深度学习研究：发展脉络与瓶颈
彭红超 祝智庭
摘要：深度学习研究在国际上历经40余年，经历了蛰伏期、萌发期、新兴期，目前正处在迅发期，已得到政府、学校、社会机构、媒体前所未有的关注和推崇。国内外的深度学习研究态势呈现出各自特色：国外偏向深度参与学习以及高阶学习策略研究，国内注重学生高阶知能的发展与迁移应用。40余年里，深度学习发生了两个方向的转变：从索求理解到追求迁移、从注重过程到侧重结果。深度学习已不再仅仅是为了理解基本知能而采用的学习方式，它更多的是一种基于理解、追求迁移应用的有意义学习。它通过促使学生深度参与学习、适性地采用高级学习方略来促进高阶知能的发展，实现这些知能在全新情境中的应用或新高阶知能生成。目前国内外尚无研究关注深度学习的灵活性问题，而灵活性却是深度学习的诉求。这种诉求触及到顶层框架结构的变化并且需要一种认知灵活性，其实现极具挑战，可通过学习架构并借助智慧课堂的赋能作用尝试解决。
关键词：深度学习;研究走势;理念演变;研究瓶颈;学习架构;智慧课堂
中图分类号：G434? ?文献标识码：A? ? 文章编号：1009-5195（2020）01-0041-10? doi10.3969/j.issn.1009-5195.2020.01.005
作者简介：彭红超，博士研究生，华东师范大学教育学部教育信息技术学系（上海 200062）;祝智庭（通讯作者），博士，教授，博士生导师，华东师范大学开放教育学院（上海 200062）。
受核心素养教育理念与框架的影响，国际上出现了一股深度学习运动浪潮，加之信息技术特别是AI技术引发的系列教育教学变革，深度学习重新引起了学术界以及广大群众的普遍关注（何克抗，2018）。特别是人类教会机器深度学习，并打败世界围棋冠军李世石后，教育领域中的深度学习更是得到政府、学校、社会机构、媒体前所未有的关注和推崇（祝智庭等，2017）。当前，中小学领导意识到深度学习在正式学习环境中的价值（Johnson et al.，2014），转向深度学习已成为驱动教育技术应用的长期趋势（大于5年）（Freeman et al.，2017），探究如何促进学生深度学习、培养他们的深度学习能力也已成为教育变革的重要课题（张浩等，2014）。
诚然，走向深度学习是信息化教学的诉求和趣旨，但它并非新近萌生的理念。自1976年首次提出以来，深度学习已经历了40余年的发展演变。此期间，深度学习的研究走势与探究态势如何，理念发展有何变化？当前深度学习发展的瓶颈是什么，可能的解决途径是什么？这些问题的回答有利于学者与教学实践者全面认识深度学习，精准把握深度学习研究与发展的取向。
目前已有的研究综述，均局限于10年内，且国内除张宝辉团队外，基本均只浅显地呈现样本分布（如国家、机构、期刊等）、基本趋势与研究热点（沈霞娟等，2019），而张宝辉团队也仅分析了国外深度学习的实证研究情况，并没有很好地回答上述问题。对此，本研究综合运用计量统计分析与内容分析，深入解读了1976-2019年40余年的中外核心期刊文献，来探索这些问题的答案。
一、文献来源与分析方法
依据文献离散理论“大多数关键文献通常集中于少数核心期刊”（李艳等，2016），本研究采用中文篇名词“深度/深层学习”和英文篇名词“deep（er） learning、deep approach（es）、deep strategy/strategies”分别在中国知网和Web of Science数据库平台检索北大核心、CSSCI和SSCI三类期刊。检索时间为2019年8月7日。命中的文献按以下标准遴选（Petticrew et al.，2006）：（1）剔除重复的文献，（2）文献的主题是关于教育教学的（如提出技术领域中的深度学习）。最终得到文献422篇，其中中文文献313篇，英文文献109篇。
