AI教育

IMPACT ENGLISH · SINCE 2002

同一道题,三种讲法:解释的层次

2026-10-15 17:49:14 AI教育研究组 32173
本文导读

同一个解释,对新手够用,对已会者反而多余。本文依据样例效应、专长反转与自我解释三类研究,给出本院按学习者层次切换的三层解释约定,并说明判断层次本身是难点、暂难自动化。

图片关键词
图 1 同一道题,三种讲法:解释的层次 —— 全文结构总览 · 点击图片可放大

本文性质: 实证 + 模型(Evidence / Model) 证据标签: 观察 Observation/模型 Model/假设 Hypothesis/实证 Evidence

本篇涉及的证据类型:实证 Evidence/模型 Model/假设 Hypothesis。凡属本院课堂观察与教学模型的部分,均不作效果承诺。

同一道错题,工具给出的解释和老师课上的讲解常常不是一回事:一个给步骤,一个给理由。学生拿着任何一个都可能觉得「懂了」,但下次遇到同类题还是会错——解释的层次与学习者的层次错位了。

01同一个解释,有人够用有人不够

图片关键词
图 2 同一道题,三种讲法:解释的层次 · 点击图片可放大

本院在数学与英语语法两类课程中注意到一个规律(作业与面批记录):对刚学完规则的学生,给完整步骤的解释效果最好,学生能照着走完;对已经会做的学生,再给步骤反而没有增量,他们缺的是「为什么这一步能这样走」;而对反复错同一类题的学生,两种解释都试过,真正起作用的是把解释换成「你卡住的那一步是什么」。以上为本院教学记录,属观察层,未做对照设计。

02例子效应与专长反转

认知负荷研究对「怎么给解释」给出的两条结论正好对应上面的观察。Sweller 与合作者在样例研究中发现,对新手而言,「例子加步骤」的完整样例比直接解题更有效,因为工作记忆被步骤占满时没有余量做策略搜索;Kalyuga 等 2003 把「随专长增长,详细讲解的收益递减甚至转负」称为专长反转效应。另一支文献来自自我解释效应:Chi 与合作者发现,阅读时主动解释「为什么这一步成立」的学习者,迁移表现显著更好(Chi 1994;Renkl 2014 综述)。两条合起来给出的方向是:解释要随学习者层次切换,且越是高水平学习者,越需要被逼着解释而不是被讲解。

03本院的三层解释约定

本院把工具与人工讲解都收进同一套三层解释约定。第一层「步骤层」:给完整可照做的过程,用于刚接触、完全不会的情形,明确告诉学生「这一层只是让你走完,不等于会了」。第二层「理由层」:每步附一句为什么,用于已会但易错的情形。第三层「卡点层」:不重新讲,只问「你觉得你卡住的是哪一步」,用于反复错同类题的情形——这一层最省时间,也最难自动化。三层的选择依据不是内容难度,是学习者当前层次:同一道题,对两个学生可能分别落在第一层和第三层。

04条边界

三条边界。第一,三层约定是本院据外部研究整理的教学流程,未在本院做分层随机实验,不能声称最优。第二,判断「学习者当前在哪一层」本身就是难点,误判会让解释错位——这一步目前主要依赖教师观察,工具难以替代。第三,上述实证多来自数理与短时实验情境,迁移到语言学习与长周期发展需谨慎。本院不作任何提分承诺。

今天就能开始
拿一道最近的错题,先只做一件事:写下「我觉得我卡住的是哪一步」,写完之后再决定要不要看解释。
图片关键词
图 3 同一道题,三种讲法:解释的层次 —— 分节要点 · 点击图片可放大
本文依据
观察 Observation模型 Model假设 Hypothesis
观察来源:本院数学与语法课程作业与面批记录(2020 年至今):新手更受惠于步骤层解释,已会者更受惠于理由层,反复出错者更受惠于卡点层提问。属观察层,未做对照设计。
模型出处:「步骤层、理由层、卡点层」三层解释约定,为本院 AI 教育研究组与课程研发部共用的教学流程。
待验证项:按学习者层次切换解释层级是否能改善长期迁移,本院按假设层处理,无自有实验数据。
外部文献:Sweller 1988 及样例效应系列(完整样例对新手的作用);Kalyuga 等 2003(专长反转效应);Chi 1994 与 Renkl 2014(自我解释效应及其综述)。
杨斯毅教育研究院
把研究放在课堂旁边 · 教育研究
首页 课程 研究 微信