日报 · 2026-10-15

狗哥教育日报

2026-10-15 · 星期四
今日主张

同一道题,先选入口、再晒解法、最后讲为什么——这比让 AI 生成一百份标准答案更接近理解。

📐 数学教学

整数、八分之几,还是总数:你从哪儿下手?

Robert Kaplinsky · 2026-10-15(北京时间 01:56;美国当地 10-14)

Kaplinsky 又发了一道「你会从哪儿开始」的视频题,这次的三个入口是整数、八分之几,或者总数。和 10-08 那道百分数题一样,他关心的是哪个起点最自然,而不是答案本身。

🤖 AI 领读

素养题拆解的「入口」栏又多了一个样本:带分数题可以列出「先整数/先分数/先总数」三条路径,各走到哪一步会卡;和 10-05 的 4½ − 1⅝ 正好配成一组。

#MathStratChat:一道小题,征集全班巧解再互评

Pam Harris · 2026-10-15(北京时间 08:31;美国当地 10-14)

Pam Harris 每周抛一道看似普通的小计算题,请大家晒出自己的心算策略,再互相点评谁的推理更顺、更能迁移。重点不在答案,而在比较不同策略背后的数量关系。

🤖 AI 领读

可以原样搬成班上的「每周一题」,把学生的多种解法整理进 MathWiki 的「解法墙」,给素养题拆解补上「学生原生解法」一栏;互评要给标准(是否好解释、换个数还成不成立),否则容易变成比谁快。

同一道线性规划题,纸笔、动态几何、编程三种环境里的推理有何不同

Jietong Luo、Oi-Lam Ng、Huiyan Ye · *International Journal of Science and Mathematics Education*(学术期刊) · 2026-10-15 在线发表(Crossref 登记北京时间 23:04)

研究通过对三名高中生的任务访谈,考察他们在纸笔、动态几何和文本编程三种环境中做(组)线性不等式和线性规划题时的数学推理。作者用工具起源理论描述了各环境独有的推理特点,以及推理怎样在不同环境之间迁移和转译,例如学生在编程环境里形成了两种结合数学知识和编程知识来处理约束的图式。

🤖 AI 领读

19×19 视频和 MathWiki 都用多种表征,这篇提醒:换个工具,学生的推理方式也会变。MathWiki 的线性不等式词条可以并排放「纸笔画图 / GeoGebra 拖动 / 几行代码」三个入口,让学生比较。

🪜 脚手架

基于脚手架的差异化教学与代数成绩:一项准实验

John Ackon、Francis Ohene Boateng、Benjamin Adu Obeng · *Frontiers in Education*(学术期刊) · 2026-10-15 在线发表(Crossref 登记北京时间 13:44)

这项准实验涉及 120 名学生,比较基于脚手架的差异化教学和常规教学对代数成绩的影响,用 ANCOVA 分析。实验组平均成绩从 61 升到 75,对照组从 60 升到 65;学生对这种教学的评价中等偏正面(M = 3.42)。

🤖 AI 领读

样本小、又是准实验,证据强度一般,但可以当研究设计的参照:它把「数学理解」和「问题解决表现」分开报告,你的脚手架研究也应该把这两类结果分开测。

🤖 AI 与学习

我的数学老师教我的:如何和 AI 一起做数学

Stefania Druga · 2026-10-15(北京时间 11:13)

Druga 写道:AI 现在能一次生成上百篇数学论文,证明正在变得充裕,理解却没有。她回忆自己在罗马尼亚的数学老师如何训练她讲清「为什么」,也谈到 Girls Who Code 的学生和 Terence Tao 的 Math 2.0 演讲,结论是理解仍需要学习者自己去解释、检验和重构。

🤖 AI 领读

这是你「AI 提升学习效果」方向的一条清醒提醒:用 AI 批量生成素养题拆解很省事,但评估指标应该是学生能否复述和迁移;可以在 MathWiki 每道 AI 辅助拆解后加一个「你来讲」环节。

课堂 AI 使用别搞二选一,按任务分层

Sam Mormando · 2026-10-15(北京时间 23:18)

Mormando 认为「能用 AI / 不能用 AI」的一刀切规则既管不住也不合理。更好的做法是按任务分层,讲清每类任务允许 AI 参与到什么程度。

🤖 AI 领读

给 MathWiki 每类内容打一个「AI 使用等级」标签:19×19 心算练习禁用,素养题拆解可用 AI 查思路但必须自己写解释,开放题可以和 AI 讨论但要交过程记录;规则写成学生看得懂的一句话,不超过三档。

AI 让人思考变懒,还是人本来就更爱被附和

Braden T. Hall、William Hart · *Computers in Human Behavior*(学术期刊) · 2026-10-15 在线(Crossref 登记北京时间 23:52)

作者提出「享受—投入权衡」:人最喜欢的那种聊天机器人,可能正是最不让人动脑的那种。实验中 438 名参与者随机和总是附和、总是唱反调或默认设置的聊天机器人对话:附和型更讨人喜欢,唱反调型带来更多认知投入,自评学到的也更多;默认模型的表现接近附和型。

🤖 AI 领读

MathWiki 的 AI 提示语可以默认「温和地唱反调」:学生给出解法后先追问一个反例或漏洞,而不是先夸;研究里也可以把「附和型 vs 质疑型」AI 当一个可操纵的实验条件。