یادگیری با زبان پیچیده

CSN-900x300.jpg
  • مقدمه

کلنی مورچه‌ها، سیستم ایمنی، ترافیک، اقتصاد، آب‌و‌هوا و مغز. این موارد شاید دور از هم به نظر برسند ولی همه‌ی آن‌ها سیستم‌هایی پیچیده هستند. [۲] حتی حس منحصر‌به‌فردی را که ما از آگاهی خود داریم می‌توان این گونه توضیح داد: پدیده‌ای منتج از تعامل نورون‌ها که درون یک سیستم پیچیده سازمان‌دهی ‌شده‌اند.[۱] همچنین ما در جهانی زندگی می‌کنیم که ارتباطاتش در حال افزایش است. با پیشرفت و گسترش تکنولوژی بخش‌های بیشتری از جهان به هم مرتبط می‌شوند و با هم تعامل می‌کنند و چنین جهانی را نمی‌توان در قالب سیستم‌هایی ایزوله، یعنی سیستم‌هایی که تبادلی با محیط خارج خود ندارند، بررسی کرد. 

نظریه‌ی سیستم‌های پیچیده هم علوم محض و هم حرفه‌ها را تحت تاثیر قرار داده است، در رفتار سازمانی به کار رفته است و حتی مدیران شرکت‌های را در مورد رویکرد خود در مورد مسائلی چون اتحاد هم‌افزایانه و مزیت‌های رقابتی به فکر واداشته است. در سال‌های اخیر حوزه‌ی سیستم‌های پیچیده همراه با علوم محاسبات پیشرفت کرده است. [۱] ارتقای سرعت و قدرت کامپیوترها ما را قادر کرده تا پدیده‌های بزرگ‌مقیاس را مدل‌سازی کنیم. تفکر مبتنی بر سیستم‌های پیچیده تغییری عظیم در دیدگاه ما ایجاد می‌کند که باعث ایجاد افق‌های ذهنی و چارچوب‌های تبیینی جدید و روش‌شناسی‌هایی می‌شود که در حال تبدیل به ابزار کلیدی برای تحلیل کیفی و مدل‌سازی کمّی در حوزه‌ی سیستم‌های پیچیده هستند.[۳] در این نوشته، نگاهی به سیستم‌های پیچیده و لزوم پرداختن به مبحث پیچیدگی در هر سطح تحصیلی خواهیم داشت.

  • پیچیدگی چیست؟

ابتدا تعریفی از سیستم ارائه می‌دهیم و بعد به مفهوم پیچیدگی می‌پردازیم. می‌توان سیستم را این‌گونه تعریف کرد: مجموعه ای از چیزها که با روابط خاصی به هم مرتبطند و با مرزی از محیط جدا می‌شوند.

حتی در صورتی که همه‌ی اجزای یک سیستم پیچیده شناخته شده باشند، پیش‌بینی و درک رفتار آن سیستم در سطح کلی دشوار خواهد بود. تعاملات چندگانه‌ی اجزای سیستمْ الگوهایی را در مقیاس بزرگ پدید می‌آورند که با عنوان نوپدیدگی از آنها نام برده می‌شود. سیستم‌های پیچیده در جزئیات با هم متفاوتند اما در سطحی انتزاعی داری اشتراکاتی هستند:

  • رفتار پیچیده‌ی جمعی: این سیستم‌ها دارای شبکه‌ای از اجزای فردی هستند (مورچه، سلول‌ B، نورون، خریدار سهام، سازنده‌ی وب‌سایت) که بدون کنترل مرکزی، از قوانینی ساده پیروی می‌کنند. کنش‌های جمعی این اجزا، کل مجموعه را به سطحی بالاتر ارتقا می‌دهد که پیش‌بینی رفتار اجزا در آن سخت‌تر است و در نهایت الگوی رفتاری مجموعه تغییر می‌کند. 
  • سیگنال‌دهی و پردازش اطلاعات: همه‌ی این سیستم‌ها در محیط درونی و محیط بیرونی خود اطلاعات و سیگنال‌هایی را تولید و استفاده می‌کنند.
  • انطباق: همه‌ی این سیستم‌ها خود را انطباق می‌دهند؛ یعنی رفتار خود را برای افزایش شانس بقا و موفقیت خود تغییر می‌دهند و این تغییر از طریق یادگیری یا فرایندهای تکاملی رخ می‌دهد. [۳]
  • غیرخطی بودن: اثر کلی سیستم برابر با جمع کارکردی اجزا نیست.
  • نوپدیدگی: تعامل موضعی میان اجزای یک سیستم پیچیده در سطح میکرو، باعث بروز الگوهای مرتبه‌بالایی در سطح ماکرو می‌شود که دارای خواص کیفی متفاوتی هستند.
  • خودسازمان‌دهی: بدون کنترل مرکزی و هدایت بیرونی دارای نظم و ثبات خاصی هستند. [۱]
  • مغز به عنوان سیستم پیچیده