本研究首先采用文献计量法深度学习的研究走势，之后通过社会网络中心度分析法可视化呈现国内外深度学习的研究态势，同时通过内容分析法进行深入解读，并探析深度学习存在的研究瓶颈以及可能的解决取向。社会网络中心度分析按照以下步骤进行：（1）将文献中的关键词导入Bicomb2软件中，数据清洗后（如术语统一化）进行词频分析;（2）用词频大于等于3（李运福等，2018）的高频关键词进行共现分析，形成共现矩阵;（3）将共现矩阵导入Ucinet6软件中，并使用该软件中的NetDraw工具进行社会网络中心度分析。
二、研究热度与研究态势
文献内容显示，国内外学者普遍认为马顿（Maton）和赛尔乔（S?lj?）于1976年最早提出了深度学习的理念，虽然他们并没有使用术语Deep Learning。按照李艺团队的研究，深度学习这一术语在20世纪90年代以后才逐步被使用（殷常鸿等，2019），最早使用该术语的学者是本茨（Bentz，1992）。
1.研究热度
计量统计分析显示（如图1），深度学习最初出现时并没有得到学者们的广泛关注，直到21世纪以后才逐渐被大家重视。纵观深度学习研究历程，国外研究热度波动幅度较小（右图进行了放大），国内研究起步相对较晚，但很快成为众多学者的研究热点。尽管如此，国内外研究热度走势仍大致相同，均经历了蛰伏期、萌动期、新兴期、迅发期四个时期。
（1）蛰伏期（国外1976-1995，国内1976-2005）
图1显示，深度学习自1976年诞生后便进入了漫长的蛰伏期。虽然计量统计没有得到此时期的文献，但仍有一批富有远见的学者致力于深度学习的研究。教育心理学教授比格斯（John Biggs）团队即是其中代表，经过深入研究，他们发表了系列成果，最为著名的兩项成果分别为测量深度/浅表学习策略与动机的SPQ学习过程量表（Biggs，1978）以及测量深度学习结果的SOLO层级评估体系（Biggs et al.，1982）。这两项成果至今仍是学者测量深度学习过程与结果的常用工具。
其实，20世纪70年代后，电脑已经逐步替代一些常规和手工任务，开始协助人们完成部分非常规任务（Murane et al.，1996），并带动企业人才结构需求的变化：常规技能的需求量剧降，诸如沟通能力和专家思维等本领的需求量猛增（Conley et al.，2013）。但内容分析显示，此时的深度学习多关注浅表学习（常规记忆、不求甚解、应对考试）的对立面，并没有与上述社会形势接轨，这可能是深度学习没有引起广泛关注转而进入漫长蛰伏期的原因（我国持续了近30年，国外持续了近20年）。
（2）萌动期（国外1995-2007，国内2005-2012）
文献统计显示，1995年，新加坡南洋理工大学的胡恩（Hoon）等人（1995）首次将深度学习策略应用于高中化学课中，以促进学生形象化抽象的概念，探寻众多化学事实间的关联。自此，国外进入了深度学习研究的萌动期，这一时期开始陆续有少量学者的研究与应用成果出现。我国进入萌动期肇始于2005年黎加厚教授团队对深度学习的引进与解读（何玲等，2005），结果是，他们提出了国内较为认可的深度学习定义。
内容分析显示，此时期的深度学习理念与蛰伏期类似，依然注重过程，不过除了探析出更多可促进深度学习的方式/策略外，学者们还开始探究形成性评估和各种学习环境的支持。此时期，国内还着重梳理了深度学习理念以及在信息化环境中的设计。数据显示，这一时期，国外持续的时间远长于国内。
（3）新兴期（国外2007-2016，国内2012-2016）
进入21世纪后，国际组织与世界各国纷纷致力于探究应该培养何种新世纪人才，结果是21世纪初，各式各样的人才框架涌现在世人面前，其中最具影响力的三个框架当属2003年OECD发布的迪斯科（DeSeCo）素养框架、2006年欧盟发布的终身学习核心素养框架以及2007年P21发布的21世纪学习框架。这些框架的出现促使深度学习的国内外研究步入新兴阶段。数据显示，核心素养对国内深度学习研究的效应，相比国外延迟了5年。
