想起自己,花了无数个夜晚啃书本,笔记记了一本又一本。可当需要实际应用时,却发现脑子里一片空白。
为什么我们如此努力,结果却差强人意?
Andy在演讲中提到了两个概念:隐性学习和指导性学习。
什么是隐性学习?
简单来说,就是在实践中学习,边干边学。比如,有人对摄影感兴趣,直接拿起相机就开始拍,通过实践摸索技巧。
再举一个🌰,就像孩子学母语,没人教语法规则,但他们能自然而然地学会。这种学习方式强调探索、兴趣和真实参与。
那指导性学习呢?
就是传统的上课、看书、做练习。这种方式注重系统性、结构化,由老师或教材引导,帮助你一步步掌握知识。
二、为什么学习常常无效?
先说隐性学习的问题。
小明对编程充满热情,直接开始做一个复杂的游戏项目。他兴致勃勃,但很快就遇到了麻烦:代码报错、逻辑混乱、bug层出不穷。他不知道问题出在哪儿,查资料又看不懂,最后只能无奈放弃。
为什么会这样?
因为缺乏基础知识,一上来就挑战高难度,结果可想而知。他想通过实践学东西,但项目的复杂度远超他的能力范围,结果只能是「心有余而力不足」。
再来看指导性学习的不足。
小QQ(我本人)一年前报名参加了一个Python编程课程。她认真听课、做笔记、完成作业,但课程结束后,她发现自己依然不会用Python解决实际问题。
原因在哪儿?
因为缺乏实践应用。学到的都是理论和范例,没有在真实情境中运用过,知识像是手里的沙,抓不住、用不上。
有的教育界老司机可能会说:那项目制 PBL 学习,不就是结合这两种学习方式的优点吗?
其实 Andy 在演讲里也提到了,大部分的项目制学习综合了两者的缺点。学生基础知识也没学好,实践应用也没用上……(这是能说的吗??)
三、AI来了,改变正在发生
有没有办法,把这两种学习方式的优点结合起来,避开各自的陷阱?
还真有!这就是Andy演讲中提到的对 AI 时代学习的展望——利用AI,将隐性学习和指导性学习融合在一起。
再回到小明的故事。
这次,小明有了一个强大的AI助手。在他的许可下,AI了解了他的兴趣、现有的知识水平,以及他想要实现的目标。
1. AI帮他量身定制了合适的编程项目。
不是一上来就让他做复杂的游戏,而是从一个简单的小游戏开始,既有挑战,又不至于让他望而却步。
2. 编码过程中,AI实时提供指导。
当他遇到问题,比如不清楚某个函数怎么用,AI会在他的编程界面中给出提示,甚至提供相关的例子,手把手教他。
3. 对于不理解的概念,AI生成动态的、多媒体的解释。
比如,变量和循环到底是什么?AI用动画演示,生动直观,让他一下子就明白了。
4. AI还为他推荐了相关的学习资源。
这些资源都是和他的项目直接相关的,学了马上就能用,用了又激发他学更多,形成了良性循环。
让我印象特别深的一幕是,AI 推荐的学习资料是完全个性化的。
比如它推荐一本书,会高亮这本书的重要章节和重要练习。而不是直接给小明开书单。
我想后续 AI 应该能推荐的不仅仅是某一个知识点,而是由这个点延展开的一整张定制化资源网。
5. 最关键的是,AI帮助他建立了学习和实践的闭环。
他在实践中遇到的问题,促使他去学习新的知识;学到的新知识,又能立刻应用到项目中,效果立竿见影。
结果,小明不仅顺利完成了小游戏,还真正学会了编程的基础知识,对编程的兴趣也越来越浓。
四、AI助力学习的现在
可能有人会问:「听起来很美好,但这在现实中能实现吗?」
其实,现在已经有一些AI工具开始朝这个方向发展了。
拿编程来说,GitHub推出的Copilot(我刚拿到 Cursor 账号,还没试用)就是一个很好的例子。它利用OpenAI的模型,在你编写代码时,实时提供代码补全和建议。
它如何帮助学习?
• 实时代码建议:当你在写函数或算法时,Copilot根据上下文,智能地补全代码。不仅提高了效率,还能学到更好的编码方式。
• 解释代码片段:对于不理解的代码,可以向Copilot询问,它会给出详细的解释,帮助你理解背后的原理。
• 提供学习资源:遇到不熟悉的概念,如某个算法或数据结构,Copilot能推荐相关的学习资料或示例代码。
举个🌰:
小李正在学Python,想实现一个快速排序算法,但对细节不太明白。Copilot根据他输入的函数定义,自动补全了完整的快速排序代码,并在注释中解释每一步的作用。
这样一来,小李不仅得到了正确的代码,还深入理解了算法的工作原理。这种即时的、上下文相关的帮助,大大提升了他的学习效果。
虽然目前的AI工具还没法完全达到 Andy 所描绘的图景,但已经让我们看到希望。
五、未来,值得期待
Andy描绘的,是一个学习的新世界。
在这个世界里,学习不再是孤立的记忆,不再是枯燥的练习。它真正融入生活,融入实践,但同时又避免了纯粹隐性学习可能带来的问题。
如何做到这一点?
Andy 的演讲中提了四个设计原则:
1. 在做中学,在学中做
First, we bring guided learning to authentic contexts, rather than thinking of it as a separate activity.
首先,Andy强调,要把指导性学习带入真实的环境中,而不是把它视为独立的活动。当你在电脑上工作时,AI就像一个贴心的小助手,随时准备解答你的疑问。比如,你在写报告,遇到不懂的词,AI立马给你解释。你在编程,卡住了,AI马上提供建议。
这意味着,指导学习不再是独立于实践的事情,而是融入到我们日常的活动中。AI的参与,使得我们在「做中学」,边实践边得到指导,学习效率大大提升。
2. 学以致用,用以促学
Then, when explicit learning activities are necessary, we suffuse them with authentic context.
当你需要专门学习某个知识点时,AI会确保你学的东西与你的实际需求紧密相连。比如,你在学习数据分析,AI不会给你一堆抽象的数字,而是用你正在处理的实际项目数据来设计练习。这样,你学到的知识立刻就能用上。
3. 量身定做,深度链接
Besides connecting these two domains, we can also strengthen each of them.
无论你是初学者还是老手,AI都能给你合适的建议。对新手来说,AI会推荐简单但有趣的入门项目。对有经验的人,AI则会帮你找到志同道合的伙伴,或者推荐高级的学习资源。
它可以帮你规划学习路径,连接实践社区。
4. 学得扎实,用得灵活
Finally, when we’re spending time in explicit learning activities, let’s make sure that learning actually works.
AI不仅帮你学习,还确保你真正掌握了知识。它会根据你的学习进度,定期给你温习的机会。更棒的是,它会设计各种有趣的问题和情境,让你把学到的知识活学活用。
感谢Andy的演讲,让我看到了未来学习的可能场景。
如果你也对未来的学习方式感兴趣,不妨去看看他的演讲,可能也会有不一样的收获。
Andy Matuschak的演讲《How might we learn?》链接
欢迎下载知识星球 APP,加入教育 AI 免费社群。
可以向我提问,深度链接我。
我也将持续分享我在教育 AI 领域的应用和个人成长感悟。