按照理解型学习的理念（见理解型学习的名词解释，理解型学习的知识观、教育观和实操——什么是和为什么需要人类知识高速公路上以高层知识生成器为目标的理解型学习）
教和学什么：高层知识生成器（学科大图景、一般性人类思维、教和习的方法）
如何教和学：上下左右贯通
为什么教和学这些：只有高层知识生成器才是可迁移的，可以用来提出和解决问题，也可以促进对相对低层知识的理解的，因此从学习负担和学习目标（成为问题提出者和解决者，知识的创造者和创造性使用者，知识创造和创造性使用的欣赏者）来说，都应该教和学高层知识生成器
为什么这样教和学：高层知识只有通过创造相对低层知识尤其是学科概念知识的过程，也就是提出和解决问题的过程来学习；相对低层知识通过把高层知识应用于提出和解决问题而创造出来才是真正的理解真正的学习；此外，同层次的知识之间也存在着内在联系，构成知识体系，学习也要用好这样的左右联系
理解型学习核心概念：知识的层次和人才的层次
教和学高层知识需要通过对相对低层知识的创造和理解的过程来进行。然而，人类以及人工智能（AI）最直接能够学会的是事实性程序性知识（当然，这里在人类学习和人工智能的学习之间也有一个小小的区别——人类可以基于对现实世界和内心心智模型的经验和体验来提炼更高层知识，AI不能这样来学习，就算其掌握了别人的经验和体验，也是当做事实性程序性知识来掌握的）。因此，通过把更高层的知识转化为事实性程序性知识来学习就成了一个基本的方法。
从这个角度来看，实际上，以背诵为基础的机械式学习就是把所有的知识都转化为事实性知识来学习，甚至连程序性知识都是转化为事实性知识来学习。但是，我们已经看到了，这样的学习往往会使得我们的人类学生停留在检索答案和套用的层面，不能成为创造者欣赏者，甚至不会希望去成为创造者欣赏者。
AI在这个点上很有意思。本质上，其实AI还是一个存储器，其掌握的知识仍然是事实性知识就算程序性知识也是记住的。但是，由于大语言模型背后运行的是一个预测下一个词的预测模型（基于以往已经见过的语料）而不是直接记住所有的语料本身，因此，很多时候，我们可以把大语言模型看做是可以直接掌握程序性知识的。这一点，如果你自己教会过大语言模型来完成某一类任务的流程
先定义清楚这个任务类别，
再讲清楚怎么做，
再讲清楚为什么要按照这个流程来做，
再提供一些案例，
最后再测试，按照测试结果再来补充训练，必要的时候进入完成这个任务所需要的子模块子任务来重复这个训练
你就会发现：大语言模型在程序性知识上的可教性比人类学生好多了好多了。当然，对于愿意多思考一点点的学生，教程序性知识也比让学生记住事实性知识效果好。
于是，我们发现在把一切知识转化为事实性知识、把一切知识转化为程序性知识来教之间，可能后者更为有效。
但是，问题来了：可以把学科概念、学科思维、一般性人类思维、教和学的方法这样的更高层次的知识转化为程序性知识来学习吗，转化以后学生学会了相应的程序性知识能够再一次联系到更高层的知识上面去吗？
回答这个问题的关键是“上下贯通”。也就是，我们要在设计程序性知识的时候就做到把更高层知识藏进去，同时在教程序性知识之后，要做提炼，让学习者看到更高层知识。
例如，我们教两位数的乘法计算步骤的时候，需要考虑到后面，我们希望学生从这个步骤中看到四则运算律、数的十进制表示、分解和综合（尽可能形成可以重用的模块，这里就是个位数乘法）、系联性思考（把乘法计算步骤和学科概念、思维联系起来）、理解型学习（上下左右贯通的学习方式）。
例如，当我们教整式的“加减乘”运算步骤（先识别变量和常量，对原始算式中的每一项做变量的降序或者升序排列，运用四则运算律把乘法变成加法，识别和合并同类项，对结果的每一项做变量的降序或者升序排列）的时候，联系到变量和常量的定义和表示习惯、整式的阶的概念、同类项的概念、四则运算律。除了思考为什么可以这样做，还需要思考为什么需要这样做。
例如，当我们完成一道下面的逻辑题的时候，就联系到加法计算、加法交换律、统计分析、对称性和运用对称性简化思考的思想（简称对称性思想）、反证法、逻辑学。如下图所示。
这样，我们就可以通过教会人类或者AI程序性知识的方式来教会更高层知识。再一次总结一下这个方式：
选择合适（适合用来体现高层知识的是合适的）的任务来设计完成这个任务的流程，在设计教什么程序性知识的时候把高层知识融入到这个流程之中（这时候需要问做什么，为什么需要这样做，为什么可以这样做，为什么需要做这个来启发这个设计融合的过程），
在教程序性知识的过程中和过程之后，要把这些程序性知识明确联系到更高层的知识（这个时候，要问学生前面的WHWM的问题，引领学生一起来思考）。
实际上，当时主要针对人类学习者的Landamatics（Landa方法，参考文献可以点击原文链接获得。这篇Landamatics论文是迄今为止在理念上跟我们的理解型学习最契合的一篇论文。见转发理解型学习重要参考文献Landamatics）的主要意思和这个基本一致：只有通过教程序性知识才能帮助和学习者学会可迁移的方法（其主要指的是思维方式分析方法）层面的知识。在这一点上，理解型学习的拓展是：第一、在教AI上也是如此；第二、在选择任务上，以是否适合体现高层知识为标准；第三，在教的过程之中和之后，要明确联系到高层知识。
实际上，不仅仅是教师，学生也可以用这样的方式来学习：只有当学生能够教会其他学生和AI相应的知识的时候，学生才真的掌握了这个知识，而这个知识往往就是渗透在程序性知识之中的高层知识，因为程序性知识容易教和学，而且比事实性知识更加能够体现高层知识更加容易迁移。
这正好就是为什么我打算最近把自己训练AI的经验和案例总结出来，建设一门《大语言模型和教学》（训练教和学用的大语言模型，通过这个训练来帮助教师更好地认知学科梳理知识开设课程，帮助学生更好地学习）的课程的动机。
因此，以后，就算仅仅是为了帮助自己学得更好，学习者们也有一定必要性来学会训练大语言模型。这真的教育的新时代啊（见教育新时代到来了）。老师们，这真的是一个教和学的好技术啊。