此时期，受这些核心素养框架的影响，国际上出现了一股深度学习运动浪潮（祝智庭等，2017）：2010年美国休利特基金会发起了长达15年的深度学习战略计划（The William and Flora Hewlett Foundation，2012），亚洲协会（Asia Society）等十大机构也协力促使深度学习的实验学校散布全美（Alliance for Excellent Education，2017）。更甚者，2012年加拿大的维多利亚大学发起了深度学习全球行动，与10个国家1000多所学校合作，寻求深度学习变革的方案（NPDL，2017）。2015年，美国更是发布文件将深度学习作为21世纪教育的国策（National Association of State Boards of Education，2015）。
面对这一系列的事件，国外学者要比国内学者冷静许多。数据显示，国外尽管在2008-2009年与2015年发生了两次波动，但很快恢复了平静，而国内越来越多的研究者开始追捧深度学习，文献数量在2013年开始超越国外。
（4）迅发期（国外2016-至今，国内2016-至今）
诱导深度学习研究进入迅发期的事件除2015年美国将深度学习作为教育国策外，更关键的是，2016年智能机器人AlphaGo战胜世界围棋冠军李世石的事件一度引发了机器替代人类的忧虑，也促使学者们开始反思：“既然人类能够教会机器深度学习，为什么在学校中我们不能教会孩子们深度学习？”（祝智庭等，2017）。
这一时期，深度学习得到全方面的研究：从理念拓展、策略检验、模式构建，到机制探究、评估研制，再到学科应用。此时期，技术特别是智能技术赋能的深度学习成为新兴研究潮流。特别是，2016年《中国学生发展核心素养》的发布更是为国内深度学习的研究增添了强力助燃剂。这是继萌动期后，深度学习重新引起了学术界乃至广大群众的普遍关注。
2.研究态势
社会网络中心度分析形成的国内外深度学习研究态势图如图2和图3所示。方框越大，表示中心度越高，方框间的距离反映关键词间的亲疏关系（宋慧玲等，2017）。
虽然，国内研究比国外晚了10年之久（萌动期起始时间点），但观察图2与图3容易发现，国内的研究更成体系。不过，这并不代表国内深度学习更成熟。内容分析发现，国内多数文献只是对已有理念和理论的介绍、梳理、探析，学科教学方面的应用研究也多是简单的案例介绍。
整体讲，国内外的深度学习研究各有特色：国外偏向学生深度参与学习以及高阶学习策略方面的研究，国内更加注重学生高阶知能的发展与迁移应用。具体讲，深度参与学习方面，国外从宏观的参与文化到微观的课堂参与（认知、情感、行为）均有细致研究（Lau et al.，2008;Terrenghi et al.，2019;Gee et al.，2019）;而国内虽然有文献涉及到这方面，但目前为止并没有专注于这方面的研究。高阶学习策略方面，国外致力于探究实现深度学习的各种策略，从充当教师的同侪教学到自我认知的反思（Evans et al.，2009;Nelson et al.，2014），国内也有这方面研究的文献，但图3显示，它处于远离深度学习的偏远地带，与深度学习的关系并不紧密。高阶知能发展方面，国外很多文献涉及到了诸如创造力（Turvey，2006）、审辨思维（Wang et al.，2015）等核心素养的研究，但图2显示它与深度学习的关系是疏远的;而国内深度学习的研究深受核心素养的影响，所以二者的关系最为紧密，这一点也印证了我国深度学习附有浓厚功利色彩的事实：在我国，深度学习常常作为培育学生高阶能力的重要手段。迁移应用方面，相对来讲，国内的研究要比国外成熟得多，不仅有理论层面的探究（段金菊，2012;刘哲雨等，2017），也有学科教学的实践（李春来，2019）;不仅关注基本知识的迁移（刘伟等，2019），也关注高阶能力（孫妍妍等，2018），甚至是成果的迁移（赵安冉等，2019）。而此方面，国外目前关注的较少，且主要集中于知识的迁移（Green et al.，2013;Nielsen，2016）。图2显示，迁移处于极其偏远的边缘地带，也印证了这一论断。
三、深度学习理念的演变
内容分析发现，深度学习自诞生后，共经历了两个方向的转变。目前，深度学习已不再仅仅是为了理解基本知能而采用的学习方式，它更多的是为了获得高阶知能及其迁移而采用的学习策略。
1.理念的转变
