scan_date: 2026-08-07 mode: 白話解釋版（companion explainer） tier: 對應 deep 報告 master-teacher-perception-2026-08-07.md

白話解釋版：「名師學習狀態感知的 AI 萃取」到底在講什麼

這份文件是正式 radar 報告的姊妹篇。正式報告為了塞進所有證據，把很多概念壓縮成行話； 這份反過來——不預設你知道任何名詞，每個概念從零解釋，寧可囉嗦不要跳步。 讀完這份再回去看正式報告，應該每一句都能看懂。

0. 導讀：這次調查在回答什麼問題

Brian 的想法是：一位真正的名師，看學生寫題目的過程，心裡會自動跑一套雷達——「這孩子這題卡住了」「他不是不會，是粗心」「他快沒耐心了」「現在該給提示，不是給答案」。這套雷達是名師多年經驗養出來的直覺，名師自己往往說不清楚自己是怎麼判斷的。

問題就是：這套說不清楚的直覺，能不能想辦法「抽取」出來，裝進 AI 裡？ 這樣 Ethan 在 Boox 上寫題目時，AI 就能像名師一樣「看得懂他的狀態」並「出對的招」。

radar 調查的任務是：這件事有沒有人做過？做到什麼程度？哪裡還是空白？ 答案影響 Brian 該自己蓋、抄別人、還是直接用現成的。

1. 先把三個領域講清楚（正式報告說的「三母領域」）

這個題目橫跨三個研究領域，每個領域都做了很多年、東西堆成山（所以報告說它們是「一缸子」——意思是先例多到滿出來，不需要也不應該自己重新發明）。

1a. ITS（intelligent tutoring system，智慧家教系統）

從 1980 年代就有的東西：一套軟體，出題給學生做、看學生答對答錯、決定接下來出什麼題、給什麼提示。你可以想成「一個自動化的補習班老師」，只是早期版本很死板，全靠工程師事先寫好的規則。

1b. Knowledge tracing（知識追蹤，簡稱 KT）

ITS 的核心零件之一。它回答一個問題：「根據這個學生過去的作答紀錄，他現在到底『會了沒』？」

打個比方：電玩遊戲裡每個技能有熟練度條。知識追蹤就是幫每個知識點（例如「一元二次方程式」「分數通分」）維護一條看不見的熟練度條，學生每答對一題，AI 就把估計往上調一點；答錯就往下調。

• BKT（Bayesian knowledge tracing，貝氏知識追蹤）：最老牌的做法，用機率計算。它考慮四件事：學生原本會的機率、做一題學會的機率、會了卻粗心答錯的機率（叫 slip）、不會卻矇對的機率（叫 guess）。數學簡單、透明、資料少也能用。
• DKT（deep knowledge tracing，深度知識追蹤）：用神經網路做同一件事，準一點，但需要幾萬筆作答紀錄才贏得過 BKT，而且它是黑箱（後面會解釋黑箱為什麼是大忌）。

1c. LLM tutor（大語言模型家教）

就是「用 ChatGPT/Claude/Gemini 這類 AI 當家教」。2023 年後爆發。代表作：

• Khanmigo：可汗學院的 AI 家教。2025 年的實驗顯示它讓學生代數成績進步，但效果大約只有真人家教的六分之一。
• LearnLM：Google 的版本。他們不是拿通用 AI 直接當家教，而是特別訓練過「教學行為」——例如不直接給答案、先問引導問題、依學生程度調整。怎麼訓練的，第 3 節細講。

1d. RL（reinforcement learning，強化學習）訓練教學策略

強化學習＝「用獎勵訓練」，跟訓練小狗一樣：做對了給點心，做錯了沒點心，久了小狗自己學會什麼動作能拿到點心。

用在教學上：讓 AI 家教嘗試各種教學動作（給提示？給例題？直接講解？），如果學生後來真的學會了就給 AI「獎勵分數」，AI 慢慢學出一套「什麼狀況該出什麼招」的策略。

