教育AI智造者

伊伊子
  • 0.0 (0)
  • Education
  • Updated Weekly

欢迎来到“教育AI智造者”播客，这是一个探索【人工智能如何重新定义教育领域】的前沿平台。 在这里，我们不仅仅分享技术如何塑造未来教室的故事，同时也深入真实且多元的个人经历呈现AI在教育中的多面性。 每一期，我们邀请【教育界的AI实践者】——从前线的教育工作者到深入研究的学者，再到直接受益的学生，深挖每个故事， 分享他们与AI交织的独特旅程。 在AI的浪潮中，我们不仅找寻我们的位置，更共同塑造这个新时代的面貌。 加入我们，一起在“教育AI智造者”见证教育未来的无限可能！ ------------------------------------------------------------------------------------ 关于伊伊子的小红书：爱思考的伊伊子 AI+教育社群: 小红🍠教育者社群 嘉宾自荐/推荐：小红书/邮箱(yi.wang.ed.ai@gmail.com)

  1. 3d ago

    [EP56] Xichen｜AI 进入项目式学习(PBL)：该自动化什么，不该自动化什么？

    大家好，欢迎回到《教育AI智造者》。 过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。 但如果 AI 已经能在几分钟内写出一份项目方案、一套课程流程，项目式学习（PBL）真正困难的问题还剩下什么？ 这一期，我邀请到了 Xichen。她曾在中美不同的教育场景中从事项目式学习：从社会科学夏令营、机器人与 STEM 教育，到美国公立学校；如今，她也在为成人设计与真实企业问题相连的 AI 技能培训。 这次对谈让我重新理解了一件事：PBL 并不是“把一节课做得更热闹”，也不是给学生一个看似开放的题目，再让他们交一份漂亮的作品。真正困难的部分，是让学习者面对一个真实、恰当、值得自己投入的问题；是让教师从内容传递者变成问题解决者和引导者；也是让学校、社区、企业与学生之间，建立起足以承载责任的信任。 Xichen 提到，一个好的项目不会从一份完美课件开始，而是从 problem framing 开始：先理解真实约束——学生是谁、教师能投入多少时间、师生比如何、是否有外部组织愿意参与、最终要让学生展示什么。项目的核心也不是“没有标准答案”，而是帮助不同起点的学习者，在脚手架的支持下，找到对自己真正有意义的答案。 我们也具体聊了 AI 在 PBL 中最值得进入的位置：它可以帮助小团队搭建学生数据系统，处理大量形成性评估的初步扫描，标出需要教师重点关注的学生；但最重要的里程碑、专家的隐性知识、教师对学生的理解，以及学生愿不愿意对一个问题负责，依然不能被简单自动化。 所以，这期节目表面上在讨论“AI 如何帮助 PBL”，更深处讨论的其实是： 当我们把越来越多教学工作交给 AI，教育里哪些东西会因此被放大？又有哪些东西，仍然必须由人与人之间的信任来发生？ 内容大纲 - 从中国到美国、从 K12 到成人培训：为什么 Xichen 有意识地在不同学习场景中做 PBL？ - PBL 与传统学科教学最大的不同是什么？“没有标准答案”为什么不等于“没有要求”？ - 成人学习与儿童学习的共同点：学习者都在试图解决当下的问题，也都带着自己的经验进入课堂。 - PBL 不是买一套案例、套进学科就能发生：教育者为什么必须先经历一次真正有效的项目式学习？ - 从教师自己的兴趣出发：一位喜欢音乐的语文老师，如何让歌词、创作与表达自然长成一个项目？ - 课程设计的第一步不是写活动，而是 problem framing：如何识别项目的约束条件（design constraints）？ - 为什么“谁都可以照着上”的标准化 PBL，反而可能失去灵魂？教师培训、教师兴趣与项目运营之间如何配合？ - 真实问题为什么重要？外部组织、社区与企业的参与，如何让学生的成果不只是一道“假题”？ - 低年龄学生能不能做 PBL？从 Reggio Emilia 到 PBL literacy：项目的复杂度应该如何逐步增加？ - AI 在项目式学习中应该做什么：学生数据追踪、形成性评估初筛、界面与工具开发；又有哪些事仍应由教师完成？ - 从 backward design 到 project milestone：如何先定义要培养的能力，再找到最值得人工深度评估的关键节点？ - 专家为什么仍然不可替代？观察专家如何解决模糊问题，如何帮助我们看见 AI 不容易显性的隐性知识？ - AI 是 co-pilot 还是 autopilot？如果把 PBL 流程完全自动化，最容易丢掉的是什么？ 本期最重要的关键词：**trust**。学生愿不愿意承担责任，往往取决于是否有人真的相信他们，也是否有一个社区认真对待他们做出的成果。 -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ ============关键词解析============ Project-Based Learning（PBL）｜项目式学习 PBL 不是“以项目为包装的活动课”。在这期对谈中，它指向的是一种以开放问题和真实产出为中心的学习方式：学习者需要在持续探索、协作和迭代中，解决一个对自己或外部世界有意义的问题。项目可以没有唯一答案，但仍然需要清晰的目标、支架与评估。 Open-Ended Question｜开放性问题 开放性问题不是一道“老师早就知道答案”的题，而是允许多种合理路径与成果的复杂问题。它要求学习者解释自己的判断、与同伴协作，并在不确定性中不断调整方案。PBL 的价值不只在于最终做出什么，也在于学习者如何走过这个过程。 Problem Framing｜问题建构 / 问题框定 拿到一个模糊需求后，课程设计并不会直接开始。设计者需要先明确学习者特征、时间、师生比、教师经验、预算、培训投入、项目运营方式等约束，再决定问题应该被设计到什么范围。好的 framing 不只是“定义题目”，更是在决定什么样的学习体验在现实中真的可行。 Design Constraints｜设计约束 设计约束是项目中无法忽略的现实条件，例如：有多少位教师、教师能否得到培训、学生有多少时间、是否能接触真实企业或社区。它们不是限制创意的附属信息，而是决定一个 PBL 项目能否被真实、稳定地实施的前提。 Authentic Problem｜真实问题 真实问题并不一定意味着“很大”或“很难”，而是有人真正关心它、学生的工作能够被真实的人看见并回应。Xichen 认为，如果只是为课堂虚构一个问题，学生往往知道那又是一道题；而与社区、企业或组织相连的问题，才更可能让学生感到自己的努力有意义。 Facilitator｜学习引导者 在 PBL 中，教师不只是讲授知识的人，更要帮助学生理解问题、管理协作、获得必要资源、在卡住时提供支架，并在恰当的时候退后。这个角色要求教师具备很强的判断与现场应对能力，因此 PBL 很难只靠一份固定教案被“复制”。 Scaffolding｜脚手架 脚手架是在学习者暂时还不能独立完成任务时，提供的结构性支持：可能是问题框架、基础技能练习、示范、检查点，也可能是一轮高质量反馈。它的目的不是替学生完成项目，而是让学生最终能够独立承担更多工作。 PBL Literacy｜项目式学习素养 正如玩家对游戏有不同的熟悉程度，学生对项目式学习也有不同的准备程度。一个刚开始做项目的学生，可能还不擅长设定目标、管理时间、协作或面对模糊问题；因此，项目的开放程度与复杂度需要逐步提升，而不能默认每个学生都已具备自驱与协作能力。 Formative Assessment｜形成性评估 形成性评估发生在学习过程当中，用来帮助学生和教师看见“现在学到了哪里、下一步需要什么”。在这期节目里，它可以是反思、同伴反馈、小组产出或阶段性作业。AI 可以协助初步浏览大量材料、标出异常或需要关注的学生，但不应替代教师对关键学习时刻的理解。 Summative Assessment｜总结性评估 总结性评估通常发生在一个学习阶段结束时，例如考试、最终作品或展示，用来判断学习者达到目标的程度。PBL 并不排斥总结性评估；关键是不能只在项目结束时才发现学生一路上已经偏离了方向。 Backward Design｜逆向设计 逆向设计是先确定希望学生最终发展出的能力与成果，再反推需要哪些学习经历、支架和评估节点。本期中，Xichen 的团队会先关注问题解决、沟通、协作与自我管理等能力，再选择最能体现这些能力的项目里程碑。 Project Milestone & Showcase｜项目里程碑与成果展示 里程碑是项目中少数需要被认真设计、并由教师深度关注的关键时刻。例如：学生如何界定企业的根本问题，或如何在最终展示中讲清楚解决方案、推理过程与成品。相比把所有作业都平均用力地批改，聚焦里程碑更能让有限的教师时间落在真正重要的学习上。 Tacit Knowledge｜隐性知识 AI 很擅长调用显性的流程、概念与答案；但专家在真实工作中形成的判断——何时追问、何时换工具、什么是“暂时不用学”的知识——往往并没有完整写在任何教材里。观察专家解决真实问题、与专家对话，是课程设计者提炼这种隐性知识的重要方法。 Human-in-the-Loop｜人在回路中 AI 可以成为课程设计与运行的辅助系统，但它不应把教师、专家和学习者移出决策。更好的路径是：让 AI 处理重复、规模化的信息工作，把人类的注意力留给关系、判断、反馈、意义与责任。 Trust｜信任 这是贯穿整期节目、也最难被产品化的概念。学校是否信任教师有空间设计项目？教师是否信任学生能承担一部分真实责任？学生是否相信自己的投入会被认真看待？如果没有这些关系，PBL 很容易只剩下一套形式；而有了信任，学