（1）从索求理解到追求迁移
早期，马顿与赛尔乔提出的深度学习针对的是学习方式（Approach）或策略，简单讲，采用理解方式的学习即为深度学习，采用再现（Reproduction）方式的学习即为浅表学习（Marton et al.，1976）。此时的深度学习体现在“寻求意义、关联想法、使用证据、对观点而非通过考試有兴趣”四个维度;浅表学习主要体现在“信息无关联地记忆、学习局限于教学大纲、采用最少的努力来避免失败”三个维度（Tait et al.，1996），这种学习只会产生浅显的理解（Limited Understanding），即不具备概念间的联系。所以，著名学者拉姆斯登（Ramsden）认为浅表学习充其量是没有质量的数量（量变），而深度学习却是质量的数量累积（质变）（Ramsden，2003）。
容易发现，这时深度学习的目标是理解，而浅表学习的目标是再现考试材料（虽然可以产生浅显理解，但它不是学习目标）。
由于深度学习以理解和构建意义的方式学习，人们很快意识到，深度学习可以使知识、概念更好地迁移（Van Rossum et al.，1984）。进入21世纪后，面对日益变幻的新形势，如何迁移应用课堂所学让学生在未来的工作和生活中获得成功，成为教育的新挑战。由此，深度学习的目的由理解变迁为迁移（即为迁移而学）（National Research Council，2012），而原有的理解成为深度学习的基础。这一点，从黎加厚教授团队的深度学习定义中可以得到验证：深度学习即是在理解学习的基础上，学习者能够批判性地学习新的思想和事实，并将它们融入原有的认知结构中;能够在众多思想间进行联系，并将已有的知识迁移到新的情境中，作出决策和解决问题的学习（何玲等，2005）。美国国家研究委员会更是将深度学习的基调定为能够使学生将从某一情境中的所学应用到新情境中的学习过程（即迁移），其产物即是可迁移的知识（National Research Council，2012）。这种知识既包括传统意义上的某领域的内容知识，也包括如何、为何、何时应用这些知识来回答问题和解决问题的知识。
（2）从注重过程到侧重结果
最初，深度学习只是马顿与赛尔乔标榜学生追求理解的学习策略，之后，这种策略细化成为学习过程中采用的深度策略手段（最大化意义）和深度动机（如内在兴趣）（Biggs，1987）。按照比格斯的观点，深度策略手段描述的是学习者深度参与任务的方式，这种参与作为前提条件，也逐渐成为深度学习过程的组成部分（Biggs et al.，2001）。在深度学习中，深度参与表征学生积极追求深度学习的程度，它指的是全身心积极地参与。在注重“学生为中心”的今天，参与在深度学习中的地位越来越重要。我国学者崔允漷教授甚至直接用认知参与来界定深度学习：在复杂的环境下，表现出高度投入、高度认知参与并获得意义的学习（崔允漷，2017）。
虽然，20世纪70年代后，社会对人才能力结构的需求发生了变化，但直到2010年，休利特基金会发起深度学习战略计划，深度学习才将注意力从过程转移到结果（崔允漷，2017）。与之前的深度学习注重基本知能的深度理解与迁移应用不同，此后的深度学习更加注重中高阶能力的习得与迁移应用。相应地，深度学习（Deep Learning）也多了一个比较级英文名：Deeper Learning。
通过对当时形势的分析，休利特基金会提出6种需要迁移应用的深度学习能力（The William and Flora Hewlett Foundation，2012）：掌握核心学术内容、审辨思维与复杂问题解决、协同作业、有效沟通、学会学习、发展与维持学术意念。此后不久，为探讨深度学习与21世纪能力的融合，美国国家研究委员会将21世纪能力重新梳理归纳为认知、自我、人际三大领域，并将这三大领域作为深度学习能力的三个维度（National Research Council，2012）。其实，休利特基金会提出的六大深度学习能力与美国国家研究委员会界定的三个维度是对应的，并且它与智慧人才能力也是同质的，如上表所示。
2.深度学习理念全解
