AI 版可汗学院 — 知识连接、跨学科与项目化学习设计备忘

1. 一句话结论

这些方向可以做，而且和项目气质很一致；但它们不应该被做成一堆彼此独立的新功能。

更稳的做法是把它们统一成一条产品原则：

学生不仅要学会一个知识点，还要能解释它、连接它、迁移它，并用它完成一个小作品或真实任务。

因此，最终形态不是在原来的学习流旁边再加一个“项目区”或“社交区”，而是形成两条互相咬合的循环：

掌握循环：知识图谱 -> 学生先尝试 -> 护栏式提示 -> 掌握判定 -> 费曼解释
连接循环：概念关系 -> 跨学科情境 -> 同伴互教 -> 项目作品 -> 迁移证据

⚠️ 重要前提：这七种方法的证据强度和落地难度差异极大，不能等量齐观。费曼、组块化自适应、知识图谱已经在 v1 闭环里且证据扎实；而拼图教学法最严格的 RCT 全为零效果、联通主义几乎没有实证、AI 给综合项目打分目前只有约 59% 可靠。建议先读 §15 的证据分级表，再读下面的愿景部分——否则容易把"理念上能融合"误读成"七个都现在就能做"。

2. 对用户动机的分析

你提出这组方法，背后不是简单想“多加几个学习法”。更像是在追问：AI 版可汗学院能不能不要只把孩子训练成会刷题的人，而是帮助他们形成更完整的学习能力。

我理解你的动机有五层：

1. 反刷题化：你不满足于“题做对了”，你关心孩子是否真的理解知识之间的关系，能不能迁移到新情境。
2. 反被动学习：你想让学生从看讲解、听 AI、做题，转向自己解释、自己建图、自己做项目。
3. 反孤立学习：你担心纯 AI tutor 会把孩子关在一对一对话里，所以提出拼图教学、同伴互教、上传作品，让学习重新有“人和人”的连接。
4. 保留超脑特色：你希望这个项目不是 Khan Academy 的 AI 版复刻，而是把项目制、真实问题、创造力、AI 原生作品产出带进公益教育。
5. 服务弱资源孩子但不降低上限：目标用户是缺资源的孩子，但你不想给他们低配教育；你想让他们也能接触到过去只有好学校、项目制学校、创新营才有的学习体验。

这里有一个张力：这些方向越完整，越接近一个“AI 原生项目制学校”；但这个学校仍然不能放弃“真的学会”的硬约束。最终形态应当是：自由探索看起来很开放，底层却一直由知识图谱、掌握证据、过程证据和审核机制兜住。

还有两点值得点破：

• 你其实在赌“AI 原生能消除协作与批改成本”。 拼图互教、跨学科生成、项目化 + 逐一评价，在传统课堂里之所以稀缺，是因为它们需要大量老师、同伴和批改人力。你提这一组，本质是押注：AI 把“协作与批改成本”压到接近零，于是过去只有好学校、项目制学校、创新营才负担得起的学习方式，可以平价地给到缺资源的孩子。这跟项目“千人千面、算力赞助”的主张是同一个底层逻辑——逻辑成立。
• 但要警惕你自己的兴奋。 一次性列七种方法，正好撞上 v1“一条数学主线 + KISS”的克制原则（learning-principles §9 的七问、§10 的“先闭环再扩展”）。动机是对的，风险全在排序——把“该做”误当成“现在就做”。所以这份备忘真正的价值不在证明“能做”，而在把“什么时候做、做到什么程度”分清楚（见 §15–§16）。

3. 最终产品形态

如果把这些方法整体放进去，AI 版可汗学院最终不是“AI 老师 + 题库”，而是一个由五个系统组成的 AI 原生自学平台。

这五个系统的关系是：

Canon 知识图谱
  -> 学生个人概念图
  -> 跨学科连接任务
  -> 项目工作室
  -> 互教与作品反馈
  -> 新的掌握证据 / 误区证据 / 连接候选
  -> 回流给知识图谱与内容共创系统

