课堂上用AI优化的认知负荷的7个妙招

老师，你是否曾遇到过明明设计的非常完美的课程或教学活动，但某些环节却并未按计划进行？笔者就遇到过这样的糟心事儿。想当年，笔者第一次给研究生教“人体解剖学”这门课时，有学生给我说：“老师，这门课这么多学习资源，我压根就不知道要从哪里下手，所以没看”。自从使用了AI智能体，为学生的问题提供简洁、有针对性的回复，并标注这些信息来自于教材哪一部分的页码时，终于看到学生自信地参与到学习中，而且随着每一次资源提供方式的更新迭代，都让我们对如何优化学生的认知负荷有新的认识。译者注：教师可在腾讯元器等智能体开发平台或你学校所用的教学平台内置的智能体功能模块上设计开发属于自己所授课程的AI智能体。

认知负荷是指人在处理信息和做出决策所需的心理努力总量^[1]。译者注：为便于理解，可以视作人的大脑加工信息时需要耗费的算力，对认知负荷感兴趣的读者可以查阅我之前的公众号文章：

秒懂认知负荷

对分课堂——认知过载的救赎之道（含黑色幽默）

1988年，约翰·斯韦勒（John Sweller）提出了认知负荷理论（CLT），该理论随后得到了拓展，用三种类型来区分不同的认知负荷在学习过程中所起到的关键作用：内部认知负荷、外部认知负荷和相关认知负荷。内部认知负荷（Intrinsic cognitive load）是与学习内容本身复杂程度相关的心理努力。例如，向研究生教授人体解剖学的复杂结构自然需要高水平的心理加工，教师往往无法降低这些内容的复杂性。同样，学习一门新外语或解答高数题也有无法避免的内置难度。外部认知负荷（Extraneous cognitive load）是由信息的呈现方式而非内容本身所产生的心理努力。内容组织及排版混乱的PPT、令人分心的动画等视觉效果或多余的文本都会增加外在负荷，使学生更难专注于你想要传达的重要内容。例如，在教授学生学习人体肌肉时，笔者会展示孤立特定肌肉的图像，而不是一张包含全身所有肌肉的图片。使用清晰且相关的视觉效果可以让学生将注意力集中在关键学习目标上，同时能够减少对学习过程不必要的干扰。相关认知负荷（Germane cognitive load）是将新信息整合到现有知识中，即我们所说的图式构建所需的心理努力。这种新知识的整合与构建促进了对内容的深度理解。能够促进反思、问题解决、讨论和动觉学习的主动学习策略都有助于增加相关认知负荷，从而建立联系并将内容转移到长期记忆存储中。在课堂上，这可能表现为绘制图表或模型、向同伴解释概念，或通过案例研究解决问题。译者注：相关认知负荷可以看作是处理内部负荷所需的有效资源投入。2010年，斯韦勒指出：相关认知负荷不应被视为独立于内部认知负荷的类型^[2]。他提出，相关认知负荷仅仅是分配给处理内部认知负荷任务的有效工作记忆资源^[3]。作为教师，咱们的目标应聚焦于促进学生进行有意义的学习。这表明老师必须有意识地设计学习体验，防止学生因材料的数量、复杂性或呈现方式而感到不知所措。当学生被信息淹没时，他们面临着认知超载的风险，从而进入一种大脑无法有效处理信息的状态，阻碍理解和记忆。认知超载可能包括挫败感、眼神呆滞或任务进度不佳等现象。要评估认知超载是否正在影响学习，可以尝试快速的课堂调研，提问如：“今天课程中最令人困惑的部分是什么？”或“目前有没有让你觉得压力很大的地方？”教师可以通过积极监测这些现象并收集即时反馈，力争能更好地根据学生的需求灵活调整教学方法。通过识别并应对认知超载的迹象，教师能够对如何调整教学做出更加睿智的课堂决策。其中有效的做法是整合认知负荷效应。该效应被视为优化工作记忆的主动学习策略。

例如，当进行到一个具有固定步骤的新概念时，如解题或分析研究论文，常见的认知负荷效应是样例效应（worked example），即学生在独立尝试解决问题之前能够看到所有步骤。认知负荷效应也可以随着学生学习的深入而设置脚手架，从完整的样例过渡到部分样例，最后到生成性失败^[4]（productive failure，亦有资料译为生产性失败、有成效的失败等）。