综上可知，当下深度学习的目标已由索求理解演变至追求迁移，不但注重学习过程中学生的深度参与、采用的策略手段，也注重更高阶技能的精熟掌握与迁移应用。由此，本研究对深度学习做了新界定：深度学习是一种基于理解、追求迁移应用的有意义学习，它通过促使学生深度参与学习、适性地采用高级学习策略来促进高阶知能的发展，以实现这些知能在全新情境中的应用或新高阶知能的生成。
定义中，深度参与学习、高级学习策略、高阶知能的发展、基于理解为迁移而学是深度学习的四大特征。其中，深度参与即全身心积极地参与，它关注学生的学习投入程度与投入后的心流状态情况。高级学习策略通过“是否基于理解”“是否追求迁移应用”来判定，考虑到深度学习应体现“以学生为中心”的理念，学习策略是否高级还需判定它“是否体现学生主动性”。高阶知能，即为上表中的休利特基金会六大深度学习能力。从布鲁姆分类学的角度看，它侧重实施（即新情境中的应用）、分析、评价、创造等知能。“基于理解为迁移而学”中的理解，多为深度理解。由于反思被证明是深度理解的重要手段（Haller et al.，2007），因此深度理解从多角度深度的 反复思考入手。对于迁移，考虑到课堂教学无法培育解决未来未知问题的所有知能，本研究将已有知能组合/综合创新也作为一种迁移，这样迁移既包括知能在新情境的应用（原有），也包括新高阶知能的生成（拓展）。
从神经学角度看，教育领域中的深度学习之所以要求学生“深度参与学习、采用高级学习策略”，本质上就是要激活更多的隐层参与“训练”（祝智庭等，2017）。参与训练的层数越多，感官得来的信息越能抽象成为更高级的意义，从而越接近事物的本质或原理。只有触及到本质与原理时，迁移才有可能（杨桂青，2018）。从这个角度讲，教育领域中的深度学习与技术领域中的深度学习是相通的。
四、深度学习研究瓶颈
回顾研究态势发现，虽然国内外深度学习研究的侧重点不同，但已基本涵盖新界定中的四大特征。不过从深度学习内容分析发现，已有研究均将深度学习视为某种稳定的活动进程结构导向的学习，国内外均没有关注它的靈活性问题。
1.深度学习对灵活性的诉求
无论促使学生深度参与还是引导其采用高级策略，深度学习的最终目的均是促进学生高阶知能的发展及其迁移应用。研究表明，只有深度理解，才有可能实现迁移应用，而反思是实现这种理解的重要手段与有效策略。有学者甚至认为，反思是实现深度学习的唯一机制（Svensson，1977）。这就需要学生能够随时回顾所学、反复思考并修正已有想法。另外，深度学习也需要能够按照自己的需求，主动地选择适合的资源、工具，开展适切的学习活动，这种个性与主动性，有助于促进深度学习（Fullan et al.，2014）。由于学生回顾反思的不确定性、回顾所学内容的差异性、自动选择资源工具与开展学习活动的不可预知性，深度学习的活动进程结构应该是多样灵活的。
灵活进程结构中，灵活交互式的师导型自主探究是深度学习成功的关键。自主探究会让学生认为他们拥有学习内容、方式、时间的控制权，让他们相信自己的行为是内在发起的，这会让学生更加偏好于更具有挑战性的任务，更愿意为理解付出更多的努力（Grolnick et al.，1989），从而走向深度学习。研究表明，深度学习追求的高阶能力培育与迁移应用对于初学者来说非常困难。由于他们缺少专家用于解决新问题的图式，在缺少灵活交互式的师导型自主探究中，很容易因不知所措而失败（Bransford et al.，2000）。Green等人（2013）的“边写研究论文边学习”的深度学习失败案例即佐证了这一点。这种“灵活交互式”体现在“个性需求、有求必应、求应交融”，它有别于泾渭分明的学主师导式（郑福胜等，2017）教学模式。
2.灵活性的挑战
教育发展与变革的六大挑战为“公平与均衡、优质与创新、个性与灵活”。深度学习对活动进程结构灵活性的诉求已触及到顶层框架结构的变化，这进一步增加了实现灵活性的挑战。