  2. Aug 18

    [EP56英文纯享版] Thomas | 被扎克伯格基金会投资的AI教育公司，怎么把「好的教学」做进 AI？

    Hello 大家好，欢迎回到《教育AI智造者》。 过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。 但我越来越觉得，教育 AI 真正困难的问题，可能从来都不是“如何生成”，而是：我们到底应该生成什么？为什么这样生成？以及，我们凭什么认为生成出来的东西有助于学习？ 这一期，我邀请到了 EduAide 联合创始人 Thomas。 EduAide 是一个让我第一次看到就非常感兴趣的产品。它没有把 ChatGPT 简单包装成一个“教师版聊天框”，而是试图做一件困难得多的事情：把教育研究和学习科学真正转化成老师可以直接使用的 AI 工具。 Thomas 自己就是一名教师，也接受过教育研究训练。EduAide 的诞生，也不是从“AI 能做什么”开始，而是从一个老师非常具体的问题开始：ChatGPT 的确可以在几秒钟内生成 worksheet 和 lesson plan，但什么才是一张真正设计得好的 worksheet？一道高质量的 worked example 应该包含什么？什么时候应该使用 retrieval practice？什么时候应该给学生更多引导，又什么时候应该逐渐撤掉 scaffold？ 这些问题的答案，并不在模型本身，而在教学法里。 所以 EduAide 做了一件非常“笨”、却也非常特别的事情：团队筛选和整理了超过 1000 篇教育研究，将研究中的教学原则、适用条件和边界条件组织成知识图谱，再把它们转化为 110 多种教师可以直接使用的教学工具。 而更让我感兴趣的是，他们并没有停留在“把论文塞进 RAG”。 从研究筛选、知识编码，到教学方法的结构化，再到 Prompt、Rubric、Evaluation、Recommendation Engine 和最终可编辑的 Artifact，EduAide 实际上在尝试建立一整条链路： Research → Pedagogy → Tool → Prompt → Generation → Evaluation → Teacher Decision 我们也因此聊到了一个我一直非常关心的问题：如果未来模型越来越强，教育 AI 产品真正需要构建的，究竟是什么？ 也许不是更多内容，而是隐藏在内容背后的教学决策系统。 这一期我们还讨论了很多没有标准答案的问题：老师到底需不需要读论文？AI 帮我们自动阅读研究，是效率提升还是 cognitive offloading？怎样评价一个 AI 生成的教学材料到底“好不好”？为什么一个好的教育 AI 不应该要求老师学习 Prompt Engineering？为什么 Thomas 至今仍然谨慎地不让 AI 直接成为学生的 Tutor？ 最后，我们还聊到了 EduAide 作为一家三人 bootstrap 公司，如何依靠教师订阅生存，再从真实的教师使用反向进入学校和学区。 所以，这一期表面上是在拆解 EduAide，实际上我觉得我们讨论的是一个更大的命题： 当“生成”越来越容易之后，教育 AI 的竞争，会不会最终从模型能力，回到我们对“学习究竟如何发生”的理解？ 🧭 内容大纲1️⃣ 从老师到创始人：教育 AI 的起点不应该是 AI 能做什么，而应该是什么更可能让学习发生。2️⃣ 📚 Evidence-Based Teaching：教学其实是一场“概率游戏”, 好的老师不是遵循教学 checklist，而是拥有足够丰富的教学工具箱，并知道什么时候用什么。3️⃣ 🔬 1000+ 篇论文如何变成 110+ 个 AI 教学工具？论文不是知识库的终点。真正困难的是把 evidence 变成可以执行的 pedagogical decision。4️⃣ 🧠 AI 可以帮我们读论文，但什么不应该被自动化？Cognitive Offloading 可以节省时间，但如果把形成专业判断力的过程也一起外包，我们可能失去的恰恰是最重要的能力。5️⃣ 🌉 Research-to-Practice Gap：真正缺失的不是更多教育研究，而是把研究转化成实践的基础设施。6️⃣ 🛠️ 最好的教育 AI，也许应该让老师“不需要懂 Prompt”:不要训练老师成为 Prompt Engineer，而应该把 Pedagogy 做进产品本身。7️⃣ 🧩 从 Generator 到 Recommendation Engine: 育 AI 不只是“帮我生成什么”，未来更重要的能力可能是“帮我判断现在应该做什么”。8️⃣ ⚙️ Prompt Engineering 背后，其实是 Pedagogical Engineering: 真正困难的不是 Prompt 写得多漂亮，而是我们能不能把“好的教学”描述成机器可以执行的结构。9️⃣ 📏 Rubric + Evaluatio：教育 AI 的护城河可能不只是 Generation，而是 Evaluation——你必须先知道“好”是什么，才能不断逼近它。🔟 📄 Artifact + Human-in-the-Loop：AI 给起点，老师继续驾驶; 好的教育 AI 不是把教师移出回路，而是让教师拥有更强的 Agency。1️⃣1️⃣ 🎮 为什么“游戏 + 答题”并不等于 Game-Based Learning？真正的学习游戏，应该让“赢得游戏”本身就意味着学生展示了对学习目标的掌握。1️⃣2️⃣ 🤖 为什么 EduAide 没有急着做 AI Tutor？AI → Teacher → Student，可能仍然是现阶段非常值得认真探索的一种教育 AI 架构。1️⃣3️⃣ 💰 三个人的 Bootstrap 公司，如何与 EdTech 巨头竞争？1️⃣4️⃣ 🌱 当生成越来越便宜，教育 AI 最后在竞争什么？也许教育 AI 最终真正竞争的，不是谁生成得更多，而是谁对学习理解得更深。 -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ ========================关键词解析========================01｜Evidence-Based Teaching｜循证教学循证教学并不是“研究证明这种教学法最好”，而是依据已有研究，选择在特定学习者、内容和环境下更可能促进学习的方法。Thomas 特别强调它的边界条件：一种有效方法并不会在任何课堂、任何学生身上都同样有效。 02｜Retrieval Practice｜检索练习检索练习指主动从记忆中提取已经学习的信息，而不仅仅是重新阅读材料。测验、回忆问题等都可能成为检索练习。它的重要价值之一，是让“回忆”本身成为学习过程，而不只是学习结束后的检查。 03｜Cognitive Load｜认知负荷人的工作记忆容量有限。如果题目的措辞、界面或无关信息消耗了过多注意力，学生用于理解核心知识的认知资源就会减少。Thomas 提到“最低限度差异化”的题目设计，就是希望减少与学习目标无关的额外负荷。 04｜Prior Knowledge｜先验知识学生进入一个学习任务之前已经拥有的知识和技能。它不仅包括“知道什么”的陈述性知识，也包括阅读、分析、写作、解题等程序性能力。同一种教学方式对初学者和已有丰富先验知识的学习者，效果可能完全不同。 05｜Worked Example｜范例题 / 完整示例Worked Example 不只是“给学生看答案”，而是把解决问题的过程显性化，让学生看到每一步为什么发生。高质量范例还可能加入 self-explanation、常见错误、部分完成练习，以及逐步撤除支架等设计。 06｜Scaffolding & Fading｜脚手架与逐步撤除Scaffolding 是在学生尚不能独立完成任务时提供结构性支持；Fading 则意味着随着能力提升逐步撤掉这些支持。EduAide 的范例题会从完整示范走向 partially completed example，让学生逐渐承担更多认知工作。 07｜Self-Explanation｜自我解释不是让学生简单重复“这一步做了什么”，而是要求他们解释“为什么这样做”。例如：“为什么这一步首先使用分配律？”这种活动迫使学习者连接已有知识、推理过程与当前问题，加深对底层结构的理解。 08｜TPACK｜技术—教学法—学科内容知识TPACK（Technological Pedagogical Content Knowledge）强调，优秀的技术整合并不是单独懂技术、教学法或学科内容，而是理解三者如何相互作用。AI 时代的问题因此不只是“模型能做什么”，而是它如何进入具体学科的教学决策。 09｜Knowledge Graph｜知识图谱在 EduAide 的语境里，知识图谱不是简单储存论文，而是把研究、教学方法、适用情境、资源类型等关系组织起来，让系统能够理解某项研究与某个教学工具之间为什么相关，从而支撑推荐、生成和评估。 10｜Rubric-Based Evaluation｜基于评分标准的评估与其笼统地问“AI 输出好不好”，不如把质量拆成可检查的标准。例如：是否有逐步引导？是否包含自我解释？是否提供后续练习？EduAide 会让不同 Prompt 在不同主题和年级上重复生成，再根据 rubric 比较稳定性。 11｜Cognitive Offloading｜认知卸载认知卸载是把原本需要自己完成的认知任务交给外部工具，例如让 AI 搜索、阅读和总结论文。它可以提高效率，但 Thomas 提出了一个重要风险：如果一个初学者研究者过早把全过程交给 AI，可能也失去了形成研究判断力的机会。 12｜Research-to-Practice Gap｜研究—实践鸿沟教育研究中已经存在大量关于学习和教学的知识，但这些知识往往没有进入真实课堂。Thomas 认为，问题不应该简单归咎于“

