法則 集組 來 呈現 ， 這些 變項 可 用以 解決 某 領域 中 不同 但是 相關 的 問題 。 在 目前 這 個 單元 中 ， 我們 將要 把 我們 的 注意力 放 在 關於 領域 廣泛 的 程序 （ domain-general procedures ） 上面 。 就 如同 領域 特定 的 策略 一般 ， 領域 廣泛 的 程序 同樣 也 可以 用 一些 條件 中 包含有 變項 （ variables ） 的 生產 法則 集組 來 呈現 。 但 與 領域 特定 的 策略 不同 的 地方 則 是 ， 領域 廣泛 的 程序性 知識 可以 橫跨 廣泛 不同 的 領域 且 皆 是 有用 的 。 因此 ， 後者 這 類 知識 的 廣泛性 程度 比起 前者 而言 則 是 明顯 地 要 廣大 得多 了 。 領域 廣泛 的 程序性 知識 被 認為 是 構成 我們 去 學習 、 做 批判性 思考 、 以及 做 跨 領域 的 有效 推理 歷程 等 能力 之 基礎 。 讀者 可以 回想 我們 曾經 將 弱勢 方法 （ weak methods ） 這 個 詞 ， 與 「 領域 廣泛 的 程序性 知識 」 作為 通用詞 。 在 本 章 早先 的 單元 中 ， 我們 提到 生手 會 使用 一些 弱勢 方法 來 闡釋 敘述 性知識 ， 以 建構 其 強大 且 有力 的 領域 特定 程序 。 事實 上 ， 領域 廣泛 的 程序性 知識 也 被 認為 是 在 發展 領域 特定 的 專門 性知識 時 的 一 種 工具 。 目前 為止 我們 對 人們 是 如何 習取 構成 所有 學習 的 弱勢 方法 並 沒有 很多 可以 說明 的 。 在 本 節 中 ， 我們 要 呈現 的 乃是 一 個 精萃 過 的 、 關於 目前 已 知 與 領域 廣泛 的 程序性 知識 習得 之 相關 訊息 。 隨後 我們 也 會 呈現為 教導 領域 廣泛 的 思考 技能 而 設計出 的 一 個 教學 計畫 （ instructional program ） 的 例子 。 說 實在 的 ， 關於 領域 廣泛 的 程序性 知識 是 如何 習得 的 ， 並 沒有 很多 已 知 的 資訊 。 事實 上 ， 對於 領域 廣泛 的 程序性 知識 究竟 是否 為 習得 的 尚 有 很 大 的 爭議性 存在 。 當 大多數 的 教育 者 都 假定 弱勢 方法 能 像 所有 其它 知識 一樣 很 容易 地 被 習取 ， 反對 這 個 觀點 的 看法 也 不斷 在 增加 中 。 最近 提出 的 一 個 看法 乃是 ， 人們 會 由 一 個 普遍 通行 的 （ universal ） 弱勢 方法 開始 來 登錄 由 環境 中 所 得 的 訊息 ， 然後 將 這 個 方法 當成 建構 所有 後續 弱勢 方法 、 以及 建構 所有 領域 特定 的 程序性 知識 之 基礎 （ 參見 Laird & Newell , 1983 ） 。 另 一 個 稍 有 不同 的 看法 則 ， 認為 是 弱勢 方法 一般 來 講 乃是 天生 的 __UNDEF__ （ innate ） 、 或 「 賦予 的 」 （ given ） ， 而 這 賦予 的 能力 是 要 被 用來 產生 領域 特定 的 程序性 知識 的 （ Anderson , 1983 , __UNDEF__ 1987 ） 。 有 一 件 事實 已經 愈來愈 清楚 了 ， 那 就 是 要 去 習取 或是 修正 廣泛 的 思考 技能 ， 很 顯然 地 是 一 件 非常 困難 的 事 。 這 個 事實 已 從 在 嘗試 去 教 批判性 思考 的 課程 問題 活動 中 ， 以及 從 觀察 學生 如何 習取 與 使用 廣泛性 策略 的 研究 中 顯露出來 。 有 很多 的 課程 都 被 發展 來 教授 廣泛性 的 思考 技能 （ 如 ：Feuerstein , 1980； Hayes , 1980 ） 。 