认知科学如何重塑学习：专访卡尔·亨德里克

认知科学告诉我们很多关于大脑如何将纷至沓来的信息转化为长期知识与技能的过程。然而，教育体系却常常忽视这一点，反而固守着其他教学效果不佳的做法。这是为什么？

这个问题让 卡尔·亨德里克 感到沮丧。他是一位作家和教育学教授，职业生涯始于伦敦一所公立学校的英语教师。如今，他还担任 Alpha School 的顾问。Alpha School 是一家时尚但颇具争议的美国私立教育机构，希望借助人工智能、无需教师，每天只用2小时教学，其余时间进行社交活动，来教育孩子。

为了了解这（以及是否）会奏效，我们请卡尔谈谈认知科学对学习的启示、Alpha School 的运作方式，以及阅读量下降为何至关重要。

— 康纳·格里芬，《AI政策视角》

康纳：很多学生讨厌死记硬背。你认为它对学习至关重要吗？为什么？

卡尔： 认知科学告诉我们，长期记忆的改变是学习的根本不变特征。这是不容商量的。没有它，你就什么也没学到。

在20世纪50年代和60年代，我们经历了一场认知科学革命，帮助我们理解了记忆作为一个系统的运作方式。在工作记忆中，我们有一个硬性限制：在给定时间内，我们大约只能容纳五到七个元素。我们的超能力在于长期记忆，据我们所知，它提供了无限的存储空间。如果你将信息存储在长期记忆中，你的工作记忆就会变得超乎寻常地强大，因为你可以毫不费力地调用已存储的符号和想法。我们此刻正在交谈时，就在这样做。

认知科学揭示的记忆与学习

认知科学告诉我们，记忆对学习至关重要。但它同样指出，孤立事实的死记硬背是一种低劣的学习形式，因为记忆是 图式化的——我们所学到的概念需要依附于其他概念才能牢固。因此，如果我们希望学生了解第二次世界大战，就不该让他们仅仅记住日期。我们希望他们能够构建关于这场战争的个人图式或心智模型。对教育者而言，问题就变成了：如何将二战分解成可教给学生的知识原子，而学生又能将这些原子重新构建起来？

康纳：为什么某些教学形式在这方面特别有效，比如“检索练习”——让学生从记忆中回忆事实或概念？

一言以蔽之：摩擦。

由心理学家和记忆专家罗伯特·比约克与伊丽莎白·比约克提出的 理想困难 框架指出，学习往往是反直觉的。那些让学生感觉有效的方法，比如重读课文并划重点，通常并无实效。而那些让学生感觉无效或充满挣扎的方法，比如让孩子费力从记忆中提取信息，却常常能真正促进学习。

这又回到了记忆的工作原理上。人类记忆并非磁带录音机。它是 重构性的。当我们回忆某事时，仿佛是在近乎重写它。这也是目击证词如此不可靠的原因。但从学习的角度来看，成功检索一段记忆可以强化它，使其在未来更易提取。

在检索练习中，知识的编码似乎发生在原始事件之后，即学生努力回忆该事物之时。这正是比约克夫妇将检索视为一个学习事件，而非对已学内容的测试的原因。

Conor：这些认知科学干预措施，真的有证据表明它们能帮助学生学得更好吗？

实验室里针对研究生的大量证据确实存在，但在真实课堂中的证据却寥寥无几。我这么说，是因为我本人对此深信不疑。

2021年的一篇综述发现，我们对诸如“检索练习”这类方法在真实学生和教师中如何发挥作用，几乎一无所知。虽然有70年的研究证据，但通常都是针对研究生的小规模研究，且集中在数学和语言领域。

这就是为什么我们需要借助AI创建新的学习模式。我希望看到具体问题得到解答：“针对这个州三年级学生的阅读问题，最佳干预措施是什么？” 要像疫苗那样分离出单一效果会很困难。但借助AI，我们将能够理解使用特定课程和以特定方式编排学习材料所产生的效果。我们将能够理解如何将复杂概念分解成多个组成部分，循序渐进地呈现给学生，同时避免超出他们的工作记忆负荷。

