夜雨聆风一、两个故事，同一堵墙
教育界从来不缺解决方案。
每隔一段时间，就有一个新工具登场，承诺要解决一个老大难问题。AI 要帮孩子找到对的书，手机袋要帮课堂夺回注意力。听起来都很有道理，落地之后却总有些意想不到的事。
2026 年 7 月，EdSurge 播客请来了两位老师，讲了两个量级完全不同的故事。
第一个在雅加达。一位叫 David Webb 的老师，没有任何编程背景，用一年时间"vibe coding"（凭自然语言提示词让 AI 写代码）做出了一个 AI 推荐图书的应用 LibraryAid。
第二个在加州。一个学区推行 Yondr 手机袋政策，把学生的手机锁进袋子，直到放学才能打开。
一个是个体实验，一个是政策推广。量级差很多。但听完两个故事，你会发现它们撞上了同一堵墙——工具能改变行为，却改不了结构。
二、David Webb 的算法实验
David Webb 是一位英国培训的小学老师，有 11 年国际学校教学经验，辗转中东和东南亚，现在雅加达教书。他没有任何计算机科学背景。
他有一个烦恼：班上的孩子阅读水平参差不齐，图书管理员精心挑选的书常常在架子上落灰——因为没有一个系统的方式，把每个孩子跟他最可能喜欢的那本书连起来。
市面上的解决方案要么太贵，要么太死板，都围绕专有书单构建，跟他们学校的馆藏对不上。Webb 的结论是：问题不是技术不存在，而是没有人替"像他这样的老师、像他这样的学校"造过。
于是他决定自己造。
2025 年 5 月启动，11 月上线课堂。他用"vibe coding"的方式——不写代码，而是用自然语言告诉大语言模型他想要什么，让 AI 帮他生成代码。先在 GitHub Copilot 上做，后来切换到 Claude——后者明显更可靠。开发在一台 12 年的旧 Mac 上进行，中途遭遇过代码文件被删无备份的事故，也花了几周时间处理学校图书馆 10,000 本书的封面图片。学生数据存在 Google Firebase，符合 COPPA 和 GDPR 合规，不收集学生邮箱，用学校代码加 PIN 登录。
LibraryAid 收集了学生的哪些信息
学生档案包含 6 个字段：姓名、阅读年龄、阅读兴趣、喜欢的作者、偏好类型、当前课堂主题。
进度数据包含 4 项：已读书籍、写的评论、获得的积分、理解力测验分数。
推荐机制是这样的：老师上传学校图书馆目录（CSV 文件），AI 把目录跟每个学生的档案做匹配，生成一份约 50 本书的个性化书单，按匹配度排序。学生读完一本书后，写老师验证的评论、回答 AI 生成的理解题，答对获得类型专属积分，解锁动画蠕虫伴侣的配饰——共 21 个类型，奖励的是"读得广"而不是"读得多"。
学生评论会反馈回推荐引擎——一个孩子发现的宝藏书，会逐渐被全校看见。
Webb 还自己建了一个"master books"书单，1000+ 获奖和高评分儿童读物，跨多个类别。算法不止匹配阅读水平，还主动浮现孩子自己不会发现的书。
听起来很美好。然后，奇迹出现了。
三、一个落后两年水平的孩子
Webb 在播客里讲了一个让他印象深刻的案例。
班上有一个孩子，阅读水平落后于所在年级整整两年。这是教育里最棘手的那种情况——不是孩子笨，而是他跟阅读之间，隔着一道说不清的墙。
LibraryAid 给这个孩子推荐了一套书系。结果，这个孩子读了，而且爱上了。
接下来的数据让 Webb 自己都意外：这个孩子的阅读进步，是平均水平的 3 倍。
这是一个让人心头一热的瞬间。一个被系统判定为"落后"的孩子，因为算法的一次精准匹配，重新接入了阅读的世界。
但故事没有停在这里。
Webb 在自己写的文章里，讲了另一个案例。一个女孩看着她的推荐列表，眼神迷茫。她的列表里有隐藏的宝藏，也有知名的经典，封面都很好看。但她唯一感兴趣的，是一套她早就熟悉的系列书。
算法完成了它的工作。她下一步需要的，是跟一个信任的成年人对话。
这两个案例放在一起，反差才真正出来。进步 3 倍的孩子，是算法的胜利；眼神迷茫的女孩，是算法的边界。算法能把对的书推到孩子面前，但孩子愿不愿意翻开，不是算法能决定的。
四、算法的边界：匹配之后，才是教育真正开始的地方
Webb 自己很坦诚。他写了一句很精确的话：
"The app works best alongside human influence, not instead of it. The app surfaces the right books for students, but the teacher or librarian sparks the interest."