這條路學術界做了二十年，一直沒走出實驗室。原因：要讓 AI 試錯，就需要大量真實學生陪它試錯——但沒有學校願意讓 AI 拿自己學生當白老鼠，資料永遠不夠。（這個教訓對 Brian 很重要：家教場景只有一兩個學生，走「RL 訓練」這條路是死路；但「參考它的架構思想」是活路。）

1e. 「交界帶」是什麼意思

三個領域各自都很成熟，但兩兩交叉的地方（例如「用 KT 的學生狀態去指揮 LLM 家教說話」「用 RL 去訓練 LLM 家教」）是 2025-2026 才熱起來的新戰場，論文正在密集地出。radar 的發現之一就是：這個交界帶比原本以為的更熱鬧——好消息是有很多現成方法可以抄，壞消息（其實也不算壞）是不要妄想在交界帶本身做出獨創。

2. 第一點修正強化：「k=1 空縫經正面驗證」逐字拆解

正式報告原句：「k=1 名師萃取空縫經 146 篇引用網驗證＝真空縫」。這句話每個詞都需要解釋。

2a. 「k=1」是什麼

k 是統計和機器學習裡的慣用符號，代表「數量」。這裡指萃取對象的教師人數。

• k=很多：把一百位老師的教學資料混在一起，讓 AI 學出「平均而言好老師會怎麼做」。目前所有研究都是這種。
• k=1：只針對一位特定名師，把「他個人」的判斷方式、教學風格抽出來裝進 AI。

差別像什麼？「學做菜的 AI 看了一萬個廚師的影片，學會平均水準的家常菜」vs「阿嬤牌滷肉的味道，只跟阿嬤一個人學」。Brian 想要的是後者——不是「大眾好老師」，是「某位特定名師看學生的眼光」。

2b. 「空縫」是什麼

就是「市場/研究的空白地帶」——大家都在做的區域旁邊，有一塊沒人踩過的空地。radar 報告的核心任務就是找空縫：空縫是真的（真的沒人做過），這個題目才值得 Brian 自己做；空縫是假的（其實有人做過只是你沒搜到），就該直接用別人的。

2c. Bridge 是什麼（本次調查最重要的先例，值得完整講）

Bridge 是 Stanford 大學一位研究者 Rose Wang 在 2024 年發表的研究方法。 它要解決的問題跟 Brian 的一模一樣：資深家教的判斷力是隱性的（他們自己說不清楚），怎麼把它變成 AI 能用的東西？

Bridge 的做法分三步，白話版：

1. 請專家「邊看邊出聲思考」（think-aloud）：找來資深家教，給他們看真實的學生錯誤，請他們一邊看一邊把心裡的想法講出來：「嗯，這個學生把分母加起來了，他應該是把分數加法跟乘法搞混……我不會直接糾正他，我會先問他 1/2 + 1/2 等於多少，讓他自己發現怪怪的。」把這些碎碎念全部錄下來。
2. 整理成「決策三步驟」：研究者發現專家的思考其實有固定結構——先診斷（學生錯在哪、為什麼錯）→ 再選策略（這種錯該用哪種教法：反問？舉反例？拆小步？）→ 最後才生成回應（實際說出口的那句話）。新手家教和 AI 的通病是跳過前兩步直接講話。
3. 把這套結構變成給 AI 的指令：教 AI 也照「先診斷→選策略→再說話」的順序來，而不是想到什麼說什麼。

他們標註了 700 段真實家教對話當教材。成果：照這套方法調教的 AI，回應品質明顯更像資深家教。

為什麼這對 Brian 是寶：這就是「名師直覺萃取」的標準作業流程（SOP），而且它天然適合小樣本——只需要少數幾位專家的 think-aloud，不需要百萬筆資料。程式碼是 MIT 授權（法律上可以自由抄用）。

2d. Tutor CoPilot 是什麼

同一批人把 Bridge 裝進真實產品的成果（2024 年）。 場景：美國一個線上家教平台，很多家教其實是新手。Tutor CoPilot 是掛在家教聊天視窗旁邊的「AI 軍師」——家教卡住不知道怎麼回學生時，按一下按鈕，AI 就用 Bridge 那套專家決策邏輯生成建議（「先別給答案，問他這一步為什麼這樣寫」），家教可以照用或改寫。