Conor：有没有哪些干预措施，确实有来自真实课堂的可靠证据？

有的，早期阅读和直接教学法就是。

关于早期阅读，争论基本上已经尘埃落定。我们知道，教学必须采用系统、合成语音教学法。大脑并非天生就会阅读。因此，语音教学法先教幼儿识别特定字母或字母组合对应的单个发音，然后再教他们如何将这些发音混合起来形成单词。

最有力的证据：直接教学法

最有力的证据来自直接教学法——一种高度结构化的教学方法，教师将复杂概念分解为细小、易于掌握的步骤。在20世纪60至70年代，它经历了美国有史以来规模最大的教育研究——“后续计划”。研究发现，在早期阅读、数学及其他领域，这种方法对学生的影响远超其他教学方式。

人们往往认为直接教学法就是老师“直接告诉孩子知识”。但实际上，讲授反而是其中最不重要的部分。最重要的部分是课程设计。例如，它非常强调通过对比来学习。就像我们教幼儿认识红色时，会先展示一个红球，再展示一个红色三角形——你剥离出想要孩子掌握的核心要素。这是我们学习的基本原理。

我认为，毫无疑问，人工智能在课程设计与序列编排方面将远超人类。我想到了AlphaGo那著名的第37手。我认为，在课程与学习材料的设计上，我们也将看到类似的情形——AI将远远超越人类的能力。

康纳：这引出了你参与合作的那所美国新型私立学校，它怀有利用人工智能的宏大抱负。你是该校聘请的几位知名学习科学家之一，担任Alpha学校的顾问。你为何参与其中？

卡尔： 传统学校教育取得了巨大成功；没有其他方式能让更多孩子摆脱文盲与贫困。但问题依然存在。

系统现状与教育科技困境

这个系统很大程度上依赖着那 1/20 的“超级英雄”教师。学生们的体验千差万别。自新冠疫情以来，又出现了一个新变化：许多孩子根本不去上学，或者去得极少，几乎等于浪费时间。直到现在，教育科技（EdTech）在很大程度上仍是一个代价高昂的失败故事，因为它只是把原本就无效的东西做成了数字版本。

Alpha 学校的创新设计

但在 Alpha 学校，我们正在设计这样的应用：能以惊人的速度从学生那里获取高分辨率数据点。我们不仅能得到正确/错误的答案，还能获得诸如反应延迟和学生犹豫程度等信息。你可以对这些数据进行切片分析，并做出强有力的预测，从而决定何时以及如何进行干预，比如检索练习。或者采用“间隔学习”——学生将学习和练习分散到多节课或多天中，而不是一次性突击完成，从而更有效地调动记忆。这将使我们能够看到课程之间的交互效应，以及教学材料的编排顺序如何影响学习效果。

归根结底，在学习这件事上，我是一个唯物主义者。我认为学习遵循着与消化相同的生物学规律。如果你能让大脑专注于特定的信息序列，并且知识在特定条件下被提取，那么对于 99% 的孩子来说，学习几乎是必然发生的。

在线学习中的监督方式

康纳：在 Alpha，孩子们在在线学习期间是如何被监督的？

卡尔： 最大的变化将是转向人工智能辅导。这正是让人感到不安的地方，因为答案在于模仿一位真正优秀教师的做法：温暖而严格的监督。想想大约 15 年前被大肆炒作的大规模开放在线课程（MOOC）——它们之所以失败，是因为学生缺乏责任感。只有 5% 到 10% 原本就高度自律的人完成了课程。

学校教育承担着问责功能

未来，这意味着摄像头将全程开启，由AI监控学生的行为、反应延迟、浏览的网站、专注能力，然后为人类导师生成一份报告。如果能让孩子专注于应用程序和学习序列，惊人的学习效果就会发生。