学生感受到的是“我在做一个有意思的任务”；系统真正关心的是“这个任务证明了哪些知识已经掌握，哪些关系还没建立”。

4. 学生的一天会是什么样

一个学生进入平台，不是先看到课程目录，也不是先看到聊天框，而是看到自己的“学习地图”：

• 主线地图：哪些知识点已掌握、正在学、还未解锁。
• 个人概念图：自己已经建立了哪些概念关系。
• 今日任务：一个概念关卡、一个连接任务或一个项目里程碑。
• 成长证据：最近一次独立解题、费曼解释、项目修改、同伴反馈。

一次完整学习体验可以这样发生：

1. 系统推荐今日任务：用二元一次方程组解决一个真实情境。
2. 学生先尝试拆题：已知量、未知量、关系、方程、验算。
3. AI 只看学生已有尝试，给最小提示，不直接给答案。
4. 学生完成独立变式题，进入掌握检查。
5. 学生用自己的话做费曼解释。
6. 系统要求学生补一条概念图关系：这个知识点和哪个前置知识有关？
7. 系统给一个跨学科连接：例如历史人物如何用测量和方程解决实际问题。
8. 学生把解释或项目过程上传为作品草稿。
9. AI 给一条最重要修改建议，同伴只评价“哪里听懂/没听懂”。
10. 修改后的作品进入成长档案，并反向更新掌握证据。

这里的游戏化不是积分商城，而是“任务、关卡、解锁、作品、反馈、成长档案”。奖励对象不是刷题数量，而是高质量行为：独立尝试、修正错误、讲清关系、完成迁移、认真修改。

5. 三张图谱

最终形态至少需要三张相互关联的图。

5.1 Canon 知识图谱

这是官方知识结构，由学科负责人维护。它定义：

• 知识原子。
• 前置依赖。
• 课标与年级。
• 常见错因。
• 可验题型。
• 掌握标准。
• 可用连接与项目。

Canon 图谱决定系统推荐路径，学生不能直接修改。

5.2 学生个人概念图

这是学生自己的理解网络。它记录：

• 学生认为两个知识点是什么关系。
• 学生能不能解释这条关系。
• 这条关系是正确、含糊、牵强，还是明显错误。
• 学生在哪些概念之间反复误连。
• 哪些兴趣或真实问题最能帮助他理解。

学生个人概念图不是装饰，而是掌握证据的一部分。一个孩子如果能稳定说清“为什么方程组依赖一元一次方程”“为什么交点对应共同解”，说明他不是只会套步骤。

5.3 项目与连接图谱

项目、历史人物、科学案例、工程任务、生活问题也要进图谱，但不是作为泛泛素材库，而是作为“连接节点”。

例如：

历史人物：祖冲之
连接主题：圆周率、近似、误差、测量
可连接知识：比例、估算、极限思想前置、数据精度
适用任务：解释为什么近似值有用；比较不同精度的计算影响
审核状态：verified

这能避免跨学科学习变成随手编故事。每个跨学科连接都要知道：它到底帮助理解哪个知识点。

6. 七种学习法如何融合

它们不是七个入口，而是一条递进关系：

拆解问题 -> 掌握知识 -> 解释知识 -> 连接知识 -> 教给别人 -> 用于项目 -> 反思修正

7. 项目工作室设计

项目工作室是最终形态里最能体现差异化的模块，但它必须被设计成“掌握后的迁移场”，不是绕开基础学习的游乐场。

每个项目都包含：

project_id
driving_question
story_context
knowledge_nodes
prerequisites
milestones
required_artifacts
process_evidence
rubric
ai_feedback
peer_feedback
human_review_state
visibility

项目过程分为五步：

1. 选择问题：系统根据学生已掌握节点推荐真实问题或跨学科主题。
2. 拆解任务：学生把项目拆成子问题，AI 检查是否漏掉关键约束。
3. 学习补洞：遇到未掌握知识，系统拉回对应知识原子学习。
4. 上传过程：草稿、推导、截图、视频、代码、讲解都可以成为过程证据。
5. 评价修改：AI 给形成性建议，同伴反馈理解度，老师抽样或审核高价值作品。

