51 × 16:一道小题,晒出一墙解法
Pam 汇总了 #MathStratChat 里 51 × 16 的网友解法,比如看成「16 的 51%」:50% 是 8、1% 是 0.16,合起来 8.16 再放大成 816;又比如用「一倍一半」改写成 102 × 8。她感叹一道小题就能引出这么多巧妙策略。
这就是 MathWiki「解法墙」的现成样例:每道素养题收 3-4 种学生原生解法,并标注用了什么关系(百分数、倍半);19×19 视频也可以直接拿 51×16 做一集「同题多解」。
只追问、不给明确指导,AI 来做也一样让新手沮丧——支架要先给够,再谈放手。
Pam 汇总了 #MathStratChat 里 51 × 16 的网友解法,比如看成「16 的 51%」:50% 是 8、1% 是 0.16,合起来 8.16 再放大成 816;又比如用「一倍一半」改写成 102 × 8。她感叹一道小题就能引出这么多巧妙策略。
这就是 MathWiki「解法墙」的现成样例:每道素养题收 3-4 种学生原生解法,并标注用了什么关系(百分数、倍半);19×19 视频也可以直接拿 51×16 做一集「同题多解」。
此前芬兰研究发现,在分数运算中系统地套用整数规则(自然数偏差)的低成就学生,状态焦虑反而比同样低成就、没有这种偏差的学生低。本文在比利时(413 名五年级)和希腊(418 名五、六年级)复制这项研究,并扩展到分数和小数比大小任务,每题后用单题自评测焦虑。结果只部分支持原发现:只在部分有理数任务中出现显著的焦虑差异。
提醒你在闯关失败日志里别只看对错:「自信地答错」(套整数规则)和「焦虑地答错」需要不同的支架,前者先制造认知冲突,后者先降门槛;分数关可以加一个「你有多确定」的小选项。
认知神经科学家 Ansari 认为「数学的科学」确实存在,但不像阅读那样有一条清晰的学习顺序:代数和几何的路径不同,程序性知识和概念性知识谁先谁后也没有定论。他主张按发展阶段看数学教学:新手需要明确指导,基本事实要建立在理解数符号代表多少的基础上,然后大量练习,准确率够了再用计时活动巩固,而不是一上来就练速度。
这给 19×19 心算视频排了一个顺序:先讲为什么能这样拆,再慢练到准,最后才上计时挑战;闯关习题的计时关也应该放在准确率达标之后。
Hendrick 说,极少指导的教学放到 AI 家教身上一样不奏效:苏格拉底式追问模型一味不给新手需要的明确指导,会让学生非常沮丧。他附的论文是一项 132 名编程入门学生的随机实验,比较了「苏格拉底式/直接指导」×「有无题目上下文」四种 AI 助教:「苏格拉底式 + 完整上下文」组的支持感评分最低,外部 LLM 使用率最高、事后完全理解的比例最低(后两项差异不显著)。
这是你脚手架研究的一条直接证据:给 AI 辅导设一条升级规则,「追问几轮仍卡住就给明确示范」;MathWiki 的 AI 提示语也别只会反问。
Kane 给「原子化」定了三条原则:把复杂概念拆成小步,一次教一步;每一步熟练了再往前走;明确地把各步连起来。他发现通分和「分母互乘」两种常见方法都依赖乘法,而很多学生乘法不熟,工作记忆全耗在乘法上。于是他从「同分母相加」「这两个分数能直接加吗」「用跳数生成等值分数」一个原子一个原子练起,每次少量、隔天再查,用小白板确认学生是不是真记住了。
这几乎是一份现成的关卡设计:闯关「分数加法」组可以照他的原子顺序排关,每关只引入一个新动作,复习关按隔天复查的节奏安排;脚手架研究里也可以把「绕开薄弱的前置技能」单独编码成一种支架。
Barton 说多年来 AI 一直做不好「智能变式练习」:一串题目每次只改一个关键要素,让学生注意到它对答案或方法的影响。这一次他认为情况变了——他用 Claude 按自己 variationtheory.com 的题组思路,做出了新的资源类型「Minimally Different Mega Practice」。
这正是闯关习题最需要的出题方式:让 AI 按「一次只改一处」的规则出题,再人工审核;同时把「改的是哪一处」写进题目元数据,方便研究里分析学生卡在哪种变化上。
Mormando 说 AI 让他重新思考学生作品和真实学习之间的关系:我们一直把论文、展示、作业等成品当作学习证据,但 AI 几秒钟就能产出这些成品。他认为过程中的思考、决定、讨论和挣扎早就重要,AI 只是让我们没法再忽视它们。
MathWiki 的素养题可以把「过程记录」(第一次尝试、改了什么、为什么改)设为必交项;研究里评估 AI 介入效果时,也看过程证据,而不只看最后的答案。