但人们不会喜欢这一点。你会看到关于“奥威尔式间谍软件”的文章。作为家长，我更倾向于这种模式，而不是简单地把孩子丢到互联网上，然后祈祷一切顺利。AI的监督能力将超越人类。有些非常熟练的教师能很好地管理课堂，仿佛后脑勺也长了眼睛。但即便如此，仍有孩子在课堂上神游，假装在听讲，实际上什么也没学到。

如今，当你观察计算机教室里的孩子时，他们可能只有20%的时间在完成任务。其余时间，只要老师一转身，他们就会浏览其他网站。AI模式应该为学生提供高水平的问责制。

康纳：学生早上花几个小时进行这种高强度的在线学习。那下午做什么呢？

他们学习“生活技能”。广义上，这包括长期项目，比如开设YouTube频道、在乐队里演奏音乐或参加体育运动。别忘了，Alpha是一所昂贵的私立学校。因此，那里的孩子都从父母那里得到了巨大的支持，他们本身已经高度自律，能够完成许多这类事情。

所以，问题在于这种模式是否能在其他地方奏效。但Alpha正在尝试理解学习是如何发生的。他们希望摒弃那种让学生连续坐在课桌前六到八小时的标准模式。

康纳：Alpha学校没有传统意义上的教师。即使有优秀的AI系统，这是否意味着缺乏社会影响力？面对一位好老师，你会想给他留下深刻印象。你们将如何解决这个问题？

未知的领域

卡尔： 我们正身处一片未知领域，因为对此没有任何数据。在Alpha模型中，最接近的机制是“导师”——他们接收学生的数据并与之对话，例如：“我注意到你刚才有一段时间偏离了主题？”

那个关于人的问题至关重要，也是我一直在思考的。如果课程设计、教学顺序和评估越来越多地由AI完成，那么这些显然会通过平板电脑和屏幕呈现。随之而来的问题是：我们会失去什么？

Alpha学校仍然存在一个社交环境。它是一栋实体建筑。孩子们来到这里，参加集会并互动。然后，到了九点钟，是两小时的在线学习时间——尽管他们学习时仍彼此相邻。系统要求他们积累一定数量的经验值，并答对一定数量的题目，这带来了一定的责任感。

但你提出的问题非常宏大，因为它归根结底是：我们希望孩子接受什么样的教育？我们是否会消除某些有价值的东西——比如一位老师激励一个孩子？我想我的答案是：我们无法规模化那种模式。我们只听到成功的故事，但班上其他25个孩子呢？Alpha模型确实提供了规模化。你对孩子说：“专注两小时，完成这些目标，然后你就可以去当个孩子了。”我认为这会提高他们的学业成绩，也可能改善他们的心理健康。但这些都是棘手的问题。

教师的双重影响

康纳： 当人们想象理想的教育时，总会想到那位鼓舞人心的老师。但老师的社会影响力也可能产生疏离效果——对那些不适用这种模式的学生而言？

卡尔： 没错。我的一个女儿被诊断出患有自闭症。上学对她来说将是一个挑战，因为大多数教室都有噪音，而且充满了模糊不清和界限不明的情况。这会让她感到痛苦。我看过她正在使用的一个应用程序，她在上面解题飞快，因为那里有更清晰的规则和边界。

这也是我开始与 Alpha 合作的原因之一。我意识到这将帮助那些在主流教育中无法获得满足的特殊教育需求儿童。他们可以拥有一个能快速取得进步的系统，而不再总是感觉自己像是班里的“坏孩子”。

但话说回来，传达这个信息将会非常困难。批评者会说，你只是想“让自闭症孩子盯着屏幕”。但这只是每天一两个小时而已。之后，我们还是希望他们能像普通孩子一样成长。

康纳：那么，“AI 导师”在这个愿景中扮演什么角色？

卡尔： 教育有三个主要领域：课程（教什么）、教学（怎么教）和评估（如何知道他们学会了）。当公众听到“AI 导师”时，我想他们通常想象的是一个机器人来完成教学部分。