他們做了嚴格的實驗：900 位家教、1,800 名學生隨機分組，一半有 AI 軍師、一半沒有。結果：有軍師那組的學生通過率更高，而且受益最大的是遇到新手家教的弱勢學生——等於 AI 把資深名師的judgment「即時輸血」給新手。成本低到誇張：每位家教每年約 20 美元。這個研究後來被寫進 2025 年美國總統經濟報告。

注意它跟 Brian 想做的差別：Tutor CoPilot 服務的對象是「人類家教」（AI 當軍師、人上場）；Brian 的場景是 AI 直接面對 Ethan。但底層的「專家決策萃取」方法完全通用。

2e. 「146 篇引用網驗證」是什麼意思

學術論文有「引用」機制：後來的論文如果用到、比較到、延伸了前人的工作,就會列出來。所以「誰引用了 Bridge」這張清單，就是「Bridge 發表之後，全世界順著這條路做下去的所有人」的完整名單。

deep 掃描做的事：把引用 Bridge 的 74 篇＋引用 Tutor CoPilot 的 72 篇（合計 146 篇）一篇一篇看過，檢查有沒有人做了「k=1 單一名師萃取」。

結果：零。 全部後續研究都走「把很多教師資料聚合起來學平均值」的路線。連最接近的 TeachLM（用 10 萬小時真實家教對話訓練 AI）也是混合多位家教的資料。

這就是「空縫經正面驗證」的意思：不是「我沒搜到所以大概沒人做」（可能只是沒搜到），而是「我把所有順著這條路走的人都點名過了，確定沒人走進這塊空地」。前者是猜，後者是查證——可信度完全不同。

2f. Goblins 是什麼、為什麼標 unverified

調查中發現唯一一個「有點像 k=1」的商業產品：美國一個叫 Goblins 的數學家教 app，宣傳點是「克隆你的老師」——AI 家教的長相、聲音、口頭禪做成你真實老師的樣子。

但關鍵問題是：它克隆的是「皮」還是「腦」？

• 克隆「皮」＝外表聲音像你的老師，但腦子是通用 AI——那跟 Brian 想做的（萃取名師的判斷力）根本是兩回事，只是 cosplay。
• 克隆「腦」＝真的學了那位老師的教學決策——那才算踩進空縫。

調查時它的官網連不上、主要報導網站擋爬蟲，無法確認是皮還是腦，所以標記 unverified（未驗證）。從常理推測大概率是皮（克隆聲音外貌的技術成熟便宜，克隆教學決策沒有現成技術），但 radar 的紀律是：沒查證到的就不能寫成結論。

3. 第二點修正強化：「感知→決策訓練管線有現成 code」逐字拆解

3a. 「感知→決策」是什麼

把名師的工作拆成兩半：

• 感知：知道學生現在的狀態（會不會、卡不卡、煩不煩）
• 決策：根據狀態決定下一步教學動作（給提示？換例題？直接講？鼓勵一下？）

quick 版調查時以為這條鏈路只有零散的論文；deep 版發現有人已經把整條鏈串起來而且公開了程式碼。三個代表：

3b. dialogue-kt / LLMKT（美國麻州大學團隊）

傳統知識追蹤只看「答對/答錯」的紀錄。這個研究更進一步：從家教對話的內容裡追蹤學生狀態——學生說「喔～所以要先通分」跟說「嗯…好」，答案欄可能都是空的，但透露的狀態天差地遠。LLMKT 就是教 AI 從對話裡讀出這種訊號。程式碼 MIT 授權，可以直接抄。

3c. tutorbot-dpo（同團隊的下一步）

這個把「感知」跟「決策」接起來了，邏輯很漂亮：

1. AI 家教要回覆學生前，先生成好幾個候選回應（候選 A：直接講解；候選 B：反問；候選 C：給個提示……）
2. 用上面的 LLMKT 學生狀態模型預測：「如果我用候選 B 回，這個學生等一下自己做對的機率是多少？」
3. 依預測結果排序：預測效果好的回應＝好回應。
4. 用一種叫 DPO（direct preference optimization，直接偏好優化）的訓練法，把「B 比 A 好」這種成對的比較餵給 AI，AI 就慢慢學會偏向產生「會讓學生學會」的回應。

