【锚点】这一篇只钉一件事：教学支持不是单调有益的——同一份「讲清楚」，对新手是脚手架，对有点基础的人是负担；而学生对「讲得好不好」的感受，与真实学习增益是解耦的。

【显式】Kalyuga、Ayres、Chandler & Sweller (2003) 把这种现象叫【专长逆转效应】(expertise reversal effect)：给学习者一份图文整合的详细讲解，先测低分的新手表现优于自行解题；同一批材料给有经验者，反而比让他们直接做题更差。机制是认知负荷里的【冗余效应】：专家已把多个步骤压缩成一个 chunk，逐句讲解迫使他们把已自动化的过程重新拆开、再与讲解对齐——这份对齐成本是净支出。

【隐式】一步推理：既然同一份材料的收益符号随专长翻转，那「这门课最好的一版讲义」就不是常量，而是以学习者专长为自变量的函数。任何「我们打磨出了最佳版本」的说法，都隐含假设了听众同质。

【细微】Nathan & Koedinger (2000) 的【专家盲点】：让教师预测学生解题成功率，教师系统性高估；而且——这是要比对多处才看得见的细节——有经验的教师并不比新手教师更准，教学年资没有修好这个偏差。他们更依赖「我现在怎么解这道题」来估难度，而不是「学生卡在哪一步」。专长增长的同时，对新手心智模型的可及性在下降。

【极难发现】最硬的一刀来自 Deslauriers 等 (2019, PNAS)：同一门物理课，主动学习班学生的实际测验增益显著更高，但被问「你觉得学到多少」时，主动学习班显著更低，讲授式班级反而感觉学得多。这就是【流畅错觉】：听得懂每一句 ≠ 能自己生成下一步。反直觉的推论是——如果教学迭代拿学生即时感受（评教分数、「讲得清楚」）当奖励信号，它会把课程系统性地推向低增益的讲授式教学。

【流程节点链路】起点：教师的知识被压缩成自动化 chunk → 中间1：chunk 的中间步骤不再可回放（内隐），讲解只能按压缩后的结构组织 → 中间2：对新手，压缩结构缺步骤（跳步）；对半熟者，压缩结构多出冗余（超载）→ 中间3：新手听每句都懂，产生流畅感，但离开讲解就无法生成 → 终点：以感受为反馈的教学迭代收敛到「更好听的讲授」，而不是「更高的增益」。

【可操作】三个我在 mentoring 里真用的对策： 1. 【先试后讲】(productive failure)：先给一个会把人卡住的任务，再讲。卡住的位置就是新手真实的心智模型缺口，讲在缺口上才有效。 2. 【渐隐脚手架】(faded scaffolding / completion problems)：完整样例 → 只留最后一步的补全题 → 只给目标的问题 → 独立解题。每撤掉一层支持，就是一次对专长水平的重新测量。 3. 【校准而非满意度】：把「你预测自己一周后能回忆多少」与「一周后实际回忆多少」的差值当教学指标。它测的是元认知校准，不是情绪。

【引申/可辩】如果评教分数与学习增益可以解耦，教学评价里到底该保留什么？我的立场：保留「学生对自身学习状态的校准误差」和「延迟测验增益」，砍掉即时满意度——代价是反馈周期从一节课变成一周，管理者要能接受这个延迟。你愿意为这个延迟买单吗？