但对我来说，AI 辅导更多是关于后台工作：课程设计和评估。如果你接受学习是一个受生物学规律支配的算法过程，那么最基础的元素就是你教什么以及如何评估它。

设计课程和教材更像是一门工程学，而不是你是否能激励孩子。它关乎材料的序列编排。关于我们希望学生获得的体验和社交互动，还有更广泛的问题。但对于更基础的问题，比如“有没有更好的方法来教二次方程？”，我认为我们将看到从当前“点菜式”方法的转变——目前教师常常自行决定使用哪些材料。尽管人们对此感到不安，但我设想，我们将获得由 AI 生成的内容，这些内容最终会比人类生成的内容更好。

Conor：你也看到AI正在改变我们评估学生的方式？

是的，你之前的观点没错：如果一个孩子写了东西，他们通常希望老师能读到。但威尔士教育学家 Dylan Wiliam 也曾把批改作业称为“史上最昂贵的公关活动”。对老师来说，这既枯燥乏味，而且大部分批改工作对学生成绩毫无影响。

这还因为人工批改并不可靠。我曾担任英语系主任，见过这样的情况：一个学生写了篇论文，得了D等。然后被退回重批，另一个人却给了A等。这样的体系根本行不通。

Daisy Christodoulou 和 No More Marking 在比较判断方面的研究表明，评估学生写作时应与其他学生的作品相比较，而非绝对评分。这显示了AI如何帮助提高批改的可靠性，并减轻教师的工作负担。

但我们还需要 区分 对学习的评估 和 为了学习的评估。评估不应只是一个终点，而应是一种常规的“温度检查”。在课堂上，这种“检查理解程度”是老师能做的最有力的事情——无论是迷你白板活动还是随机点名提问。它并不完美，但能发现学生存在的误解。

理想的情况是：AI系统不再按预设的材料顺序教学，而是定期进行“温度检查”，像调音台上的推子一样运作。根据学生的反应，系统实时识别误解，并动态选择最适合该特定学生的解释。

这也意味着我们可以在学生产生误解的那一刻及时介入。目前大多数评估都毫无用处，因为反馈周期太长。如果一个孩子写了一篇文章，一周后才拿回来，他们早就忘记了自己当时的思考过程。

康纳：这样一来，教育就能针对特定学生变得“可适应”。但你也曾警告过，不要用AI将教学材料匹配到学生不同的“学习风格”上。这两者之间的细微差别在哪里？

卡尔： 学习风格的概念源于20世纪60、70年代的一种传统，当时人们以个性化的方式思考学习。作为一名教师，我不得不花多年时间尝试为不同类型的学习者设计课程，比如所谓的“视觉型学习者”或“动觉型学习者”——后者据称通过动手体验学得更好。

这个想法已经经过实证检验。不仅没有证据支持学习风格的存在，而且它简直是教育领域里最接近顺势疗法或治疗水晶的东西。仔细想想，如果你教地理课，对一个“听觉型”学习者，你竟然要制作一本有声书来描述欧洲大陆，这简直荒谬。内容应该决定形式。

真正有证据支持的是双编码的概念。我们的大脑通过独立但相互连接的通道处理信息：一个通道处理言语信息（口头或书面文字），另一个通道处理视觉信息（图像、动画等）。在设计解释时，仔细考虑如何将文本和语音与视觉元素结合，从而不让学生有限的工作记忆超载，这是有价值的。

例如，我在YouTube上看到一些很棒的视频讲解，它们展示了行星实际大小的差异，这完全不同于你通常看到的太阳系地图。这就是视觉元素真正有帮助的例子，但这与我是“视觉型学习者”毫无关系。

康纳：你常常支持明确的教学形式，而对建构主义方法——即学生自己探索和解决问题——持怀疑态度。为什么？

卡尔： 建构主义是一种关于意义的哲学，而非教学法。它认为每个人都会构建自己的知识和理解。其根源可追溯到卢梭，但真正发展起来是在20世纪之交，代表人物有美国教育改革家约翰·杜威和瑞士心理学家让·皮亚杰。

