长除法讲「在分什么」
Howie 说,长除法可以是能理解的,而不只是要背的程序。他的短视频把每一步还原成「把多少个百、十、一平均分下去,分不完的往下一位换」,让学生明白每一步在分什么,而不是背「除、乘、减、落」口诀。
这正是 19×19 心算视频的同款叙事:先讲「为什么能这样拆」再给速算,建议每集开头加 10 秒「这一步在算什么」的面积/分组图,和 Howie 的结构对齐。
算法也能讲明白、选择也能拿来算——让学生知道每一步在做什么,比背口诀更经得住时间。
Howie 说,长除法可以是能理解的,而不只是要背的程序。他的短视频把每一步还原成「把多少个百、十、一平均分下去,分不完的往下一位换」,让学生明白每一步在分什么,而不是背「除、乘、减、落」口诀。
这正是 19×19 心算视频的同款叙事:先讲「为什么能这样拆」再给速算,建议每集开头加 10 秒「这一步在算什么」的面积/分组图,和 Howie 的结构对齐。
Pam 的 #TryThisTuesday 用「Would You Rather」让学生拿数学来辩论:同一份工作,干一年的 5/6、每周 40 小时,还是干 11/12、每周 30 小时?她问两种的报酬是否一样,以及哪种听起来更划算。
可以直接改编成一道素养题拆解:先凭直觉选,再用「几分之几年 × 每周工时」比总工时(5/6×40≈33.3,11/12×30=27.5),最后讨论「划算」还取决于什么;闯关里可以换数,让两边恰好相等。
Pam 在帖子里说:坏消息是很多人一直在把数学教得不像数学,好消息是现在知道怎么改了,并链到本周的播客。Ep 330 里她和 Kim Montague 用一张二维表给老师分类:「探究式 + 模仿」「直接讲授 + 模仿」「探究式 + 做数学」「直接讲授 + 做数学」,结合她们见过的老师和自己的成长经历来谈。
这张表比「探究 vs 讲授」好用:脚手架研究可以把课堂形式(探究/讲授)和学生活动(模仿/推理)当成两个独立变量编码;闯关每关也加一条自检:学生是在套步骤,还是在用数量关系推理。
作者在印度一所院校 15 周的本科「动态系统建模」课(N = 53)中,设计了把牛顿/拉格朗日力学和 Python 数值仿真结合起来的仿真驱动 PBL 框架,按「系统识别—数学建模—计算仿真—验证与表达」四个阶段推进,并用「讲解—尝试—挑战」(E-T-C)模式搭支架。前后测显示自我效能和概念知识都大幅提高(d = 2.72、d = 1.20),但研究是单组前后测设计,没有对照组。
「讲解—尝试—挑战」三段可以直接套在开放题上做分级支架:先给一道讲透的例题,再给同结构的尝试题,最后放开成 ill-structured 挑战题;它没有对照组,只能当设计参考,不能当效果证据。
现有学生模型大多只看学生答题。这篇把辅导对话中家教抛出的数学小问题也纳入进来,和普通题目放在同一个项目反应理论(IRT)量尺上:先从对话里识别出小问题,改写成独立题目并判断学生答对没有,再从文本估计难度、追踪学生能力变化,并用家教在相邻小问题之间的动作来约束难度估计。在两个同时包含真人和 AI 辅导对话的数学数据集上,难度预测和作答正误预测都优于强基线。
MathWiki 的 AI 辅导记录不只是聊天记录,也是测评数据:可以把 AI 追问的每个小问题存成带难度标签的「微题」,和闯关题共用一套学情模型。
这项设计型研究在高校课堂里试验「分阶段限制 AI」:既不整体允许也不整体禁止,只在合作活动的特定阶段开放 AI。证据最强的是 Think-Pair-Share 里不许用 AI 的「独立思考」阶段:在三个专业的三组学生中重复实施,学生一致认为这一阶段不用 AI 是合适的。这个设计本身来自上一轮迭代:当时这一阶段允许用 AI,老师在课堂观察后改了设计。
和 10-15 期 Mormando「按任务分层」呼应,但细到「同一任务的哪一步」:MathWiki 每道素养题可以固定成「先独立想 → 再和 AI 讨论 → 最后自己写解释」三段,第一段锁住 AI。
Riley 调查了以「AI 两小时学完一天课程」出名的 Alpha School,报道称它宣称采用 David Yeager 倡导的动机技术,却更像包装出来的作秀(且似乎得到 Yeager 本人默许)。同期还发了 3 篇新访谈、一份观察者报告和一封致 Alpha School 的停止侵权函,提醒大家警惕 AI 教育产品的效果宣称。
可以放进你的文献笔记当「反面案例」:评估时把动机/积分系统的作用和真正的学习增益分开测;闯关习题如果加了徽章、排行榜,也要留一组无激励对照。