对于高水平学生，可以使用生成性失败，即让学生在较少指导下尝试去解决问题。这种方法能激活旧知，揭示知识之间的差距，并配以反馈，引导学生深度理解。

对此话题感兴趣的老师可进一步查阅参考资料部分斯韦勒等人2019年相关研究^[5]。基于上述认知负荷及其效应，教师必须规划与学生理解程度相匹配的策略。在学生不具备基础知识时要求他们进行生成性失败，往往会超出其工作记忆能力，导致他们产生困惑和挫败感，直呼“臣妾做不到”。相反，让高水平学生复习完整的样例可能会让他们感到冗余且乏味，直呼“就这”？无论是否使用AI，在教学中运用认知负荷理论的目标并非无差别地去降低认知负荷，而是要优化，从而专注于学生学习最本质的方面。

译者注：这和首要教学原理相近：聚焦问题-激活旧知-示证新知-应用新知-融会贯通。即在教授一个新内容时，不应刚开始就放权给学生让他们去探索、去发现。而应该提供完整样例与分步示例，学生通过练习实现掌握程度达80%以上时再放权给学生。

基于上述原则，咱们现在可以探讨如何利用AI进一步优化课堂中的学生认知负荷了。AI工具可以生成一系列递进的完整样例、部分样例和复杂的案例研究，进而支持生成性失败的应用。此外，学生可以直接与AI互动，根据表现和反馈实时调整内容。例如，学生可以要求AI向自己提出更具挑战性的问题，或要求AI将复杂任务分解为简单的、带脚手架的步骤，确保教学策略始终与他们当前的理解水平保持一致。但将AI与认知负荷理论结合需要仔细考虑。虽然AI的这种新方式及互动性可以一定程度地提高参与度，但如果技术对学生是一种不小的挑战（译者注：例如让他们在自己的电脑上本地部署小龙虾等），或只关注新颖性而忽略了学习目标，也可能给学生的学习造成干扰（译者注：增大了外部认知负荷）。为了避免认知超载，教师有目的地整合AI工具至关重要。在用AI设计认知负荷效应策略时，教师应确保技术对学习过程是必不可少的，而不仅仅是锦上添花。

将认知负荷融入课堂教学的7种情形如下，仅供各位老师参考：

（1）为学生提供样例：教师可以用AI为学生搭建脚手架，例如提供完整样例和分步骤的示例，让学生从补全只缺少一个步骤的任务开始，逐渐过渡到他们能在不提供样例时完成任务。译者注：同样，学生在课下学习过程中可以让AI为自己提供解题样例。（2）促进独立表现：AI可以辅助设计与构建从小组合作到独立表现的学习活动步骤，例如通过不同的学习任务，帮助学生从四人小组的合作过渡到二人组，再到独立表现，实现随着学生学业水平的提高，逐渐减少同侪之间相互支持。（3）实施形成性评价：AI工具可以依据特定的学习目标或学生学习需求，为教师快速生成接下来需要开展何种形式形成性评价的创意。例如，AI可以帮助老师出一些出门考的题目，或在课堂上布置一分钟论文/写作的提示（译者注：例如让AI生成一分钟写作的题目，写作要求和Rubric等），辅助教师来检查学生的理解情况和掌握程度。（4）开展支架教学：AI可以依次呈现从客观题到开放题，实现所需要消耗的脑力逐渐增加，允许学生使用AI来获取解题提示与即时反馈，为学生在不同难度和深度上提供脚手架。（5）鼓励反思与协作：老师在课堂上抛出一个问题，学生二人组进行讨论，得出答案，并将答案提供给AI与其对话，AI可以根据他们的讨论话题或回答生成有针对性的反思提示，引导他们进一步更深入思考题目，从而在新的讨论中，这两名学生能更好地进行写作。（6）利用技术监测认知负荷：AI工具可以关注学生的学习过程中，心理工作量的大小；老师在自己的教学过程中应扶放有度地引入AI工具，以确保AI是辅助学生学习而非阻碍，避免因AI使用而导致的认知超载。既不会出现放得太猛导致认知超载，造成学生无法从小组合作完美过渡到独立表现，而直接用AI生成答案；也不会出现学生已经很熟练的情况下老师还在不断地用AI为学生提供样例或例子，导致专长逆反效应。

（7）提供个性化且有针对性的反馈：利用AI生成的数据和学生反思的内容来提供个性化反馈（译者注：例如知识图谱、学生用AI寻求学习帮助以及向AI提供自己的学习反思请AI进一步为自己提供下一步思考的重点和关注点等），并为不同的学生提供特定的学习需求支持。