截止 7 月 25 日，我的公众号专栏 #Education 101 已经完成了 100 篇内容创作，“Education 101”这样的名称通常表示入门级或基础级教育学课程。这是美国和一些其他国家大学课程编号系统的常见做法。 当时选这个名称是为了把自己学习到的教育学知识分享到公众号，将来自己看了知道以前还学过这些内容，不要忘了这些好的教育思想和方法。
写了大概二十篇以后，粉丝不断上涨，我也越来越热衷于写公众号，又结合了AI教育的热点，发了很多前沿的研究、政策、技术解读，阅读量和推荐也都挺高。直到有一天，我发小给我打电话：
你现在的内容是不是太同质化了？
好像还真是，Education 101 后期每一篇的内容、结构，几乎都差不多，因为我从同一个刊物找了 AI 教育主题下的几乎所有文章，写了解读版。内容的确大同小异。算了算已经100 篇了。
于是我发了这样一条朋友圈：
Education 101像所有大学入门课一样，学生看明白怎么回事以后，很快就去选别的课了。虽然我也不断试图将它转型为 AI 教育的内容分享阵地，可是三十篇以后便越来越同质化，最后自己也不想再写了。
不过，Education 201 也要来了，它将是给进阶教育学人的 100 篇，只有进阶创作，才能提高输出水平。只有自己进阶，才能帮助别人进阶。新专栏将分享一些更为使用但却更容易被忽视的教育研究方法和成果，教育学人不能只会读书和教书、更不能只会用 AI读书和教书。
首先，还是要先谈回 AI
近日，加州大学（UC）系统对于入学新生设立数学基础标准的消息掀起了轩然大波：
有组织称，目前至少有 17 个州已把「数据科学」作为高中数学教育的可选项，俄勒冈州和俄亥俄州甚至已将其作为代数 II 的替代课程。这一方式遭到了加州大学的反对。
有人发出了一封公开信，呼吁必须保证本科新生的数学水平：不要再把高中阶段提前学习的数据科学再纳入「数学」的范畴了，没有基础数学水平，就学不好 AI。
虽然还在诉讼对决之中，但openai 创始人山姆奥特曼和特斯拉的马斯克都位列这封公开信的签字人名单之列 —— 看来英雄所见略同。
公开信：AI时代仍然需要硬知识
公开信的完整内容如下：
人工智能即将改变我们所处的社会。为了为未来做好准确，我们必须加强未来人们构建和部署 AI 技术的知识教育。其中，代数、微积分和概率学的核心数学概念是现代人工智能创新的核心。因此，参与人工智能技术的开发需要学生从夯实数学基础开始。我们赞赏加州大学最近澄清了有关数学的入学要求，确保学生必须完成符合该州大学入学标准的高中课程。
这段强调了数学教育对于未来AI发展的重要性，并赞同加州大学的入学要求。这反映了教育界和科技产业对AI时代人才培养的前瞻性思考。
虽然当今的进步可能表明微积分或代数等经典数学学科已经过时，但事实并非如此。事实上，现代人工智能系统植根于数学，因此学好了数学对于人工智能领域的职业生涯发展至关重要。
这段驳斥了认为传统数学已过时的观点，强调了数学在AI领域的基础性作用。这种观点可能会引发关于教育重点的讨论。
深度学习的算法支柱 —— 梯度下降，通过结合微积分和（线性）代数来证明了人工智能与数学的关联。向量和矩阵是神经网络的构建模块，对数尺度的增长建模是神经网络训练的基础。三角函数和毕达哥拉斯恒等式也没有过时，它们是数据科学中重要工具的基础，包括傅里叶变换和最小二乘算法。
这段详细解释了数学在AI中的具体应用，为前面的论点提供了技术支持。这种解释有助于读者理解数学与AI的密切关系。
因此，在高中阶段学习这些数学学科可以为今后专门从事机器学习、数据科学或任何 STEM 领域的工作做好准备。一般来说，我们更愿意聘用牢固掌握基础知识的学生，而不是那些对最新的工具或软件一知半解的学生。
这段强调了高中数学教育对未来职业发展的重要性，反映了雇主的偏好。这种观点可能会影响学生和家长对数学学习的态度。
如果不能维持公共教育中数学课程的标准，则将扩大公立学校（尤其是资源贫乏地区的公立学校）与私立学校之间的差距，从而阻碍 STEM 多元化的努力。所有加州的孩子（不仅仅是私立学校的孩子），都应该接受顶级的数学教育，为我们的未来打好基础。因此，我们敦促加州政策制定者尽一切努力确保学生接受此类教育的机会。
这段指出了维持高标准数学教育的社会公平意义，呼吁政策支持。这种观点将教育问题与社会公平联系起来，可能会引发更广泛的社会讨论。
公开信地址：https://www.mathmatters.ai/
教育学人也需要硬知识
既然学生仍然需要硬知识，那么教育学人也需要硬知识。我想教育学人的硬知识包括以下几个方面：
首先，是对教育理论和实践的深入理解，包括教育心理学、教学方法学和课程设计等核心领域。
其次，是对当前教育技术的熟悉，特别是AI、虚拟现实等新兴技术在教育中的应用。
最后，是对数据分析和研究方法的掌握，这使他们能够科学地评估教育效果并进行循证决策。
最近一个西班牙的教育研究发现，教师对“科学探究本质（Nature of Scientific Inquiry）”的理解与“教师自我效能感（Self-Efficacy Beliefs of teacher）”高度相关。（原文链接https://link.springer.com/article/10.1007/s11191-024-00553-9）
教师自我效能感是指教师对自己有效完成教学任务、影响学生学习的能力的信念和判断。这个概念在教育心理学中很重要，因为它影响教师的教学行为和学生的学习成果。高自我效能感的教师通常更有信心面对教学挑战，更愿意尝试新的教学方法，并且对学生的学习抱有更高的期望。
丰富的教育理论经验、对前沿知识的渴求，这都是提高教师自我效能感的途径，可是还有一个容易被忽视的点：用数据说话的能力。
我们在语文课上学会了遣词造句和讲故事，在数学课上学会了理解数字。但将两者并用的情况很少见：没有人教过我们如何用数字讲故事，更何况几乎没有人天生擅长此道。
我们知道教育研究不能单纯展示观点，因此人们知道要展示数据，如何再进阶到用数据讲故事，这之间有何效果差异？
以某个教育试点项目的问卷调查分析为例：
这幅图并不能很好的展示出学生的兴趣转变，因此很多教师在项目申报、论文写作、乃至会议报告中，不喜欢列数据——反正都是讲台上千锤百炼的老师，有没有数据分析无伤大雅。
可是对比一下这个图表：
慢着，这个项目看上去很成功，可为什么项目之后觉得科学无聊、不怎么样的学生变多了？——好的数据分析能够帮助我们更快的发现新问题，并对新问题做出调整。好的教师也是，好的文章也是。