其实，上述灵活性只是表象，深度学习真正需要的是认知灵活性，这种灵活需要教学以不同的方式组织和教授知能，促使学生进行反复交叉学习，即对同一内容，在不同时间、不同情境中以不同的目的从不同角度进行多次交叉的非线性学习（刘儒德，1999），这伴随着情境的变化以及去情境与再情境的反复。情境能够桥接知识世界与生活世界;去情境建立生活世界通向知识世界的甬道，促使学生提炼出规律、趋势或共同特征等知识;再情境建立知识世界通向生活世界的甬道，学生每一次解决新情境中的问题，均会重新组装已提炼出的知识，构建当前问题的意义（Spiro et al.，1991）。如此往复，学生才会形成丰富而灵活的理解，才能灵活应用或组装相关知识解决变化情境中的问题，实现迁移（Jacobson，1996）。在本就时间有限、任务繁重且人数较多的课堂教学中，此认知灵活性无疑是一项巨大挑战。
五、解决措施
面对上述灵活性瓶颈，学习架构（Learning Architecture）可能是一种有效途径。它的突出特征即是灵活性（MCEETYA，2003），并且能够帮助理解学习的深度（Scanlan，2013）。
1.走向学习架构
沈书生团队从教育现实存在的问题出发，结合智慧学习的诉求，提出了教学结构向学习结构转变的思路（沈书生，2017）。按照他们的观点，学习结构主张学生主持自己的学习行为，是他们为了达成相应的学习目标，借助于特定学习空间的支持，形成的关于学习内容的呈现方式、组织序列、时间分配、自我检测等要素的特有组织形式（沈书生，2017）。在学习结构中，教师的主要任务是分析学生偏好与需求的变化，形成满足个性认知习惯的多样资源及其表征与呈现方式，并构建多种学习策略的支持。诚然，学习结构充分体现了学生的个性与主动性，有助于促进深度学习（Fullan et al.，2014），然而它对学生的学习能力要求过高，不适合当下中小学的基础教育。更重要的是，它所表征的学习组织的特有形式，依然是对教与学的稳定性方面的关注，基于学习结构的智慧学习路径（陆凯莉等，2017）能够印证这一点。因此，本研究认为，教学需要走向学习架构，以便教学既能够像学习结构那样，注重学生学习的个性与主动性，也能够迎合深度学习灵活性的诉求。教学结构、学习结构、学习架构间的关系如图4所示。
2.智慧课堂赋能
向灵活性转变根本上是由于技术的发展推动的（樊平军，2017）。理论上，融合了多种先进的IT技术和媒体设备的智慧课堂能够为深度学习的灵活性赋能。虽然目前为止，它还没有让深度学习如我们期待的那样发生（陈蓓蕾等，2019）。
作为智慧学习环境的一种范式，智慧课堂具有智慧环境所有的功能特性：学习空间的无缝联通、学习情境的敏捷感知、学习体验的自然交互、学习服务的精准适配、学习过程的全程记录、数据资源的开放整合（Zhu et al.，2016）。这些功能特性让学生的学习具有更多的灵活性、有效性、适应性、参与性、动机和反馈（Spector，2014），赋能师生灵活地开展深度教与学。具体讲，智慧课堂能够灵便地创设或联通仿真或真实情境，实现认知灵活性需要的情境随意变换与改变;能够适应性地响应学生的学习需求，提供反复交叉学习所需要的适性的学习支持、个性化的帮助以及富媒体样态的学习资源生态。其中个性化生成性路径的推荐，会导致活动进程结构多样性，这种灵活的进程能够以可视化的形式实时反馈给师生。
另外，智慧课堂能够关注到每位学生的学习状况，让教师更有能力监督、指导、评估学生，更放心地将更多主动权交给学生，激发学生的兴趣和动力，调动创造力，从而高效地、富有成就地学习（Li et al.，2015），达到深度学习的目标。因此，有学习者指出，智慧课堂是以技术无缝支持深度学习的新型课堂形态（于颖等，2018）。但上述研究态势图表明，智慧课堂的赋能作用，并没有得到很好地挖掘，智慧课堂并没有出现在图2和图3中，作为智慧课堂上位概念的智慧学习环境也只是处于极偏远的边缘。
六、结语