  3. Aug 16

    [EP56] Thomas | 被扎克伯格基金会投资的AI教育公司，怎么把「好的教学」做进 AI？

    Hello 大家好，欢迎回到《教育AI智造者》。 过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。 但我越来越觉得，教育 AI 真正困难的问题，可能从来都不是“如何生成”，而是：我们到底应该生成什么？为什么这样生成？以及，我们凭什么认为生成出来的东西有助于学习？ 这一期，我邀请到了 EduAide 联合创始人 Thomas。 EduAide 是一个让我第一次看到就非常感兴趣的产品。它没有把 ChatGPT 简单包装成一个“教师版聊天框”，而是试图做一件困难得多的事情：把教育研究和学习科学真正转化成老师可以直接使用的 AI 工具。 Thomas 自己就是一名教师，也接受过教育研究训练。EduAide 的诞生，也不是从“AI 能做什么”开始，而是从一个老师非常具体的问题开始：ChatGPT 的确可以在几秒钟内生成 worksheet 和 lesson plan，但什么才是一张真正设计得好的 worksheet？一道高质量的 worked example 应该包含什么？什么时候应该使用 retrieval practice？什么时候应该给学生更多引导，又什么时候应该逐渐撤掉 scaffold？ 这些问题的答案，并不在模型本身，而在教学法里。 所以 EduAide 做了一件非常“笨”、却也非常特别的事情：团队筛选和整理了超过 1000 篇教育研究，将研究中的教学原则、适用条件和边界条件组织成知识图谱，再把它们转化为 110 多种教师可以直接使用的教学工具。 而更让我感兴趣的是，他们并没有停留在“把论文塞进 RAG”。 从研究筛选、知识编码，到教学方法的结构化，再到 Prompt、Rubric、Evaluation、Recommendation Engine 和最终可编辑的 Artifact，EduAide 实际上在尝试建立一整条链路： Research → Pedagogy → Tool → Prompt → Generation → Evaluation → Teacher Decision 我们也因此聊到了一个我一直非常关心的问题：如果未来模型越来越强，教育 AI 产品真正需要构建的，究竟是什么？ 也许不是更多内容，而是隐藏在内容背后的教学决策系统。 这一期我们还讨论了很多没有标准答案的问题：老师到底需不需要读论文？AI 帮我们自动阅读研究，是效率提升还是 cognitive offloading？怎样评价一个 AI 生成的教学材料到底“好不好”？为什么一个好的教育 AI 不应该要求老师学习 Prompt Engineering？为什么 Thomas 至今仍然谨慎地不让 AI 直接成为学生的 Tutor？ 最后，我们还聊到了 EduAide 作为一家三人 bootstrap 公司，如何依靠教师订阅生存，再从真实的教师使用反向进入学校和学区。 所以，这一期表面上是在拆解 EduAide，实际上我觉得我们讨论的是一个更大的命题： 当“生成”越来越容易之后，教育 AI 的竞争，会不会最终从模型能力，回到我们对“学习究竟如何发生”的理解？ 🧭 内容大纲1️⃣ 从老师到创始人：教育 AI 的起点不应该是 AI 能做什么，而应该是什么更可能让学习发生。2️⃣ 📚 Evidence-Based Teaching：教学其实是一场“概率游戏”, 好的老师不是遵循教学 checklist，而是拥有足够丰富的教学工具箱，并知道什么时候用什么。3️⃣ 🔬 1000+ 篇论文如何变成 110+ 个 AI 教学工具？论文不是知识库的终点。真正困难的是把 evidence 变成可以执行的 pedagogical decision。4️⃣ 🧠 AI 可以帮我们读论文，但什么不应该被自动化？Cognitive Offloading 可以节省时间，但如果把形成专业判断力的过程也一起外包，我们可能失去的恰恰是最重要的能力。5️⃣ 🌉 Research-to-Practice Gap：真正缺失的不是更多教育研究，而是把研究转化成实践的基础设施。6️⃣ 🛠️ 最好的教育 AI，也许应该让老师“不需要懂 Prompt”:不要训练老师成为 Prompt Engineer，而应该把 Pedagogy 做进产品本身。7️⃣ 🧩 从 Generator 到 Recommendation Engine: 育 AI 不只是“帮我生成什么”，未来更重要的能力可能是“帮我判断现在应该做什么”。8️⃣ ⚙️ Prompt Engineering 背后，其实是 Pedagogical Engineering: 真正困难的不是 Prompt 写得多漂亮，而是我们能不能把“好的教学”描述成机器可以执行的结构。9️⃣ 📏 Rubric + Evaluatio：教育 AI 的护城河可能不只是 Generation，而是 Evaluation——你必须先知道“好”是什么，才能不断逼近它。🔟 📄 Artifact + Human-in-the-Loop：AI 给起点，老师继续驾驶; 好的教育 AI 不是把教师移出回路，而是让教师拥有更强的 Agency。1️⃣1️⃣ 🎮 为什么“游戏 + 答题”并不等于 Game-Based Learning？真正的学习游戏，应该让“赢得游戏”本身就意味着学生展示了对学习目标的掌握。1️⃣2️⃣ 🤖 为什么 EduAide 没有急着做 AI Tutor？AI → Teacher → Student，可能仍然是现阶段非常值得认真探索的一种教育 AI 架构。1️⃣3️⃣ 💰 三个人的 Bootstrap 公司，如何与 EdTech 巨头竞争？1️⃣4️⃣ 🌱 当生成越来越便宜，教育 AI 最后在竞争什么？也许教育 AI 最终真正竞争的，不是谁生成得更多，而是谁对学习理解得更深。 -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ ========================关键词解析========================01｜Evidence-Based Teaching｜循证教学循证教学并不是“研究证明这种教学法最好”，而是依据已有研究，选择在特定学习者、内容和环境下更可能促进学习的方法。Thomas 特别强调它的边界条件：一种有效方法并不会在任何课堂、任何学生身上都同样有效。 02｜Retrieval Practice｜检索练习检索练习指主动从记忆中提取已经学习的信息，而不仅仅是重新阅读材料。测验、回忆问题等都可能成为检索练习。它的重要价值之一，是让“回忆”本身成为学习过程，而不只是学习结束后的检查。 03｜Cognitive Load｜认知负荷人的工作记忆容量有限。如果题目的措辞、界面或无关信息消耗了过多注意力，学生用于理解核心知识的认知资源就会减少。Thomas 提到“最低限度差异化”的题目设计，就是希望减少与学习目标无关的额外负荷。 04｜Prior Knowledge｜先验知识学生进入一个学习任务之前已经拥有的知识和技能。它不仅包括“知道什么”的陈述性知识，也包括阅读、分析、写作、解题等程序性能力。同一种教学方式对初学者和已有丰富先验知识的学习者，效果可能完全不同。 05｜Worked Example｜范例题 / 完整示例Worked Example 不只是“给学生看答案”，而是把解决问题的过程显性化，让学生看到每一步为什么发生。高质量范例还可能加入 self-explanation、常见错误、部分完成练习，以及逐步撤除支架等设计。 06｜Scaffolding & Fading｜脚手架与逐步撤除Scaffolding 是在学生尚不能独立完成任务时提供结构性支持；Fading 则意味着随着能力提升逐步撤掉这些支持。EduAide 的范例题会从完整示范走向 partially completed example，让学生逐渐承担更多认知工作。 07｜Self-Explanation｜自我解释不是让学生简单重复“这一步做了什么”，而是要求他们解释“为什么这样做”。例如：“为什么这一步首先使用分配律？”这种活动迫使学习者连接已有知识、推理过程与当前问题，加深对底层结构的理解。 08｜TPACK｜技术—教学法—学科内容知识TPACK（Technological Pedagogical Content Knowledge）强调，优秀的技术整合并不是单独懂技术、教学法或学科内容，而是理解三者如何相互作用。AI 时代的问题因此不只是“模型能做什么”，而是它如何进入具体学科的教学决策。 09｜Knowledge Graph｜知识图谱在 EduAide 的语境里，知识图谱不是简单储存论文，而是把研究、教学方法、适用情境、资源类型等关系组织起来，让系统能够理解某项研究与某个教学工具之间为什么相关，从而支撑推荐、生成和评估。 10｜Rubric-Based Evaluation｜基于评分标准的评估与其笼统地问“AI 输出好不好”，不如把质量拆成可检查的标准。例如：是否有逐步引导？是否包含自我解释？是否提供后续练习？EduAide 会让不同 Prompt 在不同主题和年级上重复生成，再根据 rubric 比较稳定性。 11｜Cognitive Offloading｜认知卸载认知卸载是把原本需要自己完成的认知任务交给外部工具，例如让 AI 搜索、阅读和总结论文。它可以提高效率，但 Thomas 提出了一个重要风险：如果一个初学者研究者过早把全过程交给 AI，可能也失去了形成研究判断力的机会。 12｜Research-to-Practice Gap｜研究—实践鸿沟教育研究中已经存在大量关于学习和教学的知识，但这些知识往往没有进入真实课堂。Thomas 认为，问题不应该简单归咎于“

