，同时也应验了一条关于学习的普世真理：两个例子要比一个例子的学习效果更好。

也就是说孪生网络优于普通的神经网络，对比损失可能比普通损失更有效。

02 如何运用类比来促进学习

在学习情境中运用类比的方法主要有两种：

（1）在解释新的事物或观点时，把它类比成一个人们熟悉的例子；
（2）提供两个或更多的类比事例，让学习者探索其中共存的深层结构。

方法（1）是人类学习过程中常用的方法，借助熟悉的例子加深对新事物及其与周边事物关系的理解。 方法（2）提示着机器学习如何在 无标注或零样本的情况下进行学习。

一个好的类比需要经过设计者仔细推敲，从而让学习者能够由已知事物出发，自然地构建起通向新事物的桥梁。

为什么需要仔细推敲呢，因为特征总是能给被提取出来，但究竟哪些特征是决定事物性质的关键特征呢。

实验结果表明，两个类比列子加上原理描述的学习效果是最好的，一个类比例子+原理描述的学习效果，只有两个类比例子却无原理描述的3/5 。为什么会这样呢？

问题出在学会了某个概念并不代表真正懂得该何时应用它。之所以原理加单一例子的组合效果不尽如人意，是因为学习者并没有领悟到该原理适用场景的多样性。

这是一个非常值得重视的问题，现在很多教育者往往看重原理描述，给了生动，结合个别案例进行阐述，殊不知其学习效果却不如只给两个案例不给原理描述的效果。
在原理+1例的学习过程中，例子是原理的辅助品，让学习者知晓原理是如何应用的，但其应用场景仅限于案例之中。
而在2例的学习过程中，学习者更重要的是锻炼并提升了他们的归纳类比能力，是一个从现象到原理的能力提升过程，从而应对新的场景，他们依然能提炼出其原理。
由此，后者具备更强的举一反三能力，对机器学习来说，是更强的泛化能力。

03 运用类比能产生什么效果

类比推理可以帮助学习者透过现象看本质。

很多时候人们还是会过度依赖表面特征来做判断，却忽略了事物中蕴含的深层结构。

通过类比学习所获得的关键成果在于，学习者将核心概念应用于新情景的能力。 这个结果意味深远，因为我们希望学习者在独立解决问题的时候，能力依靠自己的力量判断问题的本质，从而选择正确的应对方式。

04 如何培养类比的能力

理想情况下，帮助孩子们学会寻找类比关系，可以提高他们在不同事例中深度思考的学习能力。

简单来说，把告诉孩子们“这个东西是什么”，改为“这些东西是相似的”。

05 运用类比容易出现的问题

问题1： 学习者可能无法从类比中总结出蕴含其中的深层结构，或是干脆读出了目标内容之外的东西。

就像我们用神经网络提取特征时一样，不知道哪些特征才是最关键的。

这里出现的问题并非类比推理的逻辑有误，而是类比本身就不严谨。

只要是无监督的，就都是不严谨的。

刚开始学习的时候，可以先用一个简单的例子进行类比，随着学习者的理解不断加深，再用更准确的类比例子取而代之。

如果我们想要发挥出类比案例所能带来的更大学习价值，则应邀请更多人一起加入构思类比的过程，然后再一起分享讨论，看看哪个类比对于表达目标内容更为贴切。

有时人们对基础类比组合太过了解，以至于会一不小心误把一些不应进行类比的细节错误地代入目标类比组合的关系中去。

那，这就是过拟合了。