项目完成不等于掌握。项目只能增加迁移证据，最终仍要看独立题、解释质量、延迟复测和项目中的关键知识片段。

8. 互教与拼图教学设计

拼图教学的核心不是“开聊天室”，而是“让学生承担一小块可验证的解释责任”。

推荐机制：

• 系统把一个大主题拆成 3-5 个子概念。
• 每个学生负责一个子概念，先完成自己的掌握检查。
• 学生提交一张“互教卡”：概念解释、例子、常见误区、一个检查问题。
• AI 先验答互教卡中的数学和事实错误。
• 小组成员阅读或听讲后，只回答三个问题：哪里听懂了，哪里没听懂，哪个例子有帮助。
• 系统要求原作者根据反馈修改一次。

互教的评价重点不是“谁讲得最厉害”，而是：

• 能否讲清关键关系。
• 能否根据别人听不懂的地方修改。
• 是否暴露并修正自己的误区。
• 是否帮助同伴形成正确理解。

所有互教内容默认私密或小组可见，公开展示需要审核。

9. AI 评价设计

AI 评价应该像教练，不像裁判。

AI 可以评价：

• 正确性：关键数学步骤是否成立。
• 清晰度：解释是否让低年级同学能听懂。
• 关系性：是否说清前置知识、相似概念和区别。
• 迁移性：是否能把知识用于新情境。
• 反思性：是否能指出自己哪里改进了。
• 过程性：是否有草稿、修改、重试和证据。

AI 不应单独决定：

• 作品是否公开展示。
• 学生是否获得高风险能力标签。
• 开放项目是否最终掌握。
• 同伴反馈是否完全有效。
• 涉及心理、家庭、升学的判断。

最终评价应分成三层：

10. 成长档案

最终产品应为每个学生生成一个“成长档案”，但它不是成绩单。

它记录四类证据：

• 掌握证据：独立题、变式题、延迟复测、提示依赖度。
• 解释证据：费曼解释、互教卡、二次改写。
• 连接证据：个人概念图、跨学科连接、类比解释。
• 创造证据：项目作品、过程上传、修改记录、同伴反馈。

家长和老师看到的不是“孩子今天刷了多少题”，而是：

• 他真正掌握了哪些知识。
• 哪些概念关系开始建立。
• 哪些误区反复出现。
• 他有没有从“听懂”走向“讲清”和“用出来”。
• 哪些作品证明了他的理解和创造。

11. 产品模块清单

最终形态可以拆成这些模块：

12. 系统边界

把这些方法放进整体设计后，边界更重要。

必须坚持：

• 连接必须服务理解，不服务炫技。
• 项目必须回到知识节点，不允许项目制空转。
• 同伴互教必须先经过关键内容验答，不允许互相喂答案。
• AI 评价必须以修改建议为主，不以排名和标签为主。
• 成长档案必须保护隐私，不把未成年人作品默认公开。
• 跨学科素材只参考事实、框架和知识连接，不直接搬用他人内容。