  4. Aug 10

    [EP55]伊伊子思考中 | AI 时代的一人教育公司，会是什么样子？

    Hello 大家好，欢迎回到《教育AI智造者》。 这是《教育AI思考课》的又一期单口节目。最近我连续看了很多 Solo Founder（一人创始人）的故事：有人一个人把公司做到百万美元收入，也有人开始尝试用一个真人加一整套 AI Agents，去完成过去需要产品、工程、客服、运营共同完成的工作。 看得越多，我越觉得真正有意思的不是「AI 让一个人也能开公司」，而是公司本身正在从一个由职位组成的组织，变成一个由 Workflows（工作流）组成的系统。 所以这一期我想做一个有点大胆的思想实验： 如果这种变化发生在教育里，一人教育公司会是什么样子？ 它只是一个老师带着几十个 AI Agent 疯狂生成课程，还是有可能让一个教育者拥有一所很小、却能够持续诊断、反馈、调整和学习的「学校」？ 这一期，我们就从几家真实的 Solo Founder 公司出发，拆一拆这个还没有答案的问题。 如果你是一位教师、教育创业者、AI 产品经理、学习科学研究者，或者你正在 Vibe Coding 自己的教育产品，我希望这一期能够给你一个不同的问题： 当 AI 已经可以帮你写课、出题、批改、做视频、建网站的时候——你真正想创造的，到底是什么？ 🧭 本期内容为什么 Solo Founder 值得教育行业关注？ Fondo、Chatbase、WorkOS、Wabi、Pulsia 分别在卖什么？ 为什么 AI 公司真正产品化的往往不是 AI，而是 Workflow？ Demo、Tool 和 Company 到底有什么区别？ 为什么教育比会计、客服和企业软件更难自动化？ 为什么 Content Generation 不等于 Learning？ 什么才是一条真正完整的 Learning Workflow？ 一人教育公司的三层结构：学习、教学运营与商业 一个老师 + AI Agents，真的可以服务更多学生吗？ 哪些教育工作可以自动化，哪些必须 Human-in-the-loop？ 教育版 Chatbase 会是什么？ 教育版 Fondo 会是什么？ 教育版 WorkOS 会不会成为 Learning Infrastructure？ 什么是 Pedagogical Infrastructure？ 教育版 Wabi：软件会不会成为新的学习产物？ 教育版 Pulsia：AI 能不能帮助一个老师运行一家公司？ 中国和美国的一人教育公司为什么可能走出不同路径？ 从小工具到真正公司，需要经历哪些阶段？ 一人教育公司究竟应该卖软件、服务，还是基础设施？ 当 Vibe Coding 让功能越来越容易复制，真正的壁垒是什么？ Workflow、Evidence、Trust、Distribution 与 Pedagogical Values 为什么「Human-in-the-loop」本身也可能成为一种假象？ 一人教育公司最值得警惕的六个风险 AI 时代，公司会不会从 Organization Chart 变成 Workflow System？ 最后一个问题：当生成已经不再困难，我们真正应该设计什么？ -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ 📚 本期关键词Solo Founder（一人创始人）由单个创始人启动和经营公司的创业形态。Solo Founder 并不意味着公司永远只有一个人，而是公司不需要从寻找联合创始人、组建完整团队开始。AI Coding、自动化和 AI Agents 正在进一步扩大单个创始人的执行能力。 One-person Company（一人公司）一种新的组织想象：大量过去需要不同岗位完成的工作，被软件、自动化和 AI Agents 承担，人类创始人主要负责方向、品味、价值判断、关键关系和高风险决策。 它真正改变的可能不是公司人数，而是我们定义「公司」的方式。 Workflow（工作流）为了持续完成某个目标而连接起来的一系列状态、任务、判断和反馈。 本期最重要的观察之一是： AI 公司真正产品化的往往不是 AI，而是 Workflow。 模型提供能力，Workflow 决定这些能力如何持续产生价值。 Fondo面向创业公司的财务、会计、税务和合规服务。它代表了一类非常典型的创业机会：解决用户「必须完成、反复发生、做错代价很高、但又非常不想自己完成」的工作。 Chatbase允许企业将网站、文档和自己的知识资料接入 AI 问答系统的产品。Chatbase 的早期机会来自一个非常具体的缺口：基础模型很强，但并不了解用户自己的资料。 本期借它讨论的问题是：教育版 Chatbase 是否应该从 Knowledge Q&A（知识问答）继续走向 Teaching Decision Support（教学决策支持）？ WorkOS帮助 SaaS 产品获得 Single Sign-On（单点登录）、目录同步、审计日志等企业能力的基础设施公司。 本期把 WorkOS 当成一种商业模式来思考： 与其做所有教育应用，有没有可能为所有教育应用提供共同需要的学习基础设施？ Wabi尝试让普通人通过 AI 创造属于自己的软件。它代表一种新的软件观：软件不一定首先是一门生意，也可以像文字、音乐、绘画一样成为个人表达和创造的媒介。 放到教育中，它引出了一个新的可能： Software as Learning Artifact——软件本身也可以成为学习产物。 Pulsia尝试通过多个 AI Agents 帮助一个创业者建立和运营公司的产品。市场、产品、工程、客服等工作逐渐被拆解为可以由不同 Agent 承担的 Workflow。 本期借 Pulsia 思考：未来一个教育者是否也可能拥有课程、评估、研究、运营和沟通 Agents？ Demo → Tool → Company本期提出的一个重要区分。 Demo 证明某件事情技术上能够实现。 Tool 让别人可以稳定重复使用这项能力。 Company 则需要形成完整、可持续的价值交付循环。 在教育 AI 中，一个漂亮 Demo 与一个真正改善学习的公司之间，还有非常长的距离。 Learning Workflow（学习工作流）把学习过程中原本分散的环节连接成持续反馈循环： 目标 → 诊断 → 任务 → 尝试 → 学习证据 → 支架 → 再尝试 → 反馈 → 复习 → 迁移 → 更新学习者模型。 它与单纯 Content Generation 最大的区别，是系统会根据学习者的行为持续改变下一步。 Learning Process Design（学习过程设计）关注「一个系统如何持续学习」的设计方法。 它不只是设计教学内容，而是设计目标、证据、任务、反馈、支架、评价、记忆、失败分析和下一步经验。 本期的一人教育公司，可以看成 Learning Process Design 在组织和商业层面的进一步延伸。 Content Generation（内容生成）利用 AI 自动生成教案、练习、解释、课件、视频和学习材料。 生成能力已经快速商品化，但： 生成更多教育内容 ≠ 产生更多学习。 真正困难的问题是：什么内容应该在什么时间，以什么形式，提供给什么样的学习者？ Learner Model（学习者模型）系统对学习者当前知识、能力、误解、行为模式、历史表现以及支架依赖程度形成的动态表示。 好的 Learner Model 不是给学生贴一个固定标签，而应该随着新的学习证据持续更新。 Learning Evidence（学习证据）能够帮助我们判断学习是否真正发生的行为和表现。 它不仅包括分数，也可以包括错误类型、解释过程、提示依赖程度、修改轨迹、反应时间、迁移表现等。 未来教育 AI 的重要资产可能不是生成了多少内容，而是积累了多少可靠的 Learning Evidence。 Scaffolding（学习支架）在学习者暂时无法独立完成任务时提供适量支持，并随着能力提高逐渐撤除帮助。 在小宇宙查看该单集文稿

