学习科学的三条原则：AI 一对一时代，出题的人该照什么规矩来
同样年龄坐一个班、用同一本教材、走同一个进度、考同一张卷子，这些规矩没有一样是为了让人学得更好发明的，它们都是为了便于统一管理。 一个老师面对四十个学生，给不了四十个版本，统一是唯一跑得通的办法。而教育界早就知道怎么教最好：一对一，练到会为止。只是太贵，大多数社会负担不起。AI 把「贵」这个前提拆掉了，一对一辅导第一次便宜到每个人都用得起。但随之而来的实验数据也很清楚：随手给答案的 AI，效果比没有 AI 还糟。 所以问题变成了：AI 该照什么规矩教？这就是学习科学（Learning Sciences）要回答的事，它总结出三条原则，也直接决定了出题的人该怎么用 AI。
| 原则 | 说的是什么 | 对出题的人意味着什么 |
|---|---|---|
| 学习不是接收 | 知识灌不进脑子，只能自己一块块搭起来 | 少讲多练，让 AI 给提示别给答案 |
| 学习发生在刚好有点难的地方 | 答对约 85%、答错约 15% 时学得最快 | 难度要跟着每个人调，而不是跟着教材走 |
| 情绪推动学习 | 注意力、记忆、判断都离不开情绪 | 练习要有反馈、有进度、有「我在变强」的感觉 |
学校为什么长成这样
1763 年，普鲁士国王腓特烈二世下令 5 到 13 岁的孩子都要上学，普鲁士成了最早用税收办义务教育的国家之一。孩子全都坐进教室之后，头一个问题是：人这么多，怎么管？答案是按年龄分组，不管学到了哪。1843 年美国教育家贺拉斯·曼去普鲁士考察，回国后在报告里把「把学生分好类」排在普鲁士学校优点的第一位，排第一的不是教得好，是分得清。1848 年，美国第一所按年级分班的学校在波士顿开学，它轰动全国的创新是把几百人挤一屋的大教室隔成许多小间，每间坐 56 人。这就是今天课堂的雏形：一个老师、几十个学生、一张进度表。
两百年来，这套系统解决的一直是「一个老师怎么管住几十个学生」，每个学生到底学没学会，从设计那天起就顾不上。优等生学会了要放慢节奏或干等，中等生一知半解也得往前走，跟不上的听天书。这不是哪个老师的问题，是结构的问题。
更扎心的是，教育界早知道怎么教最好。1984 年，教育心理学家本杰明·布鲁姆比较了普通班和一对一辅导的学生，结果接受一对一辅导的中等生成绩超过了普通班 98% 的人，同一个中等生换一种教法就成了尖子。布鲁姆自己紧接着补了一句：一对一太贵，大多数社会负担不起。这就是布鲁姆 2σ 问题，它把整件事说穿了：学校不是不知道更好的办法，是付不起。于是退而求其次，再告诉所有人「教育就是这个样子」。
AI 拆掉的不是教具，是地基
很多人说 AI 会改变教育是因为 AI 聪明。聪明不是重点，AI 要命的地方是它可以人手一个、不会累、耐心没有上限。一对一辅导本来是奢侈品，现在第一次便宜到人人用得起。已经有人拿数据验证过：
- 哈佛，2023 年秋季：一门物理课近两百名学生做对照，一周在课堂上学，一周在家跟专门设计的 AI 助教学。用 AI 学到的是课堂的两倍多，花的时间还更少。被比下去的不是照本宣科的老师，是哈佛精心设计过的课堂。
- 尼日利亚，世界银行试点：高中生放学后用 GPT-4 学英语，只学了 6 周，提升幅度相当于常规上学 1.5 到 2 年。
- 爱沙尼亚，2025 年 9 月：全国高中接入 AI 助教，首批覆盖约两万名学生和数千名老师。一个国家在主动拆自己的旧课堂。
按年龄分班、统一进度、一个老师对四十人，这些东西之所以存在，是因为当年没得选。现在有得选了。楼还站着，地基已经空了。
但随手给答案的 AI 比没有 AI 更糟
土耳其做过一个近千名高中生参加的实验，分成三组做数学练习：
| 组别 | 练习时成绩 | 拿掉 AI 后的考试成绩 |
|---|---|---|
| 不用 AI | 基准 | 基准 |
| 直接用 ChatGPT | 高 48% | 低 17% |
| 用只给提示、不给答案的 AI | 高 127% | 没有下降 |
第二组的学生练习时看着进步神速，一到考试反而比完全没用 AI 的还差。答案来得太容易，脑子就不干活了，练习变成了抄写。第三组的 AI 被改过规矩，只给提示不给答案，练习成绩涨得更多，考试也没掉下来。同样是 AI，规矩不同，结果是反的。
所以「AI 会不会取代老师」是个假问题，真问题是：AI 该照什么规矩教？学习科学研究的不是老师怎样才能更好地讲完，而是人到底怎样才能学会。核心观念有三条。
原则一：学习不是接收，是自己搭起来的
知识没法灌进脑子，只能自己一块一块搭起来。一篇汇总了 225 项研究的论文发现，只坐着听讲的学生挂科的可能性是主动动手学的 1.5 倍。两千多年前苏格拉底教学生靠的是不停地问，今天的 AI 又回到了这条路上：可汗学院的 AI 助教遇到学生来问题目，先反问「你试过什么？卡在哪一步？」。2025 年夏天，OpenAI、谷歌、Anthropic 前后脚上线了学习模式，三款的共同点是不直接给答案。三个死对头同一个夏天做了同一个决定，这不是巧合。
