样例学习是指从具有详细解答步骤的事例中归纳出隐含的抽象知识来解决问题，
关于样例学习中样例设计的若干研究
。近年来，许多学者开始由利用样例来补充说明观点，转向将样例作为学习的主要指导方法[1-3]。随着样例学习的有效性得到普遍证实，人们的研究一方面集中于样例学习的加工机制，另一方面则集中于如何设计有效的样例，使之更符合学生的学习规律，从而提高学生的迁移和问题解决技能。当前，人们的研究主要集中在第二个方面，即如何设计样例和问题来提高学习的效率。其主要研究方向如下所示1 历史背景
样例学习加工机制的研究主要有两个方向：①从问题解决角度研究人类的认知技能获取；②从人工智能角度研究机器学习。认知技能获取的研究，主要经历了三个阶段：第一阶段大约在60年代，研究范围集中于知识贫乏领域，所关心的问题则由影响解题困难的原因，逐步转向解决一个具体问题的加工过程。在此阶段，开始使用口语报告这种分析方法。1972年，纽厄尔和西蒙在《人类的问题解决》一书中，介绍了许多重要的理论概念，如问题空间、搜索树及产生式系统等。该领域的特点是：大多数的中间状态都可以表示为实物状态；第二个阶段在70年代，发展了两个相关领域：决策和推理。其特点是从一系列的心理推理中得出结论。随后，人们的研究范围集中于知识丰富领域，最初研究方向为新手和专家的对比，如新手和专家在信息表征、推理方式上的差异等；第三个阶段在80年代，人们的研究重点集中于如何由新手变成专家，最初的方向分为练习效应、运动技能以及迁移的共同因素模型。当前，大多数的研究集中于指导在认知技能获取的作用，尤其是样例的作用[4]。
在机器学习领域，Neves（1970）首次提出了“自适应产生式系统：的概念，即：如果一个产生式系统能通过”考察例题或解决问题“来获取新的产生式，从而扩大解决问题的范围或提高解题效率，则这个产生式系统被称为”自适应的产生式系统“。1978年，Neves最先用这一观点研究学科知识的自适应学习，随后，Anzai，Neves，Anderson等从自适应产生式系统的角度，对人的“做中学和例中学”进行了大量研究，如Anderson的ACT理论、Neves的组块理论、以及有关类比推理的研究等[5]，
管理资料
《关于样例学习中样例设计的若干研究》(https://www.unjs.com)。2 当前研究方向
当前，随着样例学习的有效性得到普遍证实，人们的研究转向如何设计样例和问题，来促进学生的问题解决和迁移，并对学生在样例学习时的加工机制作了深入研究。在样例学习的观点及相对应的样例设计形式上，主要有以下四个方向：
2.1 Catrambone的子目标学习模型
Carambone等在研究中发现，学习了样例的学生通常不能解决与例题稍有偏差的问题，即不能利用所学的知识进行迁移。其原因如下：学生在学习样例时，若仅直接给他们呈现解题步骤，则可导致学生仅仅记住这些解题步骤，而不是解决问题的子目标结构；学生的问题表征只能是一个大的单一目标，以及达到这一目标所需的许多步骤[6]。因此，他认为，如果改变样例的设计形式，使之产生不同的目标结构，并清晰地表示出子目标、达到子目标所需的策略和方法以及子目标间的等级关系，则会改变学生的问题表征，从而有利于学生学习的迁移。
基于以上原因，Catambone在样例解题步骤中的子目标处，加上标签（lable），以此引导学生建立子目标。他所采用的学习材料为"泊松分布"的概率问题， 在求总和（sum）及总平均数（λ）的子目标处，加上标签，来引导学生注意这一线索，形成子目标。在对实验组（加标签）与控制组（无标签）的实验结果进行比较之后，发现前者学习的迁移效果较大，且在他们的口语报告中，更多地涉及了求子目标的过程。Catambone对他的实验结果进行了解释，并提出样例学习的子目标模型：（1）样例中的一个线索（cue或lable）会使学生将一系列解题步骤组合在一起；（2）将步骤进行组块之后，学生会试图对组块的原因进行自我解释；（3）自我解释的结果导致了子目标的形成[7]。
由此可见，Catambone在样例设计中，将强调问题解决的目标结构作为设计的主要原则，并在子目标处加上标签，引导学生对子目标的学习。而建立了子目标结构表征的学生之所以能够有效地进行迁移，可能存在三个原因：(1)目标结构表征本身是有意义的，将知识有机的结合在一起。（2）若解决具有相同子目标、不同解决方法的问题时，学生可通过寻求先前知识（补漏）来解决问题；（3）若所有的解决方法都不能达到子目标，学生可在较少的搜索空间来寻找错误之处[8]。