  5. Jul 28

    [EP54]伊伊子思考中 | Learning Process Design：为什么 AI 工程，开始越来越像教育？

    Hello 大家好，欢迎回到《教育AI智造者》。 这是《教育AI思考课》的第一期， 是《教育AI智造者》推出的新系列。在这个系列里，我不会采访嘉宾，而是分享最近让我反复思考的一篇论文、一场访谈、一款产品，或者一个正在发生的行业变化。 我希望做的不只是新闻解读，也不是产品评测，而是试着把教育学、学习科学、人工智能和软件工程放在同一张桌子上，看看它们之间正在发生怎样新的连接。每一期节目，我都会从一个具体事件出发，结合公开资料、相关研究，以及我自己的产品实践和工程经验，把零散的信息整理成一条更完整的思考路径。这些节目没有标准答案，它们更像是我在 AI 时代持续学习和研究的一本公开笔记。如果这些思考也能启发你的工作、学习，或者让你开始提出新的问题，那它就已经完成了它存在的意义。 最近 Anthropic 发布了 Claude for Teachers，很多讨论都集中在一个问题上：AI 会不会改变教师备课？会不会成为下一代教学助手？这些当然都是值得关注的问题，但真正吸引我的，却不是这个产品本身。 几乎同一时间，我听完了 Anthropic 产品负责人 Fiona Fung 在 Lenny's Podcast 上的一场长达两个多小时的访谈。她谈的是 Claude Code、软件工程、Agent、团队管理，以及 AI 如何改变产品开发。但听着听着，我越来越觉得，她真正描述的，其实不是软件工程，而是一件教育学已经研究了几十年的事情——学习（Learning）。 当 AI 可以几分钟写完过去几周才能完成的代码之后，Coding 不再是瓶颈；真正困难的开始变成：我们怎样知道它做得对？怎样定义「什么是好」？怎样设计反馈？怎样持续学习？ 这让我开始重新思考一个问题： 如果 Prompt Engineering 不是未来 AI Engineering 的核心，那么未来真正需要被设计的，到底是什么？ 我越来越相信，答案可能不是 Prompt，而是 Learning Process Design（学习过程设计）。 它不是传统意义上的 Instructional Design（教学设计），也不仅仅是在设计一节课，而是在设计一个持续学习的系统：目标如何定义？证据如何收集？反馈如何形成？失败如何分析？下一步经验如何安排？人什么时候介入？Agent 什么时候独立行动？评分器怎样帮助系统不断调整自己的行为？ 如果把这个视角放回教育，我们会发现很多熟悉的概念开始拥有新的意义：Rubric（量规）越来越像 Model Grader（模型评分器）；Formative Assessment（形成性评价）越来越像 Continuous Evaluation（持续评估）；Scaffolding（支架）开始帮助我们理解 Agent 为什么需要不同程度的自主性；Learning Progression（学习进阶）也开始对应模型训练中的 Curriculum（课程训练）。 所以，这一期节目并不是一场 Claude for Teachers 的产品分析，而更像是一次关于 Learning Process Design 的探索。我希望借助 Anthropic 最近的一系列实践，讨论一个更大的问题： 未来真正的 AI Engineering，会不会越来越像 Learning Engineering（学习系统工程）？而教育学，会不会不再只是 AI 的应用场景，而逐渐成为 AI 系统设计本身的一部分？ 如果你是一位教师、研究者、AI 工程师、产品经理，或者正在思考 Agent、Post-training、Evaluation、Learning Science，那么我希望这一期，能够带给你一些新的连接。🧭 本期内容 Claude for Teachers 为什么只是这期节目的起点？ Fiona Fung 描述的 Anthropic，到底发生了什么变化？ 为什么 Coding 不再是 AI 工程最大的瓶颈？ Verification（验证）为什么成为未来 AI 的核心能力？ 为什么 Rubric 正在变成 Model Grader？ 为什么 Prompt Engineering 只是 Learning Process Design 的一个组成部分？ 什么是 Learning Process Design？ 为什么未来 AI Engineering 更像是在设计学习，而不是设计输出？ Adaptive Post-training 为什么越来越接近教育学？ Learning Science 会不会成为 AI Infrastructure（AI 基础设施）的一部分？ 教师未来最大的价值，会不会是参与定义 AI 如何学习？ -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ ------------------------📚 本期关键词------------------------ Claude for Teachers（面向教师的 Claude）Anthropic 推出的教育产品，面向 K–12 教师，希望帮助教师完成备课、课程设计、学习活动、评价反馈等工作。本期节目并没有把重点放在产品功能，而是借助它讨论一个更深的问题：AI 是否真正理解教学，还是只是生成了看起来像教学的内容。 Claude Code（Claude 编程助手）Anthropic 推出的 AI Coding Agent。它不仅能够生成代码，还可以理解整个代码库、执行修改、运行测试、持续完成复杂开发任务。Claude Code 代表着 AI 开始从回答问题，进入真实的软件工程工作流。 Builder（创造者）Builder 并不仅仅是工程师，而是能够主动发现问题、快速验证想法、持续学习的人。随着 AI Coding 普及，产品经理、设计师、教师和研究者，都开始拥有创造软件的能力，因此 Builder 正逐渐成为一种新的工作方式，而不仅仅是一种职业。 Verification（验证）当生成越来越便宜，验证开始变得越来越昂贵。Verification 不只是检查代码能不能运行，而是在持续判断：系统是否真正完成目标？是否帮助用户？是否仍然符合设计原则？教育中的教师评价，本质上也是一种持续的 Verification。 Test-driven Development（测试驱动开发）软件工程中的经典开发方法。先定义什么叫正确，再开始实现功能。随着 AI Coding 的出现，测试越来越容易生成，也让「先定义评价标准，再完成任务」重新成为软件工程的重要思想。这与教育中先定义学习目标和评价标准，再设计学习活动，有着高度一致的结构。 Rubric（量规）教育评价中最经典的工具之一。它通过多个维度，把「什么叫做好」明确表达出来。未来越来越多 Model Grader，其实都是 Rubric 的工程化表达。 Model Grader（模型评分器）负责评价 AI 输出质量的系统。它根据预先定义好的标准，对模型回答进行评分、解释和反馈，并决定模型下一步如何继续学习。 Operationalization（操作化）把抽象概念变成可以观察、评价、执行和训练的结构。例如，「创造力」「理解」「同理心」，都需要进一步定义可观察证据，才能真正进入 AI 系统。 Externalization（知识外化）本期提出的一个重要思考。当 AI 开始参与复杂工作，人类过去依赖经验完成的判断，被迫逐渐表达成系统能够理解的形式。从这个角度看，AI 并不是替代专业知识，而是在推动隐性知识不断外化。 Learning Process Design（学习过程设计）本期最核心的概念。它关注的不只是学生如何学习，而是任何具有持续反馈能力的系统——包括学生、教师、Agent、模型——如何不断获得经验、调整行为、形成能力。Learning Process Design 包括目标设计、评价标准、反馈循环、失败分析、记忆机制、自适应任务生成等多个组成部分。 Prompt Engineering（提示词工程）设计 Prompt 只是 Learning Process Design 中一个非常小的组成部分。真正重要的是整个学习循环，而不是某一次输入。 Adaptive Post-training（自适应后训练）根据模型当前失败原因，而不是统一增加更多数据，动态决定下一步最值得提供什么学习经验。这与教师根据学生不同错误原因设计不同教学策略高度相似。 Learning Engineering（学习系统工程）未来 AI Engineering 一个可能的发展方向。相比传统软件开发，它更关注如何持续设计学习、评价、反馈和能力形成，而不仅仅是功能实现。 Pedagogical Agent（教学智能体）能够持续观察学习证据、形成学习者模型、动态调整教学任务和支架，而不仅仅回答问题的 AI Agent。它更像一个不断进行形成性评价的教师，而不是聊天机器人。 Formative Assessment（形成性评价）教育中持续收集学习证据、不断调整教学策略的一种评价方式。相比最终考试，它更加关注学习过程，也越来越成为 AI 持续评估的重要参考框架。 Scaffolding（支架）根据学习者当前能力，提供适量帮助，并随着能力提升逐渐撤除支持。未来不仅适用于学生，也适用于 Agent 的自主性设计和 Post-training。 Learning Progression（学习进阶）学习科学中的重要概念，强调知识和能力应该按照一定顺序逐步发展，而不是随机学习。对应 AI 中的 Curriculum Learning（课程式训练），帮助模型循序渐进形成能力。 Latent Demand（潜在需求）用户没有直接表达，却通过绕路、拼接多个工具、反复修改工作流而暴露出来的真实需求。观察这些行为，比直接询问「想要什么功能」更接近产品创新。