对出题的人意味着什么。 一份材料的价值不在于讲得多完整，而在于让学习者动手的次数。同一章内容，讲一遍不如让人做十道题，做十道原题不如做十道换了面孔的变式题。用 AI 辅导时，规矩要定在「给提示、给追问，最后一步自己走」。懒人学霸的 AI 讨论是这么设计的：练习进行中点开某道题的「AI 讨论」，它先讲思路和方法，学习者明确要答案时才给完整解答；答完之后再讨论，它先点评这次作答对在哪、错在哪一步，然后顺着知识点讲透。批阅结果和错题也不是给学习者「看」的，标记不熟的题会进错题本，隔段时间换一道同考点的新题再考一次，做对了才算搭起来了。
原则二：学习发生在刚好有点难的地方
2019 年，普林斯顿等校的研究者在《自然·通讯》上算出一个数：答对大约 85%、答错大约 15% 的时候学得最快。太简单学不到东西，太难大脑直接放弃。一间四十人的教室永远做不到这一点，同一道题对第一排是送分题，对最后一排是天书，只有一对一才能每一步都重新判断下一题该多难。这件事过去只有请得起家教的人才享受得到。
对出题的人意味着什么。 难度不该跟着教材页码走，该跟着每个人当前的掌握程度走。做到这一点需要两样东西：一是能随时看到每个人在哪，二是能低成本地出一份难度不同的新题。前者靠数据，懒人学霸里每个知识点有 0 到 100 的熟练度，错题分析页会把错得最多、还没练熟的章节标出来；后者靠开关，同一个考点可以从「单选 + 简单」一路调到「问答 + 困难」，控制出题难度的 4 个开关里有同考点四张试卷的真实对比。一个实用的判断标准：一份卷子批下来正确率长期在 95% 以上，该往上加难度或换题型；正确率跌到 70% 以下，说明前面的知识点没搭稳，该回头用「错题强化」模式先把薄弱点补上，而不是硬推进度。
原则三：情绪推动学习
2007 年，脑科学家伊莫迪诺-扬和达马西奥发表论文《我们感受，所以我们学习》，结论是注意力、记忆、做判断这些学校最看重的能力全都离不开情绪。学校却把情绪当成要管住的东西：坐好，别说话，别乱动。有人在反着做，芬兰 2016 年的新课纲规定 7 到 16 岁的学生每年至少要上一个跨学科模块，围绕真实世界里的现象去学；AI 教育产品往里加角色扮演，也不是为了好玩，人投入进去了，大脑才肯一直学下去。
对出题的人意味着什么。 情绪不是靠讲笑话调动的，靠的是「我在变强」的真实体感。学习者最泄气的时刻是做了一堆题却不知道自己进步没有，最提劲的时刻是亲眼看到一个原本不会的知识点被点亮。所以练习闭环里要有三样东西：做完立刻批、批完能看到进度变化、隔几天再考时能感觉到「这次会了」。懒人学霸每批完一份卷子就回写知识点熟练度，进度在章节大纲上一格格点亮；遗忘曲线排的复习让「这次会了」的体验每隔几天出现一次。对家长和老师来说，这比盯着分数有用得多：分数只告诉你结果，点亮的进度告诉学习者「你的努力在起作用」。
该问的不是学什么，是怎么学
过去两百年教育琢磨的是怎么把知识讲出去，因为一个老师面对四十个人只能琢磨这个。现在这个限制没了，该琢磨的终于变成了学习怎样才会发生。美国、爱沙尼亚、芬兰、尼日利亚，加上三家互相竞争的 AI 公司，国家不同、文化不同，最后走到了同一个方向：研究重点从「怎么教」换成了「怎么学」。
如果学习只是记住知识，这场比赛人永远输给 AI。如果学习是提出问题、自己搭起理解、不断回头反思，AI 就是最好的学习伙伴。老师、家长、机构和自学者手里第一次有了一对一的工具，规矩定对了，效果就在那三条原则里。想把这套闭环跑一遍，可以在懒人学霸拿自己在教的内容建一个知识库出一套小卷，注册送 10 题，首充 1 元再得 100 题。
常见问题
学习科学（Learning Sciences）是什么？
一门跨教育学、认知心理学、脑科学和计算机科学的交叉学科，研究的核心问题是「人到底怎样才能学会」，而不是「老师怎样把内容讲完」。它的三条基础原则是：学习靠主动建构而非被动接收；难度落在略高于当前水平时效率最高；情绪与认知不可分割。OpenAI、谷歌、Anthropic 三家在教育领域的产品设计都以它为依据。
AI 直接给答案为什么反而有害？
因为练习的价值在「想」的过程，不在写出答案。答案来得太容易，学习者跳过了检索、试错和纠正，练习时看起来正确率很高，其实什么都没留下。土耳其近千人的实验里，直接用 AI 的组练习成绩高 48%，考试反而低 17%；只给提示的组练习高 127%，考试没有下降。用 AI 辅导时，规矩定在「提示优先、答案最后」是关键。
85% 规则怎么在出题时用？
它是一个训练最优难度的理论值，不必精确凑数，但可以当方向：一份卷子批下来正确率长期在 95% 以上，说明题目偏易，该加难度、换题型或推进新知识点；跌到 70% 以下，说明前置知识点没掌握，该回头补薄弱点。关键是难度跟着每个学习者的数据调，不是跟着教材统一走，这正是一对一比大班强的地方，也是 AI 出题工具最省事的部分。
一个老师带几十个学生，怎么做到「一人一个难度」？
靠工具承担出题、批阅和记录进度这三件重复劳动。老师定范围和规矩，同一批知识点按难度档快速生成几套分层卷，学生拿到贴近自己水平的那一档；扫码批阅自动完成，老师看的是薄弱点排行而不是一摞卷子。课上的时间留给讲透共性难点，课下的针对性练习交给系统。具体做法见教师智能组卷与课堂应用。