（app 最好的状态是配合人的影响，而不是取代它。app 把对的书浮现给学生，但点燃兴趣的，是老师或图书管理员。）
算法擅长的是"匹配"——把对的书推给对的人。但算法回答不了一个更根本的问题：这个孩子之前为什么不爱读？
是阅读材料让他觉得无聊？是家庭环境让他没有阅读的空间？是他在学校里经历了什么，让他对"书"这件事产生了抗拒？
这些都不是算法能捕捉的。它们是关系问题，是动机问题，是结构问题。
那个进步 3 倍的孩子是真实的，那个奇迹也是真实的。但这是一个孩子的奇迹，不是算法的胜利。算法帮这个孩子找到了那扇门，但打开门的，是孩子自己想读的意愿——而那份意愿从哪来，算法说不清。
Webb 还写了一句几乎是对整个行业喊话的话：
"There isn't a recommendation engine in the world that can replace the moment a child says, 'I'm not sure about any of these,' and looks to their teacher or librarian for a nudge."
（世界上没有推荐引擎能取代孩子说"这些我都不确定"然后看向老师求引导的那个瞬间。）
这就是 Webb 撞上的那堵墙：算法的边界，恰恰在"匹配"之后开始。
五、Gabe Nitro 的反方：手机袋登场
第二个故事在加州。Gabe Nitro 是一位高中老师，他所在的学区推行了 Yondr 手机袋政策。
Yondr 是一种磁吸式布袋，学生进校时把手机放进去，袋子自动锁上，放学时才能在专门的解锁底座上打开。这套系统的逻辑特别简单：手机不在手里，注意力就回到课堂，成绩就会提升。
听起来无懈可击。政策推行的时候，很多老师是支持的——毕竟，谁不讨厌上课时嗡嗡震动的手机？
但 Nitro 在播客里提出了一个反直觉的观察：手机袋不但没有解决分心问题，反而制造了一批新的问题。
他的怀疑，后来被一份全国规模的研究证实了。
六、NBER 全国研究：禁手机，对成绩零影响
美国国家经济研究局（NBER）2026 年 4 月发布了一份工作论文（编号 w35132），标题是《The Effects of School Phone Bans: National Evidence from Lockable Pouches》。
研究团队阵容相当豪华：Hunt Allcott、E. Jason Baron、Thomas Dee、Angela L. Duckworth、Matthew Gentzkow、Brian Jacob——其中 Duckworth 正是"坚毅（Grit）"理论的提出者。
研究的方法论也很扎实。他们结合了大规模调查、GPS 手机定位数据、标准化测试成绩、学校行政记录，以及最大手机袋厂商的销售数据，用"交错双重差分"（staggered difference-in-differences）的方法，估算了手机袋政策的真实效果。
结论让人意外：手机袋显著减少了手机使用——这一点 GPS 数据和教师报告都证实了。但对标准化测试成绩的平均效应，几乎为零。
具体到学段，还有更微妙的发现：
- 高中生
：有轻微的正向效应，尤其在数学成绩上 - 中学生
：反而是轻微的负向效应
也就是说，禁手机的"成效"并不是均匀的。它帮了一些人，也害了一些人，平均下来——没动。
七、第一年：纪律更糟，幸福感下降
更值得玩味的是手机袋推行的第一年发生了什么。
研究发现，在手机袋政策落地的第一年，学校的纪律事件数量反而增加了，学生的主观幸福感下降了。
这听起来反常，其实合乎逻辑。任何一项强制政策落地，都会带来短期扰动。手机突然被收走，学生要重新适应一个"没有手机"的社交结构——课间怎么打发时间、午饭跟谁一起吃、遇到尴尬怎么逃避。这些细小的社交摩擦，在第一年集中爆发。
第二年之后，幸福感指标开始回升，纪律效应逐渐消退。学生适应了新常态。但"新常态"里，成绩并没有因此起飞。
这个故事提醒我们：一项政策的可见成本和隐形成本，往往不在同一个时间线上。手机袋的可见成本是买袋子的钱，隐形成本是第一年的纪律恶化和幸福感下降——而后者，是政策推行时没人会提前告诉你的。
八、49 分钟的执行损耗：政策工具的隐形代价
Nitro 在播客里提出了一个更刺眼的数字：执行手机袋规则，每天要吃掉最多 49 分钟的教学时间。
49 分钟。一节课大约 45-50 分钟。也就是说，每天差不多一整节课的时间，被花在"让学生把手机装进袋子、检查袋子是否锁好、处理没带袋子的学生、解决袋子故障"这些流程上。