  6. Jul 20

    [EP53]李老师 | GPT 成了我的神？一位老师如何重新理解教学

    最近有一段时间没有更新《教育AI智造者》。 其实这几个月我一直都在录节目，只不过，大部分时间都投入到了一个新的采访计划， 开启一个新的系列——《教育人与 Vibe Coding》。 这里不会讨论哪个模型跑分最高，也不会比较哪一个 Agent 更厉害。我更关心的是，AI 正在如何改变教育工作者的工作方式、思考方式，以及他们看待教育本身的方式。 如果你也是老师、研究者，或正在教育现场尝试 AI，也欢迎来到节目分享你的故事。 📮 投稿 / 联系方式： yi.wang.ed.ai@gmail.com 这一期，我们邀请到的是 李老师。 过去一年，她几乎每天都和 ChatGPT 一起工作。 她利用 AI 做出了自己的英语学习平台，把写作批改、口语练习、词汇学习等功能逐渐整合成了一个真正可以使用的网站；更有意思的是，她也开始带着学生一起做 Web Coding，并尽可能利用免费的 AI 资源，让更多学生能够参与其中。 但真正让我印象最深的，并不是这些工具。而是她说的一句话： 「GPT 已经成了我的神。」 第一次听到这句话，我其实愣了一下。 后来才发现，她想表达的并不是 GPT 无所不能。而是当他准备课程、设计活动、思考教学、修改网站、甚至开始怀疑自己的教学方法时，第一个讨论对象，已经变成了 GPT。 它不仅帮忙写代码， 也开始辅助教学设计， 检视课堂流程， 甚至不断挑战他的教育假设。某种程度上，它已经从一个 AI 工具，慢慢变成了一位永远在线、永远愿意讨论问题的教学伙伴。 而这，也许正是 AI 真正开始进入教育现场的一种样子。 💡 本期你将听到为什么李老师会说："GPT 已经成了我的神？" 当 GPT 开始 Review 老师，而不是老师 Review GPT 如何利用几乎免费的 AI 资源，让学生也开始做 Web Coding？ AI Coding 到底是在写代码，还是在训练一种新的思维方式？ 学生交的不再是 PPT，而是一个真正可以运行的网站 AI 带来了效率，也带来了新的焦虑 🧭 内容大纲🌱 从一位英语老师开始学习 AI Coding为什么决定自己做教学工具，而不是继续等待现成产品 一年时间，从不会写代码到拥有自己的教学网站 AI 如何改变一位老师每天的工作方式 🤖 GPT，不只是工具"GPT 成了我的神"到底是什么意思 为什么 GPT 成了每天第一个讨论教学的人 从问问题，到一起思考问题 🪞 AI 开始帮助老师 Review 老师用 GPT 检查自己的教学设计 AI 如何帮助发现课堂中的盲点 为什么 Feedback 不应该只属于学生 💻 把 Web Coding 带进课堂如何充分利用免费的 AI 资源 学生第一次做出真正属于自己的学习工具 为什么老师比程序员更容易发现值得做的教育产品 🐞 不会编程，也能 DebugChatGPT 为什么总会写错代码 如何一步步定位问题，而不是放弃 Debug 的过程，其实也是学习计算思维的过程 🧠 AI Coding 真正训练的能力自然语言如何成为新的编程语言 从"写代码"到"表达需求" 为什么产品经理思维越来越重要 🎓 教学法，会不会因为 AI 改变？AI 如何影响课堂设计 什么工作可以自动化，什么必须由老师完成 教师未来真正的核心价值是什么 -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ 在小宇宙查看该单集文稿

