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

先备知识

创建 2026-08-22 · 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。

先备知识 —— 学习者带入一项新学习任务的既有知识、技能、信念与心理模型。它是后续学习最有力的单一预测因子：新信息通过 —— 并与 —— 学习者已知的东西被解释与整合，因此激活并建立在先备知识之上的教学，比把每位学习者都当作白板的教学产生更强、更持久的学习。在 教育中的人工智能 中，先备知识是 学习者建模与自适应教学（把 教学 适配到学习者当前状态）的核心，是 建构主义 原则（知识被主动建构在既有心理模型之上）的核心，也是这样一种风险的核心：预先抓取并呈现内容的人工智能工具，会绕过激活先备知识的 检索练习。

值得思考的问题

  • 有什么东西你学得很深，又有什么东西你学得艰难？这中间的差别有多少要归到你开始时已经知道的东西？
  • 有先备知识还不够 —— 它必须被主动检索并连接。什么时候回忆你已经知道的（或未能回忆）改变了你学习新东西的效果？
  • 本页说，先备知识在它是错的（一个误解）时会干扰 学习。你能想出一个你曾持有的信念，它让新的、正确的信息更难学吗？
  • 预先抓取答案的生成式人工智能，可能绕过激活先备知识的检索练习。一件旨在帮助你学习的工具，如何可能反而阻止你回忆你所知道的？
  • 如果一个人工智能必须估计你的先备知识状态来个性化，当那个估计是错的时会发生什么？你对一个系统能准确知道你已知的东西有多自信？
  • “激活先备知识”与仅仅在 教学 前问学生一个问题有何不同？什么才会让这种激活真正深化随后的学习？

引言

先备知识激活是 学习科学 中最稳健的发现之一：学习者不会在真空中吸收新材料，而是把它映射到既有的图式上，而这种映射的质量决定保持与 迁移。这一概念支撑了 Ausubel 的先行组织者、新教学前的先备知识激活、作为激活与强化已知之形式之一的检索练习，以及对学习者已知内容的诊断性 评估。在人工智能时代，先备知识获得了新的紧迫性，因为 生成式人工智能 既可以支持 激活（提示 学习者回忆并连接他们所知），也可以完全绕过 它（即时提供一个学习者从不必检索或整合的答案或预先抓取的内容）。

先备知识的作用

  • 它是学习最强的预测因子。 数十年的 研究 表明，学习者已知的东西与 学习结果 的相关，强于几乎任何其他因素，因为新信息是相对既有心理模型被编码的。因此，适配每位学习者先备知识状态的人工智能系统，对效率与 迁移 抱有特别的前景。
  • 重要的是激活，而不只是拥有。 有先备知识还不够 —— 它必须被主动检索并与新材料连接。这就是为什么“激活先备知识”是一个标准的 教学 动作，以及为什么检索练习（在增加之前回忆你所知）比简单的再暴露更能改善学习。
  • 它并不总能预测谁做了驱动学习的工作。 在一项为期五天、23 名中学导师的“通过教学学习”研究中，先前的测验分数没有预测一位导师产出的知识建构回应的比例，且低先备导师只要建构了知识，就在统计上与高先备同伴持平（Ameen et al., 2026）。
  • 它塑造解释。 学习者通过他们已经相信的东西解释新信息。当那些信念是错的（关于 AI 的误解），先备知识可能干扰 学习，这就是为什么教学必须浮现并处理误解，而不是假定一个中性的起点。
  • 它驱动学生建模。 要个性化，一个人工智能系统必须估计学习者的先备知识状态 —— 这是 知识追踪、学生建模与自适应 脚手架 的基础。这些估计的质量决定适配是真正有帮助还是误导。
  • 知识内容决定招募哪种过程练习。 学习依赖于记忆还是归纳，由目标对象的先备知识结构设定：Rachatasumrit, Koedinger & Carvalho (2025) 遵循 KLI 框架，区分条件与回应恒定的知识成分（事实，通过记忆与检索练习获得）与条件与回应可变的知识成分（技能，通过归纳与向新输入泛化获得） —— 这就是为什么范例与练习的最优混合，对事实内容与对技能内容会不同。

人工智能时代的先备知识

生成式人工智能使先备知识成为一个中心的设计考量，而非一个背景变量：

  • 绕过风险。 主动的能动性人工智能 预先抓取并呈现内容，可能绕过激活先备知识的检索练习 —— 学习者从不必在收到答案之前回忆或整合他们所知。这是 能动性 教育最佳实践框架识别出的六项教学风险之一，它直接连接到 过度依赖 与 可取的困难 原则，即努力的加工支持持久的学习。
  • 先备知识塑造卸载的模式，而不只是结果。 在一项综合写作研究中，高知识、最小卸载的聚类写了其论文的 80%，而卸载最重的聚类写了 2%（平均 25.1 个提示），因此提示量追踪的是先备知识而非努力（Poquet et al. (2026)）。
  • 益处差距在复合。 因为生产性的人工智能使用取决于学习者已知的东西，先备知识更强的学生能更好地利用它，而新手最可能把它当作替代品 —— 这是一种分布性风险，即便获取平等也可能扩大成就差距（Lodge & Loble (2026)）。
  • 把启动与激活当作设计。 生成式人工智能思维工具路径 刻意通过提问、人工智能生成的视觉与类比“为学习任务做准备”（例如“关于生态系统，你已经知道什么？”），在引入新内容之前激活先备知识与好奇心 —— 示范的是检索—整合路径，而非答案供给路径。
  • 学生建模与记忆。 人工智能系统日益建模学习者的先备知识状态与纵向记忆（例如把先备知识状态与遗忘曲线纳入辅导记忆），使间隔重复与自适应复习建立在每位学习者已知的东西之上。（PersonaVLM: Long-Term Personalized Multimodal LLMs）
  • 一个个性化适配的杠杆。 因为学习者在先备知识上差异很大，适配必须按个体调音 —— 这是 个性化学习 与自适应 脚手架 的一个核心论证，即在学习者的实际当前状态而非班级平均的假设上与他们相遇。

对设计教育中人工智能的启示

  1. 先激活，再供给。 设计人工智能互动，让学习者在获得新内容或答案之前先检索并陈述他们已经知道的 —— 保全检索练习而非绕过它。
  2. 建模学习者的先备知识状态。 把学生建模与适配建立在估计的先备知识（及其误解）之上，而非假定的整齐划一，使个性化真正有响应。
  3. 浮现并处理误解。 当先备知识不正确时，它会干扰；教学应当引出并纠正误解，而不是在错误的基础上叠加新内容。
  4. 权衡摩擦的取舍。 激活先备知识增加了合意的困难（检索、整合），而这正是人工智能移除摩擦的默认所倾向抹掉的 —— 这是一个要刻意管理的张力，而非让自动化按默认解决。

关联概念

关联文章

元数据

学习与教学建构主义, 学习理论, 元认知, 先备知识, 脚手架
技术与方法个性化学习, 学习者建模与自适应教学
教育中的人工智能基础学习设计
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。