باولاس در ۱۹۴۸ دو مکتب غالب روان‌شناسی را نام برد؛ مکتبی که در آن برای مطالعه‌ی افراد و شرایطشان، آن‌ها را به اجزایشان تجزیه می‌کردند و رفتارها را با روابط علّی ساده بررسی می‌کردند و مکتبی دیگر که در آن رفتار را کارکرد گروهی از اجزا می‌دانستند که یک کلّ پویا را می‌سازند. در آن زمان هدف افراد بررسی ارتباطات بود ولی بررسی رفتار در سطح گروه، یک ایده‌ی مهم را معرفی کرد: طبیعت پویای سیستم‌های پیچیده را نمی‌توان با بررسی جداگانه‌ی اجزا مطالعه کرد. همچنین ناکارآمدی تحویل‌گرایی در این دوره پررنگ شد؛ صرف داشتن دانش در مورد نورون‌ها به شناخت مغز نمی‌انجامد. نیاز به دانشی برای فهم تعاملات پیچیده‌ی نورون‌ها حس شد و این پرسش پیش آمد که آیا سیستمی مانند مغز را می‌توان توسط وکسل‌ها و سنسورها در تصویربرداری درک کرد؟ یا برای رسیدن به این درک باید به شناخت ارتباط‌های ساختاری و کارکردی نورون‌ها پرداخت؟ متدولوژی‌های پیچیدگی، راه‌های موثری را برای فهم تعاملات پویای نواحی گوناگون مغز و نیز چگونگی نوپدیدگی رفتارها در اختیار ما قرار داده‌اند.

علم شبکه حوزه‌ای آکادمیک است که به مطالعه‌ی شبکه‌های پیچیده مانند شبکه‌های کامپیوتری، شبکه‌های زیستی، شبکه‌های شناختی، شبکه‌های اجتماعی و شبکه‌های معنایی می‌پردازد. در این علم اجزای سیستم‌ها به عنوان گره و روابط میان اجزا با عنوان یال مورد بررسی قرار می‌گیرند. علم شبکه در حوزه‌ی تصویربرداری از مغز در حال گسترش است. در این علم، مغز به عنوان سیستمی در نظر گرفته می‌شود که دارای نواحی مختلفی است که با هم در تعامل هستند و باعث بروز رفتارهای پیچیده می‌شوند. متخصصان علوم اعصاب ابزارهای تحلیل شبکه را روی داده‌های fMRIاستفاده می‌کنند و تصور می‌کنند که جنبه‌های مبتنی بر پیچیدگی مغز را آشکار می‌کنند؛ در حالی که مغز را نمی‌توان با اعداد خلاصه کرد و برای استفاده‌ی حداکثری از علم شبکه، روشی نو برای تفکر مورد نیاز است. روشی که از تحویل‌گرایی فاصله بگیرد و به پیچیدگی نزدیک شود. قدرت علم شبکه در دریافت پویایی سیستم‌هاست که نقش مهمی در فهم مغز به عنوان یک سیستم پیچیده دارد.[۳]  

  • فهم پیچیدگی

افرادی که در زمینه‌ی سیستم‌های پیچیده تخصص می‌یابند دارای درک مفهومی ویژه‌ای می‌شوند و در ارائه‌ی راه‌حل‌ها در حوزه‌ی سیستم‌های پیچیده، دیدگاه هستی‌شناسانه‌ی متفاوتی نسبت به افراد غیرمتخصص دارند. افراد غیرمتخصص در مقابل مسائل حوزه‌ی پیچیدگی، با هستی‌شناسی مکانیکی و پارادایم‌های قابل پیش‌بینی‌ رو‌به‌رو می‌شوند؛ در حالی که متخصصان این حوزه، این مسائل را با پذیرش شیوه‌ی نوپدید کنترل در سیستم‌ها حل می‌کنند.[۱]

نظریه‌های جدید در حوزه‌ی تغییر مفهومی (conceptual change)، مطرح می‌کنند که سازه‌های شناختی (مانند باورهای هستی‌شناختی و معرفت‌شناختی فرد) توانایی یادگیری مفاهیم انتزاعی‌تر را عمیقاً تحت تاثیر قرار می‌دهد. دیدگاه سیستم‌های پیچیده چارچوبی را فراهم می‌کند که در آن، علوم مختلف با هم ادغام می‌شوند. این مسئله از این جهت در علوم یادگیری دارای اهمیت است که سال‌ها مطالعه نشان داده‌ که کمبود ادغام بین‌رشته‌ای در برنامه‌ی درسی دوازده‌ساله‌ی مدرسه نهایتاً منجر به کسب دانشی بی‌اثر می شود که تنها کاربردش در آزمون‌های درسی است؛ دانش‌آموزان این گونه از ارتباط با انواع دیگر دانش و تجربیات دنیای واقعی بازمی‌مانند. 