13. 一个具体例子

主题：二元一次方程组。

传统做法是讲代入法、加减消元法，然后刷题。整体设计下可以这样做：

知识关卡：
学生先解决一个两种票价、总人数和总收入的问题。
AI 引导他拆出未知量、两个关系和两个方程。

费曼解释：
学生解释“为什么两个方程的共同解才是答案”。

个人概念图：
学生补边：一元一次方程 -> 二元一次方程组。
解释：以前只有一个未知量，现在有两个未知量，所以需要两个独立关系。

跨学科连接：
系统给出一个科学史/工程测量情境：用两个观测关系确定两个未知参数。
学生判断这个情境和方程组有什么相同、有什么不同。

拼图互教：
小组中一人负责“设未知量”，一人负责“列关系”，一人负责“消元”，一人负责“验算与解释”。
每人提交互教卡，AI 先验答关键数学。

项目任务：
设计一个校园义卖定价方案：两种商品、总销量、总收入、目标利润。
学生上传草稿、方程、验算、最终说明。

AI 评价：
AI 指出“你的方程成立，但没有解释为什么两个关系独立”。
学生修改后进入成长档案。

这个例子里，学生不是在“玩项目”逃避数学，而是在用项目证明自己理解了数学。

14. 仍需拍板的问题

1. “西蒙学习法”在本项目中是否正式定义为“问题拆解 + 组块练习 + 反馈迭代”，避免使用含混说法？
2. 学生个人概念图在掌握判定中占多大权重？
3. 跨学科连接是否先由老师共创 verified 库，还是允许学生提交 pending 连接？
4. 项目作品默认可见范围是什么：仅自己、家长、同伴小组、老师，还是公开？
5. AI 评价的语气和权限如何约束，避免学生把 AI 分数当作自我价值判断？
6. 拼图互教是否允许同步语音/视频，还是只做异步互教卡？
7. 成长档案是否面向升学展示，还是只面向学习过程反馈？

15. 证据分级与可行性评估（关键修正）

本节是对前面愿景部分的“证据底座”修正。前面把七种方法当作一个融洽的整体来描述，但从学习科学证据和“单人 + AI”落地难度看，它们差异极大。下表是决策依据，带反驳/风险来源，区分“已验证事实”与“推测”。

AI 评价与游戏化的硬约束（决定项目工作室能不能做、怎么做）：

• AI 评价语言类 + 有 rubric 的任务已达中等可靠：o1 作文评分与人类 r=.74、ICC=.80（arXiv 2411.16337），可用于低风险形成性反馈——但所有模型都有“打高分”通胀偏向。
• AI 评价综合创意项目目前不可靠：专项基准 PBLBench 显示最优模型排名准确率仅 59%，对不完整报告仍持续给高分（arXiv 2505.17050）。结论：AI 只做形成性建议 + rubric 初评，绝不独立做终结性评分——这与护栏“AI 不替代最终判定”完全一致（呼应 §9）。
• 游戏化必须分清两类：成就型/能力确认徽章安全且小幅正向（Frontiers 2024, g=0.257）；而打卡型/完成型奖励 + 绝对排行榜会侵蚀内在动机（Deci 1999, d≈-0.40），对弱基础学生伤害最大——应在架构层排除（与 learning-principles §8.1 一致）。

16. 分阶段引入建议

把上表翻译成路线图，核心是克制：不是七个一起上，而是按“证据强度 × 落地成本 × 对 v1 闭环的增益”排序。

• 底座（v1 已含，不是新功能）：费曼出口（FR-6）、组块化自适应与掌握判定（FR-1/FR-2）、Canon 知识图谱可视化（FR-1 + 家长仪表盘学习地图）。先把这条主线闭环跑通、拿到双主指标，再谈扩展。
• 近期可低成本叠加（v1.x，与中国刚需强对齐）： 1. 个人概念图——“AI 给骨架 + 学生补 1–3 条边 + 苏格拉底验边 + 验过才更新掌握权重”； 2. 跨学科“延伸关联卡片”——掌握某知识点后可选触发，每条连接显式标注“对应中/高考情境化题型”，消除家长偏科焦虑。
• 中后期（v2，重投入 + 高风险，需前置条件）：项目工作室 + 互教工坊 + AI 作品评价器 + 人工审核台。前置条件：① 有足够真实用户量支撑真人配对（否则互教只能靠 AI 假同伴，信任打折）；② 志愿者审核产能可持续；③ AI 综合评价可靠性提升到可用。
• 仅作设计理念、不单独立项：联通主义——它的价值是提供“学习 = 一张可审核的知识/人/资源/作品连接网络”这一架构隐喻，指导前面三张图谱的设计即可，不要把它当成一种要交给学生用的“学习法”。

