AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

掌握学习

创建 2026-08-29 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

掌握学习 —— 一个由 Benjamin Bloom 形式化的 教学法框架：学习者 只有在每个单元上证明自己达到了某个既定的胜任力阈值之后才前进，而不是按固定的班级进度表推进。它基于这样一个前提：只要给予足够的时间、反馈和针对学习者当前状态的指导，大多数学生都能达到掌握。AI 辅导和适应性系统正越来越多地通过持续建模学习者知识、选择任务、并维持练习直到胜任力被证明，来把这一模式操作化。

值得思考的问题

  • 多数学校教育固定时间、让成就变动——每个人都在规定的周数之后前进。掌握学习把这颠倒过来：成就被恒定住，而时间、反馈和练习变动。哪种模型更符合你实际学会某件难事的方式？
  • 本页有一个关键告诫："正确不等于掌握。"学习者可以做出正确的答案，却遗漏一条关键约束，骗使系统过早宣布掌握。你能想到一种技能，你能正确执行它，却并不真正理解不该在何时使用它吗？
  • 基于掌握的 AI 赋予学习者选择自己任务的自主性，但模拟显示，天真的自选可能产生大量的过度练习。在让学习者选择与施加使推进保持高效的约束之间，正确的平衡在哪里？
  • 本页强调持久保持，而不仅是一次正确的表现——这正是掌握之后应跟以分散练习的原因。一个学习者今天如何看起来"掌握"了什么，却可能在几小时内就失去它？
  • 如果一个 AI 宣布你已经"掌握"了一个主题，在相信它之前，你想让它检查什么——除了答对几道题之外？

引言

掌握学习主张成就应恒定、时间与支持可变：学习者学习小而有良好序列的单元，并接受纠正性反馈，直到达到掌握标准，而不是不管学到了什么都被推着往前走。Bloom 的重新框定使频繁的 形式性评估 和对胜任力的显式定义成为教学的中心，而正是这一组合——诊断、反馈、适应性进度——被 自适应学习 和 智能辅导 自动化。因此 AI 拓宽了掌握式取向的可行性，也使"生成的反馈是否校准得足以对它加以认证"这个问题变得更加尖锐。

起源与核心思想

Bloom 的掌握学习把教学的目标从"按天资给学生分类"重新框定为"在推进之前确保胜任力"。传统教学把时间当作固定、把成就当作可变，掌握学习把这一点颠倒过来：成就被恒定，而时间、反馈和练习被允许变动。学习者学习小而有良好序列的单元，并且关键地，当他们达不到掌握标准时接受纠正性反馈，而不是不管不顾地被推着往前走。这使 形式性评估 成为模型的核心——频繁的、低利害的检查，用来诊断学习者是否准备好前进——并预设了一种与可观察表现（而非坐学时长相绑定）的清晰 评估 概念。

AI 如何把掌握操作化

古典掌握学习的瓶颈在教师一侧的成本：诊断每个学习者的状态并个性化随后的教学。现代 AI 系统通过 学习者建模与自适应教学 和 知识追踪 攻击这一瓶颈：系统不再维护一个单一的总分，而是维持一个动态表征，表示学习者已经（或尚未）掌握哪些知识成分。Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling 上的 Responsible-DKT 工作把显式的掌握规则注入一个深度学习者模型——重复的正确回答提高预测的掌握度，而重复的不正确回答作为未掌握的更强信号——产生 智能辅导 可以据以行动的可解释且时间上可靠的状态估计。

有了一个运行的掌握模型，系统的任务就变成决定接下来呈现什么。对学习者任务选择策略的 模拟显示，天真的自主（例如自选任务、规避风险的弱点针对）会在复杂的多步问题上产生大量过度练习，而针对性的系统约束能够以对高效学习者的小小代价纠正不适应策略。这正是 自适应学习 与 个性化学习 系统必须平衡的权衡：在 学习者自主有帮助之处赋予它，同时施加使向掌握推进保持高效的约束。这类决策也与学习者调节自己努力的能力相互作用，把掌握学习与 自我调节学习 联系起来。