رِی و چِیس در ۲۰۱۲ پیشنهاد کردند که دانش‌آموزان برای یادگیری استدلال در مورد سیستم‌های پیچیده، احتمالاً باید تغییر مفهومی رادیکالی را از سر بگذرانند؛ چرا که طرحواره‌ی علیتِ مستقیم که برای تبیین سیستم‌های ساده به کار می‌روند، در تبیین سیستم‌های پیچیده کاربردی ندارند. برای فهم نوپدیدگی‌هایی چون دیفیوژن، اسمز و انتخاب طبیعی، طرحواره‌ی علیتِ نوپدیدیگی نیاز است. پژوهشگران دیگری پیشنهاد کرده‌اند که برای فهم پیچیدگی، تغییر مفهومی بزرگی نیاز نیست و افراد می‌توانند از طرحواره‌های قبلی خود برای استدلال در مورد سیستم‌های پیچیده استفاده کنند. بحث‌های حول این دو نظر هنوز برقرار هستند.[۳]

عموماً در برنامه‌ی درسی مدرسه، هیچ سخنی از سیستم‌های پیچیده در میان نیست و در دانشگاه هم تنها اشاراتی به این مبحث می‌شود. نبود این مبحث در برنامه‌ی درسی فرصت ساخت چارچوب‌های مفهومی متقن را از افراد می‌گیرد. با این حال باید پیش از گنجاندن محتوای مرتبط با سیستم‌های پیچیده، مسائل مربوط به قابلیت یادگیری این محتوا بررسی شوند. این مسائل شامل دو دسته هستند: چالش‌های شناختی (مرتبط با فهم مفاهیم سیستم‌های پیچیده) و پژوهش تربیتی (بررسی دیدگاه‌های مربوط به یادگیری سیستم‌های پیچیده). در ادامه نگاهی به چالش‌های شناختی فهم سیستم‌های پیچیده داریم. [۴]

مطالعات بسیاری از گستره‌ای از مشکلات فهم افراد از محتواهای مرتبط با پیچیدگی که در برنامه‌های درسی موجودند، خبر می‌دهند. برای مثال، حتی بسیاری از افراد واجد تحصیلات دانشگاهی دچار این کج‌فهمی هستند که واکنش‌های شیمیایی پس از رسیدن به تعادل، متوقف می شوند. همچنین برخی از مفاهیم پیچیدگی می‌توانند خلاف شهود باشند. برای مثال بسیاری فکر می‌کنند که رابطه‌ی کنش و اثر متناظر آن خطی است. در حالی که ما می‌دانیم  در یک سیستم پیچیده یک کنش کوچک می‌تواند منجر به تعاملات اجزای آن سیستم شود و کنش اولیه تشدید گردد و نتیجتاً اثری عظیم را مشاهده کنیم (نقطه‌ی عطف و یا اثر پروانه‌ای). علاوه بر این، پژوهشگران اشاره کرده‌اند که افراد تمایل دارند که کنترل مرکزی و علیت قطعی را متصور باشند و در برابر پذیرش اصطلاحاتی چون «نوپدیدگی»، «خودسازمان‌دهی»، «تصادفی بودن» و «پردازش غیرمرکزی»، مقاومت دارند. [۳]

  •  پیچیدگی در یاددهی-یادگیری

روش‌های کمی و کیفی سنتی نمی‌توانند یادگیری را توضیح دهند؛ چرا که یادگیری خود یک پدیده‌ی مبتنی بر پیچیدگی محسوب می‌شود. تعلیم و تربیت می‌تواند از چارچوبی بهره ببرد که  رفتار و مغز انسان را به عنوان سیستم‌هایی پیچیده تحلیل کند. دیدگاه سیستم پیچیده می‌تواند نظریه‌های علوم یادگیری را از طریق مدل‌سازی محاسباتی سیستم‌های یاددهی-یادگیری تقویت کنند.

این نقد به برنامه‌های درسی کنونی وارد است که تعداد زیادی موضوع درسی را به صورت سطحی پوشش می‌دهند و به دانش‌آموزان فرصت عمیق شدن در هر حوزه را نمی‌دهد. بنابراین باید این موضوع را حتماً در نظر بگیریم که نباید محتوای مربوط به سیستم‌های پیچیده را صرفاً به عنوان درسی دیگر در برنامه‌های درسی کنونی بگنجانیم. راه‌های بسیاری برای تعریف این محتوا در برنامه‌های درسی وجود دارند. مفاهیمی جون خودسازمان‌دهی و بازخورد مثبت را می‌توان در علوم زیستی (کلنی مورچه‌ها) و علوم اجتماعی (اقتصاد ملی و جهانی) به کار برد. سیستم‌های پیچیده برای یادگیری مسئله‌محور و جست‌و‌جو‌محور مناسبند که این موارد در مدل‌های آموزشی سازنده‌گرایی به کار می‌روند.