17. 新增待决问题（排序与边界）

§14 已列了 7 个偏“机制细节”的问题；这里补 6 个偏“排序与边界”、更上层的问题：

1. 排序与克制：除已在 v1 的费曼/组块/知识图谱外，其余方向在“跑通闭环、拿到双主指标”之前是否一律不碰？引入新方向是否就用 learning-principles §9 的七问做闸门？
2. AI 模拟同伴 vs 真人：拼图/互教在没有真实用户量时，是用 AI 扮同伴，还是直接延后到能做真人配对？（研究提示教师/同伴的“社会临场感”对学习与信任很关键，AI 假同伴用不好会降低信任）需要一个“何时切到真人”的明确触发条件。
3. 应试 vs 素养张力：跨学科、项目化是素养路线，但目标用户的刚需往往是中高考提分。家长会不会觉得“不务正业”？如何把跨学科/项目显性挂钩“情境化命题”（这已是中考趋势），让它既练素养又服务刚需？
4. 认知负荷预算：一个 10–12 分钟短闭环已含“尝试 → 错因 → 提示 → 再试 → 独立复做 → 费曼 → 延迟复测”。再叠加补边、跨学科、项目，每天“认知预算”如何分配？哪些每日必做、哪些走周节奏或可选？
5. 内在动机红线：项目上传 + AI 评价 + 徽章，如何保证只奖励“高质量行为”（独立尝试、修错、讲清、迁移），而不退化成“完成打卡得分 / 绝对排行榜”这类已被证实侵蚀内在动机的设计？
6. AI 评价的护栏一致性：护栏原则是“AI 不给答案”；那“AI 评价/打分作品”在精神上是否一致？当 AI 综合评价不可靠（约 59%）时由谁兜底？公益项目的人工抽检产能从哪里来、如何排队？

18. 来源

完整调研见 ../research/ 下三份报告（四种学习法 / 知识图谱与跨学科 / 项目化与 AI 评价）。关键来源：

• 费曼/自我解释：Bisra et al. 2018 元分析 — https://gwern.net/doc/psychology/spaced-repetition/2018-bisra.pdf
• Protégé 效应：Chase et al. 2009（Stanford）— https://aaalab.stanford.edu/assets/papers/2009/Protege_Effect_Teachable_Agents.pdf
• 刻意练习边界：Macnamara et al. 2014 — https://www.psychologie.uzh.ch/dam/jcr:658d39fe-2f4b-467f-9ae2-ffeb25caf2b6/McNamara.PsychSci.25.2014.pdf
• 概念图主动构建：Adesope et al. 2017 — https://link.springer.com/article/10.1007/s10648-017-9403-9
• map shock / 认知负荷：Frontiers in Education 2022 — https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2022.892312/full
• STEM 跨学科整合：Zhou et al. 2025 — https://link.springer.com/article/10.1007/s11165-024-10216-y
• 中考情境化命题趋势（2024 广州）— https://wap.ycwb.com/2024-07/03/content_52784132.htm
• 跨学科“浅层关联”批评 — https://indianexpress.com/article/opinion/columns/true-interdisciplinary-education-must-have-depth-before-breadth-10365296/
• 拼图教学法 RCT 零效果：Stanczak 2022（ERIC）— https://eric.ed.gov/?id=EJ1372764
• 联通主义可行性质疑 — https://cdspress.ca/wp-content/uploads/2023/07/CALL-Connectivism_Langridge.pdf
• PBL 效应量（Visible Learning MetaX）— https://www.visiblelearningmetax.com/influences/view/project-based_learning
• 新手需支架（Kirschner 2006 / scaffolded PBL）— https://link.springer.com/article/10.1007/s10648-023-09828-z
• LLM 作文评分一致性：arXiv 2411.16337 — https://arxiv.org/html/2411.16337
• AI 评 PBL 项目不可靠：PBLBench，arXiv 2505.17050 — https://arxiv.org/html/2505.17050
• 外在奖励侵蚀内在动机：Deci, Koestner & Ryan 1999 — https://pubmed.ncbi.nlm.nih.gov/10589297/
• 成就型徽章正向：Frontiers in Education 2024 — https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2024.1429452/full
• 排行榜对低成绩学生负效应 — https://link.springer.com/article/10.1007/s11423-023-10337-7
• 产品参考：Sora Schools “Goodbye Grades” — https://trends.soraschools.com/goodbye-grades ；Feynman AI — https://feynmanai.net/