硬编码教学解释也许感觉枯燥，工作量大，也不像能从零生成回答的人工智能那般「酷炫」——但至少它并非空中楼阁。这是一个务实的解决方案，能让你腾出手来，关注人工智能系统中那些同样至关重要的其他组成部分。
许多尝试将人工智能应用于教育领域却未获成功的人，往往过于聚焦于「解释」这一环节，而忽视了为学习过程搭建认知脚手架、进行引导以及整体管理。在构建解释型人工智能上，很容易陷入缘木求鱼的境地。
你或许会迷恋于让 AI 与学生展开对话式交互的构想，随后便迷失在盘根错节的复杂性之中。你费尽心力解决了部分问题，足以做出一个看起来很酷的演示，然而距离现实中可行的自主学习方案依然遥不可及。
其实，对话甚至并非必要环节。你完全可以将教学解释硬编码成若干小块知识点，在最恰当的时机呈现给学生。并且，你可以通过让学生解决问题来闭合反馈回路——无论如何，学生终究是需要练习解题的。（学生的「反馈」就是他们解题的正确与否。）
当然，硬编码教学解释也许感觉枯燥，工作量大，也不像能从零生成回答的人工智能那般「酷炫」——但至少它并非空中楼阁。这是一个务实的解决方案，能让你腾出手来，关注人工智能系统中那些同样至关重要的其他组成部分。
那么，其他重要组成部分有哪些呢？以下是我随手拈来的几个例子：
- 在进行了「最小有效剂量」的讲解之后，人工智能系统需要切换到主动解题模式。学生应从简单的例子入手，然后逐步攀登难度阶梯，确保覆盖所有在未来测验中可能合理预期他们掌握的题型。
- 测验应该高频进行且覆盖广泛，系统应根据学生的错题，为他们分派个性化的补习任务。
- 学生应按照个性化的、基于掌握程度的学习路径推进课程，只有当他们（作为个体而非仅仅是群体平均水平）确实掌握了前置知识点后，系统才向其呈现新的学习主题。
- 学生掌握一个主题后，应采用「间隔重复」定期回顾，这是一种系统性的复习方法，旨在将已学知识转化为长期记忆。
- 如果学生在学习过程中遇到困难，系统不应降低当前学习任务的成功标准（例如，直接给出提示）。相反，系统应致力于强化学生的薄弱环节，以确保他们在下一次尝试时能够完全独立地达标。
Thoughts Memo 汉化组译制
感谢主要译者 gemini-2.5-pro-exp，校对 Jarrett Ye
作者：Justin Skycak (@justinskycak)
发布于 2024 年 6 月 28 日
原文：Conversational Dialogue is a Fascinating Distraction for AI in Education - Justin Skycak