DPO 白話版：不用告訴 AI 標準答案是什麼，只要一直給它看「這個比那個好」的例子，它就會往好的方向修。像教小孩寫作文，你不必給範文，只要每次拿兩篇說「這篇比那篇好，因為……」，久了他就抓到感覺。

3d. PedagogicalRL（蘇黎世聯邦理工 ETH 團隊）

用強化學習（1d 講的訓練小狗法）教 AI「當家教而不是解題機」。

為什麼需要特別訓練這個？因為有個陷阱：如果只看「這一輪回應好不好」，AI 最容易拿高分的方式是直接把答案講出來（學生立刻說謝謝，看起來皆大歡喜）。但拉長看，直接給答案的學生什麼都沒學到。所以必須把獎勵設在「多輪之後學生真的會了」，AI 才學得會忍住不報答案、改用引導。這篇在 2025 年 EMNLP（自然語言處理領域的頂級會議）拿到口頭報告資格（Oral，代表被評為前幾 % 的論文）。

3e. 授權（license）小知識——為什麼報告一直在講 MIT、無 LICENSE

程式碼公開在 GitHub 上不等於可以自由使用。差別在附的授權條款：

• MIT / Apache-2.0：最寬鬆，抄、改、商用都可以，只要保留原作者聲明。報告裡標 ✅ 的都是這類。
• 沒有附 LICENSE 檔：法律上等於「著作權全保留」——你可以看、可以學思路，但不能把 code 抄進自己的專案。tutorbot-dpo 和 PedagogicalRL 都是這種，所以報告標「概念參考 only」：方法看論文自己重寫，不碰他們的 code。
• CC BY-NC-SA（TalkMoves 資料集是這種）：NC = non-commercial，非商用限制。Brian 自己教 Ethan 用沒問題，但如果哪天 Magnai 變成收費產品，用了這個資料集就是侵權——所以報告標它是「商業化時的雷」。

3f. 這一點對 Brian 的實際意義

原本以為「感知→決策」這條鏈要自己從零設計；現在知道：架構抄 tutorbot-dpo 的思路、對話狀態追蹤抄 LLMKT（可以直接用 code）、「別當解題機」的獎勵設計思路抄 PedagogicalRL 的論文。自己要做的只剩「把這套鏈路接到手寫遙測資料上」——而那正好是全世界都沒有的資料（所有論文用的都是打字和點擊紀錄，沒有任何一篇有真實手寫過程資料；Magnai 在 Boox 上收的落筆、停頓、塗改軌跡是文獻裡不存在的東西）。

4. 第三點修正強化：「死案考古改寫存活律」逐字拆解

4a. 什麼是「死案考古」

radar 的固定動作之一：不只看誰活著，還要挖墳——把過去二三十年做「AI 家教/自適應學習」的公司挖出來，一家一家驗屍：死了沒？怎麼死的？活著的憑什麼活？死因的共同模式，就是 Brian 未來要避開的地雷圖。

4b. 驗屍結果精選

• Knewton（美國）：曾募資 1.8 億美元的明星公司,創辦人公開吹噓他們的引擎能「半讀取學生的心智」（semi-read minds）。2019 年賤賣收場。死因：承諾遠超實力＋產品是黑箱（學校老師完全看不懂它為什麼這樣安排學生）＋討好投資人勝過討好老師。
• Korbit（加拿大）：有深度學習教父級人物 Yoshua Bengio 背書的 AI 家教公司。現在？教育產品整條線砍掉，公司轉行做「幫工程師檢查程式碼」的 AI。等於承認教育這條路走不下去。
• Riiid（韓國）：做多益考試 AI 家教起家、發過知名論文的公司。現在改名 Socra AI，員工剩 110 人，而且把宣傳詞從「AI 診斷你的弱點」改成「蘇格拉底式引導自主學習」——連他們都在主動撇清「AI 讀心」的形象。
• Querium、Cognii、Bakpax、Thinkster Math：一排小公司，網站不是連不上就是憑證過期（＝沒人在維護）。多數共同點：黑箱診斷宣稱、沒有硬證據。
• 活著的：ALEKS（25 年老店還在擴張——它用的是可解釋的數學模型，老師看得懂它為什麼這樣判斷）；Carnegie Learning（綁著教科書出版通路）；Amira Learning（只做一件窄事：聽小孩朗讀、評流暢度，而且跟兒童醫院合作做臨床級驗證）；Third Space Learning（英國，真人家教＋AI 助手混合，2026 年 4 月剛募到新資金）；松鼠 AI（中國，3000 多家實體學習中心）。

