上一次，我写了关于紧急学习或紧急课程的文章，也称为紧急课程。 如果学习是一个积极的过程，那么紧急学习就可以合理地描述这种行为。 我谈到了能力，或者学习者可以在学习环境中采取行动的机会。 学习者拥有的能力越强，学习发生的机会就越多（假设学习者知道并可以访问所有的机会）。
关于人类认知的一种流行观点是，大脑作为计算机以及与身体分离的事物。 在这种情况下，大脑是可以对输入进行编程以实现一组特定输出的硬件。 它是基于规则和逻辑驱动的。 认知学家说，要理解认知，您只需要关注内部过程即可。
与此形成鲜明对比的是，认知不仅体现了思维与身体的联系，而且身体也影响了思维。 也就是说，认知不仅限于我们的眼睛可以看到的东西，而且我们的大脑可以进行处理。 被体现意味着我们的认知源于我们与世界的身体互动。
经典的认知主义者观点将思想视为通过使用一组规则来掌握符号含义的能力，这些规则可确保这些符号正确地代表世界。 另一方面，具体化的认知将思想视为我们与环境互动的结果。 行动不仅源于思想，思想也可以源于行动。
通过实施例，每个环境呈现不同的机会集（即，赠品）和用于解释那些机会的信息。 我们每个人都有一套不同的学习能力（即技能）。 当环境能力和学习者能力在一组学习者中相互作用时，最终结果可能是各种不同的学习者反应。 可能没有两个学习者对问题有完全相同的回答或答案。 这并不是说其中一些回答是“完全错误的”，而另一些则是“完全正确的”。 这更像是存在一定程度的可接受答案，学习者将落入该范围之内。 每个学习者的下落特别取决于他/她的学习能力如何与学习环境中的能力相互作用。
这是很难预测的事情。 这可能是为什么建立学习环境并不总是能实现您认为对学习成果的预期的原因。
在2012年2月的《今日心理学》一文中，杰夫·汤普森（Jeff Thompson）博士通过使用两种不同类型的人工智能机器人，提供了一种比较传统非体现方法与体现方法的好方法。 存在某种类型的基于AI的机器人，该机器人使用Internet哲学百科全书称为存储描述模型的程序进行编程。 这要求程序员猜测机器人会遇到什么，然后针对每种情况专门说明例程。 这种类型的机器人的最终结果是，只要可以轻松地从环境提示中识别出所需的例程，它就可以很好地执行。 如果存在歧义，或者某人或某事有意尝试改变其路线，它将变得更慢，甚至无响应。
一个严重的问题是这些类型的机器人无法快速或有效地适应其环境中不断出现的变化。 因此，与第二种类型的机器人形成对比。 这是用一组通用的总体原则而不是特定的例程创建的。 它可以进行实时响应，因为它经过编程可识别一般现象（即墙壁），而不是特定的目标（即其中装有门的墙壁）。
我不禁要尝试将其与教学联系起来。 我将传统的学习方法（例如传输模型）描述为类似于编程机器人的存储描述模型。 您提供所有特定的定义和事实，并且只要输入要求这些定义或事实，输出就应该反映出对所提供信息的理解。
但是，要求学习者提供对该信息的更深层次的理解，就像慢速或无响应的机器人一样，学习者努力以适当的方式做出响应。 然后，我们对学习者进行“编程”的方式应该等同于我们希望他们在日常生活中会遇到的环境中如何具有响应能力和适应能力。 由于我们大多数人的生活和工作环境非常复杂且不断变化，因此，我们的学习环境应该为此做好准备，这似乎是合乎逻辑的。