研究分析表明，历经40余年，深度学习的研究经历了蛰伏期、萌发期、新兴期，目前正处在迅发期阶段。目前，国内外的深度学习研究态势已呈现出各自特色：国外偏向学生深度参与学习以及高阶学习策略研究，国内更加注重学生高阶知能的发展与迁移应用研究。在这40余年里，深度学习共发生了两个方向的转变：从索求理解到追求迁移、从注重过程到侧重结果。目前深度学习已不再仅仅是为了理解基本知能而采用的学习方式，它更多的是一种基于理解、追求迁移应用的有意义学习，通过促使学生深度参与学习、适性地采用高级学习策略来促进高阶知能的发展，以实现这些知能在全新情境中的应用或新高阶知能的生成。其中，新高阶知能的生成为本研究对迁移的拓展。
研究分析还表明，目前国内外均没有关注深度学习的灵活性问题，而灵活性却是深度学习的诉求。这种诉求触及到顶层框架结构的变化并且需要一种认知灵活性，其实现极具挑战。对此，本研究建议教学走向学习架构，并借助智慧课堂的赋能作用尝试解决。考虑到学习架构并未被大众所熟知且国内外也极少有学者研究，笔者将另立专题进行详实研究。另外，智慧课堂赋能同样没有被很好地挖掘，它支持的灵活深度学习机制也有进一步深入探究的价值和意义。
注释：
① 为清晰表征21世纪能力与其他三列的关系，此处呈现的是3Rs和7Cs类群。其中3Rs为关键学科知识中的读（Reading）、写（wRiting）、算（aRithmetic）;7Cs为审辨思维与问题解决（Critical Thinking and Problem Solving），创新与创造（Creativity and Innovation），交流与媒体素养（Communication and Media Literacy），协作与领导力（Collaboration and Leadership），计算与数字素养（Computing and Digital Proficiency），跨文化与社交水平（Cross-Cultural and Social Fluency），职业、公民意识、自主学习水平（Career， Civic and Learning Self-Direction），它们是“生活与职业技能，学习与创新技能，信息、媒体与技术技能”中的能力维度。
参考文献：
[1]陈蓓蕾，张屹，杨兵等（2019）.智慧教室中的教学交互促进大学生深度学习研究[J].电化教育研究， 40（3）：90-97.
[2]崔允漷（2017）.指向深度学习的学历案[J].人民教育， （20）：43-48.
[3]段金菊（2012）.e-Learning环境下促进深度学习的策略研究[J].中国电化教育，（5）：38-43.
[4]樊平军（2017）.灵活学习背景下大学教师发展的路径[J].中国高教研究， （9）：48-50，56.
[5]何克抗（2018）.深度学习：网络时代学习方式的变革[J].教育研究， 39（5）：111-115.
[6]何玲， 黎加厚（2005）. 促进学生深度学习[J]. 现代教学（计算机教与学），（5）：29-30.
[7]李春来（2019）.在问题解决中通过深度学习发展物理观念[J].物理教师， 40（4）：16-18.
[8]李艳，张慕华（2016）.国际开放教育资源和慕课（MOOCs）研究文献计量分析（2000-2015）[J].远程教育杂志， 35（3）：76-87.
[9]李运福，杨晓宏，周效章（2018）.我国在线课程评价研究热点可视化分析与启示[J].中国远程教育， （7）：70-78.
[10]刘儒德（1999）.论认知灵活性理论[J].北京师范大学学报（人文社会科学版），（5）：61-66.
[11]刘伟，戚万学，宋守君（2019）.致力于知识迁移的深度学习探究[J].現代教育技术， 29（3）：25-31.
[12]刘哲雨，郝晓鑫（2017）.深度学习的评价模式研究[J].现代教育技术， 27（4）：12-18.
[13]陆凯莉，沈书生（2017）.指向“学习结构”的智慧学习及其应用[J].教育发展研究，37（Z2）：91-97.
[14]沈书生（2017）.从教学结构到学习结构：智慧学习设计方法取向[J].电化教育研究，38（8）：99-104.
[15]沈霞娟，张宝辉，曾宁（2019）.国外近十年深度学习实证研究综述——主题、情境、方法及结果[J].电化教育研究，40（5）：111-119.