استانداردهای علمی نسل بعد (NGSS) از چند مفهوم برای برای شکل‌دهی برنامه‌ی درسی دوازده‌ساله‌ی مدرسه استفاده می‌کند: الگوها، شباهت و تنوع، علت و معلول، مقیاس و سهم و کمیت، سیستم و مدل‌های سیستم، انرژی و ماده، ساختار و کارکرد، ثبات و تغییر. تمامی این مفاهیم به نوعی مرتبط با سیستم‌های پیچیده هستند.[۱] این انتظار از علوم یادگیری می‌رود که به پژوهش‌های خود در مورد یادگیری ( در حوزه‌های تغییر مفهومی، انتقال دانش و پویایی اجتماعی-فرهنگی) ادامه دهد تا به فهم ما از پیچیدگی کمک کند. [۱]

  • جمع‌بندی

تاریخ علم را می‌توان پیشرفتی در برملا کردن اجزای مشاهده‌شده‌ی الگوها و نوپدیدگی‌های حاصل از آن اجزا دانست. رشد انسان و فرایند یاددهی-یادگیری، فرایندهای مبتنی بر سیستم‌های پیچیده محسوب می‌شوند. تلاش‌های علمی ما در راستای فهم چنین سیستم‌هایی به‌نا‌چار منجر به فروکاهش پیچیدگی می‌شوند تا موضوع به اندازه‌ی فهم ما ساده شود. از آن جا که تقریبا تمام پدیده‌های طبیعی و اجتماعی نوپدیدگی‌های حاصل تعاملات هستند، پرداختن به سیستم‌های پیچیده امری ناگزیر به نظر می‌رسد. با توجه به ویژگی‌های پیچیدگی، سرمایه‌گذاری در گنجاندن پیچیدگی در سیستم‌های آموزشی می‌تواند امری اثربخش در پذیرش پارادایمی جدید در تفکر باشد. امید است پژوهش‌های آینده جزییات تاثیر تغییر طرح‌درس‌های مبتنی بر سیستم‌های پیچیده بر فهم ارتباطات بین‌رشته‌ای را بر ما آشکار کنند.


پاورقی

وکسل: واحدهای حجمی برای اندازه‌گیری بافت مغز که در مطالعات مغز مورد استفاده قرار می‌گیرند.

تغییر مفهومی: فرایندی که در آن مفاهیم و ارتباط میان آنها تغییر می‌یابند. 

مدل آموزشی سازنده‌گرایی: یادگیری است که بر فعال بودن یادگیرنده در ساخت و فهم دانش تاکید می کند.

یادگیری مسئله‌محور: یک روش یادگیری که در آن از مسائلی که یادگیرنده در زندگی روزمره با آن برخورد دارد به عنوان نقطه‌ی آغاز و انگیزه‌ی یادگیری استفاده می‌شود.

یادگیری جست‌و‌جو‌محور: یک روش یادگیری که با مطرح کردن یک پرسش، مسئله و یا سناریو آغاز می‌شود.


منابع:

[۱]Sawyer, K. R. (2006). The Cambridge Handbook of The Learning Sciences. Cambridge: University Press.

[۲] Mitchell, M. (2011). Complexity: a guided tour. Oxford: Oxford University Press.

[۳]Telesford, Q. K., Simpson, S. L., Burdette, J. H., Hayasaka, S., & Laurienti, P. J. (2011). The Brain as a Complex System: Using Network Science as a Tool for Understanding the Brain. Brain Connectivity۱(۴), ۲۹۵–۳۰۸

[۴]Geert, P. V., & Steenbeek, H. (n.d.). Understanding mind, brain, and education as a complex, dynamic developing system: Measurement, modeling, and research. The Educated Brain, ۷۱–۹۴. doi: 10.1017/cbo9780511489907.007


درباره ما

شناخت مرکزی است برای آموزش های تخصصی و عمومی و ترویج فعالیت ها و معارف علمی در حوزه ی علوم شناختی. تاکید بر ماهیت میان رشته ای علوم شناختی و استفاده از نیروی انسانی ممتاز از مهم ترین اهداف مرکز شناخت است.


پل های ارتباطی و پایگاه های مجازی

ایمیل: Shenakhtcenter2019@gmail.com

تلگرام: t.me/shenakhtcenter