4c. 「存活律」三句話的意思

①「範疇窄＋證據硬 > 人在環」

• 「人在環」（human-in-the-loop）＝系統裡保留人類監督，AI 只當助手。像民航機的自動駕駛——飛機大部分時間自己飛，但駕駛座永遠坐著人。
• quick 版調查時的初步印象是「有人在環的公司比較活得下來」。deep 版驗屍更多之後發現這個歸納不夠準：Thinkster Math 也是真人＋AI 混合，照樣死透（網域都沒了）；Amira 幾乎全自動,活得很好。
• 重新歸納後，真正的存活公式是：主張的範圍夠窄（只承諾做好一件小事）＋證據夠硬（用嚴格實驗證明那件小事真的有效）。Amira 只做「朗讀流暢度」一件事，但拿臨床研究等級的證據背書。人在環只是達成這個公式的常見「戰術」（有人監督，AI 亂講會被攔下來，等於天然縮小了風險範圍），不是公式本身。

②「黑箱比自適應致命」

• 「黑箱」＝系統給出判斷但說不出理由。算命仙說「你今年犯太歲」——你只能信或不信，無從檢驗。「可解釋」＝醫生說「你的 X 光片這裡有陰影，所以建議進一步檢查」——你看得到推理過程。
• 驗屍結果的規律非常一致：死掉的（Knewton、Querium、Cognii）都是黑箱讀心宣稱；活最久的 ALEKS 用的是透明的機率模型。原因不難懂：家長和老師不會長期信任一個「說不出理由」的系統來管孩子的學習。
• 對 Brian 的直接含義：telemetry 計畫裡「只收訊號、AI 的推論寫成人看得懂的 markdown 檔、Brian 隨時可以打開來看它為什麼這樣判斷」的設計，正好站在死因的反面——這不是巧合的好品味，是死人堆驗證過的生存策略。

③「ITS 標籤是負資產」

• 到了 2026 年，頂著「智慧家教系統/自適應學習」名號本身就讓投資人和客戶皺眉（因為前面死了一整排）。倖存者的動作很說明問題：Korbit 直接換行業，Riiid 改名字＋改故事。
• 對 Brian 的含義：純屬品牌層面的教訓，自用階段無所謂；若 Magnai 日後對外，敘事該長在「窄範疇＋硬證據」上（例如「手寫過程的學習訊號」），不要自稱 AI 自適應家教。

