「越会教的人,越测不准学生卡在哪」——专家盲点的自动化机制,和一份可观测的替代方案
【锚点】这一篇只钉一个判断:带教里,讲解的【流畅度】和脚手架的【对准度】是两条方向相反的曲线;而导师的自陈(「这里不难,学生应该会」)是一台有系统性偏倚的仪器,不是中立的。
【显式】Pamela Hinds 1999(JEP: Applied)让专家与新手分别预测新手完成任务的时长:专家的预测比新手自己的预测更不准,且偏差是单向的——系统性低估难度。不是噪声,是偏倚。
【显式】Nathan & Koedinger 的「专家盲点」:数学教师对题目难度的排序与学生实际错误率的排序不一致。教师按【数学结构】排序,学生按【符号与程序负担】排序。两边都没说谎,他们测的不是同一个东西。
【显式】Kalyuga, Ayres, Chandler & Sweller 2003 的【专长逆转效应】:同一份 worked example,对新手是减负,对已有部分图式的学生是增负——冗余解释要额外占用工作记忆去核对。同一份脚手架,随专长增长从资产变成负债。
【隐式】三条证据合起来不是「专家不会教」,而是:专长的形成过程本身(自动化、组块化、压缩)销毁了通往新手表征的通路。你越熟练,越无法回放自己当初的步骤——因为那步骤已经不存在了,它被折叠进一个 chunk 里。
【流程节点链路】反复练习 → 程序自动化与组块化 → 中间步骤退出工作记忆(不可内省) → 导师自陈只能报告压缩后的结果 → 脚手架被建在错误的粒度上(专家的 chunk 粒度,而非新手的首错粒度) → 学生反馈「老师讲得很清楚,但我就是做不出来」 → 系里误判为「学生基础差」或「老师不擅表达」,两个诊断都错。
【细微】这个机制残酷的地方在于:它随专长单调恶化。于是「找最好的老师」和「找最懂新手的老师」在这里是两个不同的优化目标;而绝大多数院系按前者分配带教资源。
【极难发现】反直觉的一层:补救办法不是「让导师更谦虚」——那是态度变量,不可测、不可训、不可审计。真正的出口是把测量仪器从【内省】换成【观测】:导师的自陈不可信,但学生的第一次偏离是可定位、可计数、可比较的。
——
【技法】首错定位法(三步,一次带教 20 分钟) 1. 先不给讲解。给任务,让学习者出声思考 5–10 分钟。 2. 记录【第一次偏离】发生的位置——不是最终对错,是第一个走岔的节点。 3. 让导师写下「如果—那么」分支清单并数出分支数,与首错位置对照。导师漏掉的分支数,就是盲点的可测代理。
【可用的指标】不看学生满意度,看【首错位置在两次任务之间的位移】。位移了,说明脚手架对准了他的下一步;原地不动,说明你在教自己的 chunk,不在教他的下一步。
【lab-management 的同一偏倚】SOP 由最熟练的人写,写出来的是「结果的最优路径」,不是「新手的可行路径」。检查办法极便宜:找一个没做过的人照 SOP 做,记录他卡住的第一个地方——那一段就是 SOP 的欠账。40 分钟的成本,换掉一次返工。
——
【值得辩论的问题】如果导师的自陈不可信,那「带教质量」该由谁打分?学生打分同样受流畅度偏倚污染(顺畅的一遍感觉最好,也忘得最快)。我的答案是:由【首错位移】打分,而不是由任何人的感受打分。
那么,你愿意让你的带教被「学生第一次走岔的位置」来评价吗?如果不愿意,是因为这个指标不好,还是因为它太诚实?







0 評論