  7. Jun 27

    [EP52] 西西老师 |从PPT到HTML：有了AI，老师为什么要重做知识呈现？

    Hello 大家好，欢迎来到《教育AI智造者》。 这是《教育人与 Vibe Coding》系列的第二期。 过去一年，我们看到很多老师开始用 AI 做 PPT、写教案、出题、批改作业。但这一期的嘉宾西西老师，让我开始思考另一个问题：当 AI 让内容生产变得越来越容易之后，老师真正需要优化的还是内容吗？ 作为一名高中教师，西西老师并没有满足于让 AI 帮她更快地制作 PPT。相反，她开始尝试一种更奇怪的方式：用 HTML 做课件。 最开始，这听起来像是一次技术升级。但随着聊天深入，我发现她真正关心的从来不是技术。她关心的是： 为什么学生总是在拍 PPT，而不是听课？ 为什么有些内容明明讲了很多遍，学生还是记不住？ 为什么课堂上最稀缺的资源，往往不是知识，而是注意力？ 而当她开始使用 Vibe Coding 制作课件之后，她逐渐意识到：课件不仅仅是内容的载体。它本身就是一种教学设计, 一种知识组织方式, 甚至是一种学习体验。 于是，我们从 HTML 课件聊到教学法，从教学法聊到学习支架（Scaffolding），又从学习支架聊到未来是否可能出现没有老师讲解的教学系统。 在这期对话里，我们一起讨论： • 为什么 HTML 可能比 PPT 更适合未来课堂？ • AI 改变的究竟是内容生产，还是内容呈现？ • 什么样的课堂设计能够真正提高学生参与度（Engagement）？ • 为什么老师最重要的工作越来越不是制作内容？ • 当 AI 可以生成课件之后，教学设计会变得更重要吗？ 如果你是一位老师、教育产品从业者，或者正在思考 AI 如何改变学习体验。 这一期或许会提供一个值得关注的视角：AI 的价值可能不仅是帮助我们更快地创造内容。更重要的是，它让更多老师开始重新设计学习发生的方式。 🧭 内容大纲🎒 从 PPT 到 Vibe Coding为什么开始放弃传统 PPT HTML 课件带来的新可能 AI 如何改变备课流程 🤝 AI 是工具还是合作者什么时候是执行工具 什么时候是创意伙伴 老师与 AI 的协作关系 🎯 教学设计优先于技术设计引入、过渡与知识组织 为什么老师总能发现 AI 缺少什么 教学法如何影响课件结构 👀 注意力才是课堂最稀缺的资源为什么 PPT 内容越来越少 学生抬头率背后的设计逻辑 互动如何服务核心学习目标 🧠 提示词工程正在消失吗从结构化 Prompt 到自然对话 Background 为什么比 Prompt 更重要 AI 时代的新协作方式 🏗️ 从课件到教学系统HTML 课件作为 Learning Scaffold 学生能否借助系统自主学习 教学系统与个性化学习的未来 🎓 AI时代的教师角色老师会被替代吗 为什么教育仍然需要人与人的互动 从知识传递者到学习监督者 -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ 在小宇宙查看该单集文稿

  8. Jun 12

    [EP51] D老师｜不会编程的英语老师，如何用AI做出了自己的教学系统？

    最近有一段时间没有更新《教育AI智造者》。其实这几个月我一直在录节目，只是把大部分时间都花在了一个新的采访计划上。 从今年二月份开始，我陆续采访了很多老师。一开始，我只是单纯好奇。过去几年，我们讨论 AI 的时候，经常听到的是程序员、创业者、产品经理。但我越来越想知道： 如果把目光放回教育现场，会发生什么？ 当一个老师拥有了过去只有工程师才拥有的能力之后，他们会拿这些能力做什么？ 他们会怎么理解 AI？ 又会如何把 AI 带进自己的课堂、教学系统，甚至教育产品里？ 原本我计划把这些访谈整理成一期大型专题节目，但后来发现，无论是剪辑还是内容整理，工作量都远远超出了我的预期。而 AI 的发展又实在太快。与其继续等待那个完美版本，不如先把这些有价值的对话分享出来。 所以从这一期开始，我会陆续发布一个新的系列：《教育人与 Vibe Coding》。在这个系列里，你会听到不同老师如何使用 AI、如何做工具、如何做产品，以及 AI 如何改变他们的教学与思考方式。 如果你也希望来播客上分享你的心得和经历，欢迎写邮件联系：yi.wang.ed.ai@gmail.com 这一期的分享来自D老师：他花了一年时间，用 ChatGPT 做出了自己的教学工具，并最终把写作批改、口语题库和词汇系统整合成了一个真正可以使用的网站。 但让我感兴趣的并不是这个网站本身。而是在这个过程中，他逐渐从一个「使用工具的人」，变成了一个「设计系统的人」。并开始思考：为什么有些工作必须由老师完成？什么才是真正值得自动化的部分？当 AI 可以写代码之后，人类最重要的能力还是什么？以及AI Coding 真的是在降低门槛，还是在把我们推向更高层次的问题？ 在这期对话里，我们一起拆解了几个关键问题： 为什么老师比程序员更容易发现值得做的教育产品？ AI Coding 的本质到底是写代码，还是表达需求？ 当 ChatGPT 经常写错代码时，一个不会编程的人如何 Debug？ 什么是教育场景里的 Computational Thinking（计算思维）？ 为什么 AI 让老师变轻松的同时，也让人变得更焦虑？ 当所有重复劳动被自动化之后，教育工作者应该把时间花在哪里？ 如果你是一位老师、教育创业者，或者正在尝试用 AI 改造自己的工作流。这一期或许会给你一个新的视角：AI Coding 最重要的产出，也许不是代码， 而是让你开始用系统的方式理解自己的工作。 🧭 内容大纲🎯 从教学痛点出发重复劳动为什么会吞噬老师的大量时间 哪些工作适合 AI，哪些工作必须保留给老师 从写作批改开始的第一个自动化尝试 ✍️ 写作工具的诞生从逐句修改到 AI 辅助批改 i+1 理论如何影响工具设计 为什么反馈必须转化成练习 🚧 AI Coding 的真实踩坑记录本地部署与云端部署的差异 Context Window 带来的问题 ChatGPT 为什么会制造 Bug 🧠 老师如何学会计算思维从教学流程到产品流程 字段（Field）思维的出现 抽象、组合与模块化设计 🤖 AI Coding 到底是什么Vibe Coding 的真正含义 自然语言与计算机语言之间的翻译过程 产品经理思维为什么比编程更重要 🔍 测试与需求文档为什么 Vision 比代码更重要 用户测试如何帮助发现 AI 的误解 从“直接开做”到“先写需求文档” 🎓 教学法如何影响产品设计评估与教学之间的区别 自由度与可控性的平衡 为什么有些问题 AI 永远解决不了 💰 AI 解决了效率，但没有解决价值重复工作消失之后会发生什么 AI 为什么会放大真正的问题 从执行层走向战略层的焦虑 🔮 AI时代的老师AI 会改变什么，不会改变什么 陪伴、反馈与价值观塑造 教师角色的未来可能性 -----------------------关于伊伊子---------------------- 伊伊子的小红书传送门 ----------------------关于听友群----------------------- 如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊 请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！ 在小宇宙查看该单集文稿

See All (63)

About

欢迎来到“教育AI智造者”播客，这是一个探索【人工智能如何重新定义教育领域】的前沿平台。 在这里，我们不仅仅分享技术如何塑造未来教室的故事，同时也深入真实且多元的个人经历呈现AI在教育中的多面性。 每一期，我们邀请【教育界的AI实践者】——从前线的教育工作者到深入研究的学者，再到直接受益的学生，深挖每个故事， 分享他们与AI交织的独特旅程。 在AI的浪潮中，我们不仅找寻我们的位置，更共同塑造这个新时代的面貌。 加入我们，一起在“教育AI智造者”见证教育未来的无限可能！ ------------------------------------------------------------------------------------ 关于伊伊子的小红书：爱思考的伊伊子 AI+教育社群: 小红🍠教育者社群 嘉宾自荐/推荐：小红书/邮箱(yi.wang.ed.ai@gmail.com)

Information

  • Creator
    伊伊子
  • Years Active
    2024 - 2026
  • Episodes
    63
  • Rating
    Clean
  • Copyright
    © 伊伊子@小宇宙App
  • Show Website
    教育AI智造者

You Might Also Like