5. 報告裡其他高頻名詞小辭典

• RCT（randomized controlled trial，隨機對照試驗）：把受試者隨機分兩組，一組用新方法、一組照舊，比較結果。跟新藥上市前的臨床試驗同一套邏輯，是教育研究裡最高等級的證據。報告裡反覆強調某研究「是 RCT」或「不是 RCT」，就是在標證據的硬度。
• SD／效果量（standard deviation，標準差）：教育研究衡量「進步多少」的通用單位。粗略換算：0.258 SD ≈ 從全班第 50 名進步到第 40 名左右（百分位 50→60）；0.8 SD 以上就算罕見的大效果。所以獅子山實驗的 0.258 SD 是「真實且值得敬佩、但不神奇」的進步；Dartmouth 那個 0.71-1.30 SD 數字很驚人，但它不是 RCT（沒有隨機分組，可能是本來就認真的學生更常用系統），所以要打折看。
• 獅子山 RCT：Google 在西非獅子山做的實驗（2026 年 6 月發布）：1,763 名中學生、12 所學校、8 週,隨機分組。用 Gemini 的引導學習模式輔助數學課，進步 0.258 SD。對 Brian 最重要的細節：這個實驗設計是「老師主導課堂，AI 只在 2% 的情況直接給答案」——證明「AI 當助手、引導為主」的路線在嚴格實驗下有效。
• MRBench／BEA 2025 shared task：BEA 是計算語言學界專門研究「NLP 用於教育」的工作坊。2025 年他們辦了一場公開競賽（shared task）：給你一段學生犯錯的對話，AI 要在五個項目上表現得像好老師——①有沒有發現學生錯了②有沒有指出錯在哪③給的引導好不好④回饋是否具體可執行⑤（研究用）分辨回應出自 AI 還是人。50 多支隊伍參賽。對 Brian 的用途：這五個評分軸是現成的「講解品質量表」，Magnai 要評估自己的講解好不好，直接借這套軸，不用自己發明。
• MTM（Million Tutoring Moves）：2026 年發布的開放資料集：約 4,650 段真實數學家教課的逐字稿，切出超過一百萬個「教學動作」（tutoring moves——老師的每一步：提問、提示、鼓勵、糾正……）。CC-BY-4.0 授權（只要註明出處就能自由使用，商用也行）。等於一座「老師都做了哪些動作」的原料山，未來要建名師動作庫可以從這裡挖。
• 模擬學生失真警告：有一支研究讓 LLM 扮演學生（「假裝你是個會犯粗心錯的八年級生」），用來測試 AI 家教好不好。2026 年的檢驗論文證明：LLM 演的學生不像真學生——能力分布、犯錯模式都失真。含義：拿 AI 學生來驗證 AI 家教＝自己考自己，結論不可信。Brian 手上有真學生（Ethan＋試點），這個坑天然踩不到。
• Language Bottleneck／與 learned md 同構：一支新研究主張：學生狀態不要存成一堆看不懂的數字（傳統 KT 的做法），改存成一段自然語言摘要（「這個學生分數加法熟練，但遇到帶未知數的通分會卡，且傾向在卡住時亂試」）。「同構」的意思是：這個學術路線跟 Brian 的 telemetry 計畫裡「learned md」（把對 Ethan 的理解寫成 markdown 檔）結構上是同一個東西——等於學術界替 Brian 已拍板的設計提供了背書。

6. 一頁總結（全部串起來）

1. Brian 想做的事（萃取名師看學生的直覺）有標準作業流程可抄——Stanford 的 Bridge：請專家邊看學生錯誤邊講出內心話 → 整理成「診斷→選策略→回應」三步decision模型 → 變成 AI 指令。已在 900 人實驗（Tutor CoPilot）證明有效。
2. 但全世界 146 篇後續研究都在做「平均好老師」，沒有人做「特定一位名師」（k=1）。這塊空地經過逐篇點名驗證，確定是真空地。唯一疑似的商業產品（Goblins）大概率只是克隆外表聲音的 cosplay，且查證不到細節。
3. 「感知學生狀態→決定教學動作」的技術鏈已有公開參考碼（LLMKT／tutorbot-dpo／PedagogicalRL），不用自己發明。要注意授權：有的能抄 code（MIT），有的只能學思路（無 LICENSE）。
4. 全領域的資料都是打字和點擊，沒有任何人有真實手寫過程資料——Magnai 在 Boox 上收的墨跡遙測是文獻裡不存在的資料，這是 Ethan 專案最深的護城河。
5. 死人堆教的三件事：只承諾窄範疇＋拿硬證據；判斷過程保持透明可解釋（別學 Knewton 吹讀心）；別用 AI 模擬學生來自我驗證。Brian 現行設計（透明 md、真學生、teacher/coach 在環）恰好全部站在死因的反面。

本文件是 master-teacher-perception-2026-08-07.md（deep 版）的白話解釋姊妹篇，所有事實與證據連結以正式報告為準；此處為了易讀省略了全部引用連結。