4、计算机创造力与编程教学的深度剖析

计算机创造力与编程教学的深度剖析

1. 人工智能系统的发展与局限

近年来，人工智能系统的发展备受关注。相关研究为诸如“视觉、语言理解、知识表示、学习、推理、规划和语言生成”等复杂过程建立了计算模型。像 PILOT、TICCIT 和 GNOSIS 等系统能够“理解”课程内容，具备交互处理能力，还能适应多变的思维过程。然而，对于构建这些超越人类能力的系统，人们提出了关键问题。虽然这些系统展现出了“令人印象深刻的智能”，但其专业领域有限，存在诸多缺陷。这些弱点或许并非源于人工智能技术的失败，而是因为对如何将智能创造性地应用于解决问题缺乏理解。

问题解决被定义为“以假设为导向的发现式学习，需要对现有知识进行转换和重新整合”，以适应手段 - 目的关系的需求。它涉及将先前的学习经验与当前问题的组成部分相结合，形成“转换或重新整合的知识库”。创造力则涉及“对思想的新颖或原创性转换”以及新的“上位和解释性原则”的生成，可被视为问题解决的最高表现形式。当解决的问题处于全新的不同情境时，问题解决被称为创造性的。

2. 创造力的定义与层次

创造力是区分人类与低等动物的重要特征。人类的创造过程通常包含某种洞察力的闪现，揭示出经过一段时间努力后问题的解决方案。然而，也有人认为人类创造力的过程和特征可以应用于人工系统的构建，但存在一些理论和逻辑上的冲突需要考虑。

创造力的定义常常具有误导性，没有一个被普遍接受的定义。早期的定义往往较为单一，仅关注创造力的来源。例如，Spearman 将创造力描述为“人类思维创造新内容的能力”；Jung 扩展了同步性原则，认为创造力是两个有意义但无因果关系的事件同时结合，最终产生独特的构造。

Wolfe 提出了创