这是一种典型的"政策隐形代价"。政策制定者看到的是"手机被收起来了"这个可见结果，看不到的是每天 49 分钟的执行损耗——而这 49 分钟，本该是用来教学的。
这还没算上老师的精力损耗。一个老师每天要在"管袋子"和"教书"之间切换注意力，这种认知负担是隐形的，但真实的。
政策工具的代价，从来不只在采购清单上。
九、分心搬家：Chromebook 接班手机
如果说前面的问题还停留在"代价"，那么接下来这个问题直击"效用"。
Nitro 观察到：手机收起来之后，分心并没有消失。它搬家了——搬到了 Chromebook 上。
Chromebook 是美国学校普遍配备的学习用笔记本电脑。它本来是教学工具，但当手机被封印之后，学生开始在 Chromebook 上找新的分心出口：玩游戏、看视频、刷网页。
问题没解决，只是换了个屏幕。
这个发现戳穿了手机袋政策的底层假设。政策假设的是"分心的源头是手机"，但真正的问题是"分心的需求一直在"。只要那个需求还在，堵住一个出口，它会从另一个出口涌出来。
这跟 Webb 的算法故事形成了奇妙的呼应。算法匹配到了书，但回答不了"孩子为什么不爱读"；袋子收走了手机，也回答不了"分心从哪来"。两个故事，同一堵墙。
十、两个故事的共同结构：把问题搬家，不等于解决问题
把两个故事并排放在一起，结构惊人地相似。
| 工具治标，结构没动 |
两个故事都犯了同一个假设错误：把一个结构性问题，当成一个工具性问题来处理。
阅读落后的孩子，背后可能是家庭阅读氛围的缺失、是课堂阅读兴趣的流失、是阅读材料与学生生活的脱节。这些都不是算法多追踪几个变量就能解决的。
上课分心的学生，背后可能是课堂本身不够吸引人、是学业压力让他们需要逃避、是社交需求在课堂上得不到满足。这些也都不是封印一个屏幕就能消失的。
工具是可见的，成效是可量化的，故事是好讲的。但教育里最难的部分，往往在工具够不着的地方。
十一、教师本能不是玄学：算法学不到的隐性变量
回到播客的标题：算法能取代教师的本能吗？
两个故事给出的答案是：不能。而且不是"暂时不能"，是结构性地不能。
所谓"教师本能"，听起来像玄学，其实是老师多年积累的隐性变量。一个有经验的老师走进教室，扫一眼就知道今天哪个孩子不对劲；跟一个孩子聊三句话，就知道他这周家里可能出了事；看一个学生读某本书的表情，就知道这本书对他来说是"刚好"还是"太赶"。
这些判断不在任何算法的输入里，因为它们没有被数据化。算法的输入是"兴趣""历史""水平"这些可量化的维度，而教师本能的输入是"气质""状态""关系"这些难以量化的维度。
算法在"匹配"这件事上可能比老师快——毕竟它能在一秒内比对 30 个变量。但老师在"理解"这件事上，比算法深——因为它处理的是人，不是数据点。
Webb 的 LibraryAid 帮一个孩子找到了那套书，这是算法的价值。但让那个孩子愿意翻开那套书、读下去、读到欲罢不能的，可能是老师某天一句不经意的鼓励，可能是班里同学的带动，可能是他那天刚好心情不错。这些，算法都算不到。
工具能改行为，改不了关系。算法能算匹配，算不出意愿。
十二、写在最后：什么才是真正的"解决"
我们太容易相信一个工具能解决一个问题。
因为工具是可见的——你能看见那个 app、能看见那个袋子。成效是可量化的——你能统计阅读进度、能统计手机使用时长。故事是好讲的——"AI 帮落后孩子爱上阅读""手机袋让课堂重归专注"，标题写出来就有人点。
但教育里真正难的部分，恰恰在工具够不着的地方：是师生关系，是学习动机，是课堂结构，是家庭环境，是那些算不出来的东西。
Webb 的 LibraryAid 是有价值的——它让一个孩子进步了 3 倍。Yondr 手机袋也不是全无价值——它至少减少了课堂上的手机可见度。但如果把它们当成"解决方案"，那就高估了工具，也低估了问题。
下次再看到"AI 治教育""禁手机提成绩"这类叙事，不妨先问一句：
这个工具，是在解决问题，还是在把问题搬家？
问题的答案，往往比工具本身更值得追问。
本文基于 EdSurge Podcast《Can an Algorithm Replace a Teacher's Instinct?》、David Webb 专栏文章《Vibe Coding Sparked a Love of Reading in My Classroom》及 NBER 工作论文 w35132 整理改写，观点为作者独立分析。
— END —
