「你越懂,越教不好」:专家反转效应,与评教系统为什么奖励这种失败
【锚点】这一篇只钉一件事:教学水平不是教师的属性,而是【教师图式】与【学生先验知识】之间的匹配关系。所以「名师」这个词在统计上是噪声;而评教分数测的是【流畅性】——恰好是专家最擅长生产、也最容易被误认为学习的东西。
【显式】三条一眼可见的事实: 1. Sweller & Cooper (1985) 的经典实验:先看完整解题样例再做练习的学生,比直接做题的学生用时更短、错误更少——「样例效应」(worked-example effect)。 2. Kalyuga、Chandler & Sweller 的「专家反转效应」(expertise reversal effect) 系列实验:同一个教学支持(样例、图解、详细讲解),对低先验知识学生是帮助,对高先验知识学生变成干扰——因为要处理冗余信息,反而抬高外在认知负荷,效应符号直接翻转。 3. Hinds (1999) 的「专家诅咒」:越熟练的人越难准确估计新手完成任务所需时间;Nathan & Koedinger (2000) 的「专家盲点」:数学教师会系统性地高估学生对符号的直觉理解。
【隐式】一步推理:既然同一个教学动作对不同学生的效应符号可以相反,那么「这个老师教得好」这句话,在没有指定学生分布时是没有真值的。这不是谦虚,是语法错误。
【细微】需要多处比对才看得见的细节:评教分数与学习增益的相关性极弱甚至接近零(Uttl, White & Gonzalez 2017 的再分析;Carpenter, Witherby & Tauber 2020 的综述)。那评教分数与什么强相关?讲者的流畅、自信、以及给分松。这三样恰好是专家自动化的副产品。于是闭环形成了:越自动化 → 输出越流畅 → 学生感觉越「懂了」 → 评教越高 → 该行为被制度性保留。
【极难发现】反直觉的盲点:这个闭环里没有任何纠错信号。因为「没学会」这件事,恰恰是没学会的人最没有能力报告的——元认知判断在低能力区系统性失效。学生能感到的是「顺」,不是「会」;问卷问的也是「顺」。所以专家教师的教学失败是【不可观测】的:它不产生噪声,只产生高分。
【一个具体推演】我带过一个博士生,能把整条 protocol 讲得行云流水,我一度以为他懂了。我改问:「如果第三步失败,你会看到什么信号?下一步改什么?」他卡住了。差别不在知识量,在于他的图式是【打包】的:他知道「这样做能成」,但不知道「为什么能成」以及「哪一步是承重的」。这正是专家图式的定义——自动化、压缩、不可内省。而教学要求的恰恰是【解压缩】,是一项与专长方向相反的工作。
【流程节点链路】专家图式自动化 → 无法内省报告中间步骤 → 讲解默认输出「结论 + 流畅叙述」 → 新手拿不到承重步骤、认知负荷落在搜索而非图式构建 → 新手体验到的是流畅而非可提取的理解 → 评教高分 → 制度保留该教学行为 → 下一代专家复制同一模式。终点不是「教得好」,是「教得顺」。
【可操作的推论】如果上面成立,带学生时最该做的不是「讲得更好」,而是: - 设计【可失败的练习】:你不出声,让他走一遍;失败点就是你的教学大纲。 - 用【预测题】替代【复述题】:不问「这一步做什么」,问「把这一步删掉,你会观察到什么」。 - 做【样例撤除】(fading):Kalyuga 的解法不是「少讲」,而是按先验知识动态撤支持——完整样例 → 部分样例 → 独立解题。
【值得辩论的问题】如果评教分数与学习增益基本不相关、却与流畅性强相关,我们是否该把评教从人事决策里彻底删掉?更狠的一问:一个无法解释自己是怎么做到的专家,还有资格带学生吗?我的答案是——有,而且常常是最有资格的,前提是他不再试图「讲清楚」,而是开始设计「让学生失败得清楚」。







0 Comments