对掌握推断的一个关键告诫：正确不等于掌握。An、McLaren 与 Stamper（2026）表明，过度泛化一项技能的学习者——做出正确动作却遗漏一条关键的应用约束——可以显得已经掌握，使基于 知识追踪 的掌握停止规则在他们遇到一个动作本应被扣留的案例之前就结束练习。补救办法是评估何时扣留该动作，而不仅是评估如何执行它：在掌握阈值触发之前纳入"不要行动"的检测任务，并配以点明缺失约束的 反馈。掌握最好被理解为对应用约束的辨别加上动作执行，而非仅凭正确。

第二个告诫涉及阈值背后的证据规则。Srivastava（2026）在来自 ASSISTments 2012–13 数学日志的相同事件序列上运行了四种更新规则——包含 12,716 名学生和 985,813 次计分事件的验证性一半——发现被宣布的掌握计数随规则而非随学习者变动：把任何一次完成都计分，使 113,428 个"学生—技能"对中的 93.9% 越过 0.95 后验，而在把有提示或重试的行先读作失败尝试时则为 72.8%。宽松规则比严格规则先宣布掌握的那些对，后续无辅助准确率为 70.9%，而规则一致处为 85.7%，低于 0.744 的基线率。因此，一个把受协助的完成计入的进度门，会认证那些后续独立作业低于平均水平的学习者，这使得更新规则中 求助的处理方式——而非数值阈值本身——成为决定一个掌握徽章认证什么的那个决定。

练习、保持与 AI 支持的限度

掌握还依赖持久的保持，而不仅是一次正确的表现。关于 提取练习和遗忘曲线的认知科学，使达到掌握阈值之后的分散练习成为必要。像 Memdora 这样的 AI 间隔重复系统在阅读点生成练习材料，提供一套以认知为基础的提取互动分类法，由最先进的算法调度，使已获得的掌握随时间得到强化，而不是在几小时内丧失。这些设计倚赖 认知心理学 和 可取的困难 原则，使提取的努力本身成为学习过程的一部分。

最后，证据警告不要假定 AI 生成的支持一律有益。在一项针对新手程序员、多 机构的 AI 生成动画轨迹研究中，益处是情境依赖且短期的，中等 投入的学习者经历了归因于协调成本的表现下降——一种专长反转式效应，凸显了有必要把支持个性化到学习者当前状态，而非一刀切地套用工具。同样地，高等教育中 AI 素养的发展连续谱把掌握定位为：不仅是流利地采用 AI 工具，而是要经过知情且批判性使用的各个阶段，每个阶段都有自己的 形式性评估 策略。这些发现共同把 AI 赋能的掌握学习框定为：一个必须校准到个体学习者、可持续地间隔、并对真正的胜任力而非流畅产出加以评估的系统。

  • 共享控制的掌握学习，其效率取决于学习者的任务选择策略。 一项模拟研究（每次运行 1,000 名模拟学习者，AFM 与 BKT 参数拟合真实的 MathTutor 与 DataShop 日志）比较了九种任务选择策略。效率相差一个数量级：风险规避的"最小化最差情况损失"策略——挑选最差情况掌握损失最小的技能——在解方程上产生了 30.28 倍的过度练习（在图形解读上为 28.93 倍），而其他策略平均为 1.73 ± 0.38。针对性的系统约束以外科手术式的方式挽回了局面：任务选择约束把过度练习削减到 12.88/14.46 倍，而问题选择上的"偏向更难"偏向把它削减到 1.98 倍（Cohen's d = 1.86）——而本来高效的策略不受影响。设计启示：约束应当是策略感知的，保护病态的自我调节者而不向好的自我调节者征税，并且先做模拟再重新设计，可避免让学生承受 30 倍过度练习才来发现修法。（Simulating learners' task-selection strategies and system constraints in mastery learning）

标准参照评分是掌握学习的评估对应物，而 Mesny、Roberge-Maltais 与 Galy（2026）把它列为与"为学习而评估"相一致的五项创新实践之一，高等教育教育者本可采用——但他们发现它几乎缺席于管理教育的话语中。他们把这归因于规范性障碍：常模参照的"按曲线评分"、外部信号（排名、实习、认证）以及学生的工具性心态，都在抵制面向掌握的、无等级的做法。他们的建议是渐进式实验——例如，在推广之前先对单一任务引入标准参照评分标准——并以项目层面的协调和记录在案的教学 学术（Scholarship of Teaching and Learning）证据为支持。

关联概念

关联文章

元数据

学习与教学掌握学习
技术与方法自适应学习, 个性化学习
评估与测量评估
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。