[16]宋慧玲，张地坷，帅传敏等（2017）.我国网络学习绩效研究文献的可视化计量分析[J].中国远程教育， （3）：30-36，74.
[17]孙妍妍，祝智庭（2018）.以深度学习培养21世纪技能——美国《为了生活和工作的学习：在21世纪发展可迁移的知识与技能》的启示[J].现代远程教育研究， （3）：9-18.
[18]杨桂青（2018）. 教育从不单纯根据技术的需求来变革——访华东师范大学终身教授祝智庭[EB/OL]. [2019-04-03]. http：//www.jyb.cn/zgjyb/201805/t20180531_1092945.html.
[19]殷常鴻，张义兵，高伟等（2019）.“皮亚杰-比格斯”深度学习评价模型构建[J].电化教育研究， 40（7）：13-20.
[20]于颖，陈文文（2018）.智慧课堂教学模式的进阶式发展探析[J].中国电化教育， （11）：126-132.
[21]张浩，吴秀娟，王静（2014）.深度学习的目标与评价体系构建[J].中国电化教育， （7）：51-55.
[22]赵安冉，仲小敏（2019）.高中地理课堂深度学习的设计与实践[J].地理教学， （7）：34-37.
[23]郑福胜，赵永春（2017）.关于“学生主体，教师主导”论的辨正与刍议[J].黑龙江高教研究， （9）：30-33.
[24]祝智庭，彭红超（2017）.深度学习：智慧教育的核心支柱[J].中国教育学刊， （5）：36-45.
[25]Alliance for Excellent Education（2017）. Deeper Learning in Schools[EB/OL]. [2017-03-02]. http：//deeperlearning4all.org/deeper-learning-in-schools.
[26]Bentz， V. M. （1992）. Deep Learning Groups： Combining Emotional and Intellectual Learning[J]. Clinical Sociology Review，10（1）：71-89.
[27]Biggs， J. B. （1978）. Individual and Group Differences in Study Processes[J]. British Journal of Educational Psychology，48（3）：266-279.
[28]Biggs， J. B. （1987）. Student Approaches to Learning and Studying[M]. Camberwell， Vic.： Australian Council for Educational Research.
[29]Biggs， J. B.， & Collis， K. F. （1982）. Evaluating the Quality of Learning： The SOLO Taxonomy[M]. New York： Academic.
[30]Biggs， J. B.， Kember， D.， & Leung， D. Y.（2001）. The Revised Two-Factor Study Process Questionnaire： R-SPQ-2F[J]. British Journal of Educational Psychology， 71（1）： 133-149.
[31]Bransford， J. D.， Brown， A. L.， & Cocking， R. R.（2000）. How People Learn： Brain， Mind， Experience， and School[M]. Expanded Edition. Washington， DC： National Academies Press.
[32]Conley， D. T.， & Darling-Hammond， L. （2013）. Creating Systems of Assessment for Deeper Learning[M]. Stanford， CA： Stanford Center for Opportunity Policy in Education：1.
[33]Evans， D. J.， & Cuffe， T. （2009）. Near-Peer Teaching in Anatomy： An Approach for Deeper Learning[J]. Anatomical Sciences Education，2（5）：227-233.
[34]Freeman， A.， Adams， B. S.， & Cummins. M. et al. （2017）. NMC/CoSN Horizon Report： 2017 K-12 Edition[R]. Austin， Texas ： The New Media Consortium.
[35]Fullan， M.， & Langworthy， M.（2014）. A Rich Seam： How New Pedagogies Find Deep Learning[R/OL]. [2018-01-05]. https：//michaelfullan.ca/a-rich-seam-how-new-pedagogies-find-deep-learning/.
[36]Gee， J.， & Esteban-Guitart， M. （2019）. Designing for Deep Learning in the Context of Digital and Social Media[J]. Comunicar： Media Education Research Journal，27（58）：9-17.
[37]Green， G. P.， Bean， J. C.， & Peterson， D. J. （2013）. Deep Learning in Intermediate Microeconomics： Using Scaffolding Assignments to Teach Theory and Promote Transfer[J]. The Journal of Economic Education，44（2）：142-157.