作为一种哲学，建构主义是正确的。我们确实会构建意义，但从教育角度来看，它导致了一种对最低限度指导的信念，即认为通过自己发现而非被教导，才能学得最好。

这种做法混淆了结果与手段。我们确实希望学生能够自己发现事物。但将发现式学习作为教学的起点，则是一场灾难。清晰、循序渐进的指导对新手有效。而在大多数领域，每个孩子都是新手。

如果你在学开车，你希望一开始就得到明确的指导——先做这个，再做那个。一旦一个人能够熟练驾驶，如果你作为老师还在这样做，那反而会碍事。这时才是发现式学习发挥作用的时候。

这其中也有道德层面。来自富裕家庭的学生，拥有强大的现有知识框架，在餐桌上接触过丰富的词汇，会在行为约束或期望较少的环境中茁壮成长。发现式学习恰恰优待了本就享有优势的人。

康纳：这种认为新手不能指望自己弄明白事情的观点，也是你质疑学生通过向聊天机器人提问来学习的原因吗？

AI 的力量在于监控、课程设计、教学设计与评估

新手不可能仅靠向聊天机器人提问、自行探索知识来学习；他们需要明确的指导。

*康纳：你曾指出，教育工作者常将结果与手段混为一谈——这也解释了为何你对“教授学生21世纪技能”（如批判性思维、创造力与适应力，包括将其作为应对AI的策略）持怀疑态度？*

卡尔： 是的。批判性思维与创造力是系统性知识构建的结果，而非可以像通用技能那样直接教授的起点。

康纳：你所倡导的“明确知识教学”或许对数学这类易于分解为子模块的学科有效。但像英语或历史这类学科呢？

卡尔： 这正是课程设计的“圣杯”。我们拥有AI先驱马文·明斯基与计算机科学家沃尔特·赖特曼所称的“定义明确”与“定义模糊”的领域。

康纳：你多次谈及阅读衰退的问题。为何这令你担忧？

阅读的失落与价值

Carl： 很多孩子不会再读陀思妥耶夫斯基了，这让我感到悲哀。但我也意识到，在我成长的过程中，阅读在某种程度上是无聊的产物——而我们不能假装今天的条件还和过去一样。这归根结底是一个伦理问题：我们想让自己的孩子过什么样的生活？这不是一个能用随机对照试验来回答的问题。

不过，关于阅读的某些问题，我们确实可以通过试验进行实证研究。多年前有一项研究让我深受震撼：它表明，要读懂一篇文章，我们需要理解的词汇比例是 95%——这个数字让所有人都大吃一惊。学校教授词汇的方式既糟糕又不公平，几乎可以肯定存在更好的方法。

但我们不能简单地对孩子说：“你需要多读书！”这行不通。我们需要回答一个哲学问题：我们究竟为什么看重阅读？它的好处并不总是立竿见影的，可能要到 20 年后 才会显现。文学评论家哈罗德·布鲁姆曾说过，莎士比亚塑造了现代意识，包括我们当代对爱、死亡和野心的理解。类似地，钦定版《圣经》也影响了英语文化。这些是主导性的文本，文化通过它们得以传承。

如果我们失去了这些书，我们会失去什么？我希望我的女儿们去阅读，因为她们会看到，自己的挣扎并非独一无二——她们能看到其他角色也在挣扎。

分享

文章

AI 导师不应模仿人类导师

· 2025年11月10日

从教学原则到AI导师：Google DeepMind 的探索

今天的文章来自 Google DeepMind 的研究科学家 Daniel Gillick，他的工作重点是让 Gemini 在教与学中发挥更大作用。Daniel 探讨了团队在工作中遵循的五项教学原则、当前 AI 系统能在多大程度上体现这些原则，以及这对我们思考 AI 导师意味着什么。