只有 少數 的 課程 會 運用 詳細 的 學習 認知 理論 來 發展 ， 同時 各 課程 所 投入 的 努力 品質 各 異 。 其中 最 大 的 問題 乃是 ， 這些 課程 都 沒有 經歷 過 無論 是 形成性 （ formative ） 或是 總結性 （ summative ） 的 評量 。 如此一來 ， 這些 課程 在 它們 的 效用 上 顯示 了 混雜 的 結果 便 也 就 不足為奇 了 （ 欲 查閱 例子 者 ， 請 參見 Baker 的 檢閱 評論 ， 1987 ） 。 有趣 的 是 ， 那些 針對 要 了 解 領域 廣泛 之 程序性 知識 習取 歷程 的 研究 ， 並 沒有 比 這些 投入 課程 的 努力 得到 較 好 的 效果 。 有 很 大量 的 研究 曾 對 廣泛性 策略 行為 是否 可以 被 教授 來 進行 調查 ， 而 一般 的 結果 都 是 發現 ， 當 人們 顯示 能夠 學得 策略性 行為 時 ， 他們 並 沒有 自動 地 在 其它 新 的 情境 或 領域 中 使用 那些 習得 的 策略 （ Belmont , Butterfield , & Ferretti , 1982 ） 。 換句話說 ， 即使 研究 者 企圖 想要 教授 「 領域 廣泛 」 的 策略 給 受 試 者 ， 然而 那些 受 試 者 只 會 讓 自己 習取 「 情境 特定 」 （ context-specific ） 、 或是 __UNDEF__ 「 __UNDEF__ 領域 特定 」 （ domain-specific ） 方面 的 策略 。 為什麼 弱勢 方法 會 如此 地 抗拒 習取 與 修正 呢 ？ 構成 習取 領域 廣泛 的 程序性 知識 之 困難 ， 可以 由 更 深入 考慮 它們 的 表徵 特質 及 這些 與 學習 特質 有關 的 細節 來 了 解 。 試 著 回憶 在 第六 章 中 談 過 的 ， 領域 廣泛 的 程序性 知識 乃是 由 它們 的 條件 與 行動 中 所 使用 的 變項 和 廣泛 概念 的 生產 法則 所 組成 的 。 本 章 稍早 用 過 的 一 個 例子 可以 顯示 如此 的 一 項 生產 法則 ， 此 例子 如下 所 示 ： 若 　 目標 為 狀態 X　　 且 M 為 達成 狀態 X 的 一 個 方法 則 　 訂定 次 目標 為 應用 M 假使 不 去 回顧 先前 的 單元 ， 你 是否 能夠 指出 這 個 領域 廣泛 的 生產 法則 在 此 所 表現 的 功能 的 為 何 ？ （ 答案 即 是 ： 這 是 一 個 生手 可能 會 用來 做 分數 加法 的 生產 法則 ） 。 假如 你 實在 想 不 起來 也 不要 感到 不 舒服 ， 因為 上述 的 這 個 生產 法則 並 沒有 給 你 任何 的 提示 ， 在 該 法則 的 條件 與 行動 中 所 用 的 重要 字彙 乃是 變項 達到 狀態 X 與 應用 方法 M ； 而 不 是 一些 特別 的 數學 用語 ， 如 ： 將 兩 個 分數 加起來 及 找出 最 小 公約 分母 等 。 這 個 屬於 領域 廣泛 程序 的 特質 產生 了 一 個 有趣 的 問題 ： 「 人們 是 如何 建構 或 形成 包含 變項 或 廣泛性 的 生產 法則 的 呢 ？ 」 M .
 
J .
 
Adams （ 1989 b ） 提出 一 個 答案 ， 認為 人們 必須 形成 一 個 思考 歷程 的 廣泛 基模 。 這 會 牽涉到 學習 者 要 在 不同 領域 中 練習 一些 待學 的 程序 ， 以及 要 由 在 表面 特質 上 有 廣泛 不同 的 情境 中 抽取出 結構 上 的 相似性 來 。 之後 ， 學習 者 將 需要 使用 概化 推論 的 程序 （ generalization procedures ） ， 來 建構 包含