此页面由机器翻译成中文。 查看英文原版。
研究人员，教育者和研究院成员探索教学、学习和课程设计的计算和理论模型。
将教室重新 framing 为一个多代理生成模型，其中学生和教师共同最小化预测误差和预期自由能量。
在本页
教育是一个减少世界和他人思维中不确定性的社会组织过程，这使得它成为主动推理和自由能原则的典型适用对象。虽然有一小部分但正在增长的同行评审工作已经开始正式化学生和教师为构建层次生成模型的代理人，在期望自由能下选择策略，并通过预测误差更新信念——但这篇文献仍然概念导向，直接在真实教室中对主动推理进行直接实证测试仍相对缺乏。
Active inference处理感知、行动和学习为在生成模型下最小化自由能功能来界面前景，而教学互动以规模实现这一循环：学生不断从反馈中更新关于概念和自我效能的信念，同时教师设计活动和评估在学生知道什么存在广泛不确定性的情况下。层次化的生成模型中，较高层级编码慢的上下文规律，较低层级编码快的感觉细节，映射到课程结构上，自由能原则要求预测误差既不平凡也不令人震惊的要求对应于诸如最近发展区这样的概念。教室也是多智能体和部分可观测的：教师从嘈杂信号如测试成绩和行为中推断隐藏的学生知识和情绪，同时学生从有限反馈中推断隐藏的评分标准和任务需求，这赋予互动自然的POMDP结构，在每种策略选择中都有认知和实用价值。
相关文献分为三层：成熟的理论基础（Friston的自由能原理、预测编码和贝叶斯大脑账户，受到质疑是否当前证据支持‘贝叶斯大脑’主张的字面实证解读）；认知神经科学和临床神经科学中的经验性主动推理研究（例如多巴胺编码预期确定性、视觉探索作为知识获取行动，跨诊断精神疾病中探索-利用学习的研究），这些研究表明该框架可以拟合到真实的行为和神经数据，尽管这些研究的目标是感知和精神病学而非教育；以及一小部分论文直接针对教育。这两篇同行评审文章锚定了这一第三层——皇家学会的《主动推理走向学校：课堂上主动学习的重要性》和泰勒与弗雷德里克森的《主动推理与教师发展》，同时还有关于技能学习中序列依赖预测编码的神经生理学研究，显示了在练习过程中上下文和先验知识的层次整合。报告将这一直接教育文献描述为仍处于萌芽状态，专注于概念图示而非大规模的实证验证。
Active inference goes to school”发展了课堂互动的生成模型，在这些模型中，学生和教师对内容以及彼此持有信念，并将行动如提问或分组视为策略选择，权衡知识性和实用性的价值；它主张主动学习的教学法优于被动教学，因为它们提供了更丰富的知识性机会。 “Active Inference and teacher development” 将同样的工具扩展到教师身上，通过生成模型的精炼来建模专业成长，在这种精炼中，过于精确关于“什么有效”的先验会阻碍适应性实践，而校准的不确定性则支持实验性探索。面向从业者的翻译——如预测教室项目和德文研究学校的预测处理介绍——解释了这些想法，但没有采用正式建模或实证评估。报告明确指出，目前还没有任何完全部署、基于主动推理的教学辅助平台、评估工具或课堂系统；最接近的计算模拟类比是为其他领域构建的目标函数工作，如基于自由能的强化学习目标和布里斯托尔关于模拟皮质电路中的主动推理的研究，这两者都不是为课堂设计的。
报告将验证主动推理作为描述性（而非规范性或指令性的）学习理论的核心开放问题，呼应了贝叶斯大脑批评的警告，即优雅的形式化方法尚未证明人们确实像预期自由能最小化者那样行为。从当前实验主动推理工作中使用的较小且明确界定的任务扩展到多agent、长时间尺度上的真实课堂复杂性，以及混淆规范设计原则（教室应该如何结构）与描述性主张（学生实际上如何表现）的风险，都被视为独特的方法学挑战。报告还指出了生成模型中编码如动机和能力等潜在特质以应对高风险决策时所引发的伦理和实用性问题，并且在将动机、情绪和社会身份整合到这些模型中的概念空白。接下来证据的优先事项包括控制行为实验来检验预期自由能预测与强化学习替代方案，神经生理学上的序列依赖性预测编码工作扩展至课堂任务，纵向课堂观察以及低风险试点实施。
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2015). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2015.09.001. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.
关键表面
学习被描绘为一种主动的信息搜索方式，旨在减少预测误差，而非被动地接收内容。
教学选择被建模为最小化学生理解预期自由能的策略选择。
只有两篇直接形式化了主动推理在教育中的论文，且尚未部署基于主动推理的教室系统。
相关资源
Audience: Researcher
Research and publication-oriented repository for the Active Inference Journal.
Audience: Researcher
Synthesis paper on active inference over discrete state-spaces (Da Costa et al., 2020); a standard reference for the discrete formulation.