摘要：从一条读者留言出发，谈谈教师如何用真实课堂证据，与AI共同建立一个可以持续修正的学习者模型。AI为什么写不好个性化教案？因为它并不真正认识学生
最近，我在小红书分享了一篇文章：《我为什么不让AI直接写教案》。文章发布后，有位读者留言，大意是：“建立学习者模型非常困难。想真正了解一个人学得怎么样、他的认知框架是什么，输入很多，而且往往很模糊。”看到这条留言时，我的第一反应是：他说得对。
即使是一名长期进行一对一教学的老师，也很难声称自己已经完全了解一个学生。学生在不同时间、不同任务和不同情绪状态下，可能表现得完全不一样。那么，我们真的能让AI“认识”一个学生吗？如果不能，所谓的“个性化AI教案”又是建立在什么基础上的？这正是我在设计AI学习设计Agent时，越来越重视的问题。
一、AI写教案很快，但它并不真正认识学生
如果我们输入：“请为一名低年级英语学习者设计一节40分钟的自然拼读课。”AI很快就可以生成一份结构完整的教案：
表面上看，这份教案什么都有。但问题是：AI并不知道眼前这个学生为什么需要这节课。同样是“不愿意读”，背后的原因可能完全不同：
目标音素还没有掌握；
能够解码，但拼合速度较慢；
理解内容，却担心读错；
口头表达没有问题，但书写负担较大；
纯文字材料使学生失去兴趣；
任务持续太久，注意力开始下降；
学生当天的情绪状态影响了参与。
如果没有真实的课堂观察，AI只能根据“一年级”“自然拼读较弱”“注意力不集中”等宽泛标签进行推测。这些标签看起来提供了信息，却很容易遮住学生真正的学习需要。所以，我现在越来越谨慎地看待“AI个性化教学”。教案生成得快，不代表个性化已经发生。
二、什么是“学习者模型”？
我以前会把学习者模型理解成一份相对完整的学生画像：学生擅长什么、困难是什么、喜欢什么、怎样学习效果最好。但在真实教学中，我逐渐意识到，学习者模型不应该是对学生的固定定义。它更像是：教师根据持续观察形成的、可以被新证据修正的工作假设。它不是在说：“这个学生就是视觉型学习者。”而是在说：“最近三次课堂中，这名学生在使用图片和颜色编码时，开始任务的速度更快；但目前还不能确定视觉材料是否提高了他对目标规则的掌握。”前一句是标签。后一句是基于证据、保留不确定性的教学判断。真正有价值的学习者模型，不应该把学生装进一个固定的盒子里，而应该随着课堂证据不断更新。
三、建立学习者模型，需要哪些证据？
我目前尝试把信息分成四层。
第一层：基本背景，包括：
年龄与年级；
语言背景；
正在使用的教材；
当前学习目标；
课程频率；
已知的学习经历。
这些信息帮助AI理解基本情境，却不能单独支持个性化判断。
第二层：当次课堂观察，这是最重要的一层。
与其写“学生今天表现不好”，不如记录：
8个目标词中独立读对5个；
读到某个字母组合时停顿；
在教师提供第一次提示后完成；
看到图片后更愿意继续尝试；
大约12分钟后开始转移注意力；
口头能够表达，但拒绝书写。
这些可观察行为比“能力弱”“没有兴趣”“注意力不好”等评价更有价值。
第三层：跨课时趋势
一次课堂表现可能受到很多偶然因素影响。因此，我们还需要比较：
同一种错误是否反复出现；
学生是否逐渐减少对提示的依赖；
某种支架是否多次产生相似效果；
学生在有支架和无支架时有什么差异；
参与度提高以后，学习结果是否同步提高。
只有经过多次观察，我们才能更谨慎地说：“这个策略可能正在起作用。”
第四层：教师的专业判断
数据不会自动告诉我们该怎么教。即使Agent发现学生在图片支架下参与度提高，教师仍然需要判断：
图片帮助的是理解，还是只增加了兴趣？
学生是真正掌握了规则，还是依赖图片猜词？
下一节课应该继续使用支架，还是逐渐撤除支架？
今天的表现是稳定趋势，还是受到情绪和疲劳影响？
Agent可以发现模式，但解释模式仍然需要教师。
四、输入很多而且模糊，怎么办？
那位读者提出的另一个重要问题是：关于学生的信息不仅很多，而且常常非常模糊。这确实是学习者模型最难处理的地方。我的解决思路不是要求Agent一次性“搞懂学生”，而是要求它把所有判断分成四类：
1. 已观察事实
教师真正看到、听到或记录下来的行为。例如：“8个目标词中独立读对5个。”
2. 暂时推测
根据事实提出的可能解释，但还没有被证明。例如：“学生的困难可能与拼合速度有关，而不一定是没有掌握目标音素。”
3. 未知信息
当前没有足够证据，不能为了让分析完整而编造答案。例如：“尚不确定图片支架是否真正提高了解码能力。”
4. 下次验证
把不确定的问题变成下一节课可以观察的任务。例如：“下次分别使用有图片和无图片的两组同类词，比较独立解码表现。”
这四个部分可以形成一个简单循环：事实 → 推测 → 未知 → 验证
这样，Agent的目标就不再是装作已经理解学生，而是帮助教师更清楚地看见：
我们目前知道什么？
我们正在推测什么？
我们还不知道什么？
下一步怎样获得更可靠的证据？
五、一个支架有效，不等于学生已经学会
这是我在使用AI进行学习设计时特别想提醒自己的地方。例如，一名学生看到图片以后，更愿意开始阅读，也坚持了更长时间。我们可以说：“图片支架可能提高了学生的参与意愿。”但我们不能马上说：“图片支架提高了学生的阅读能力。”因为参与度和学习结果不是同一件事。要判断学习是否真正发生，还需要继续观察：
撤掉图片以后，学生能否独立完成？
学生能否把同一个规则迁移到新词中？
正确率是否在后续课堂中保持？
学生是否逐渐减少对教师提示的依赖？
AI很容易根据一次积极表现生成“学生进步明显”之类的结论。教师则需要帮助它保持克制。
六、AI与教师应该怎样分工？
在这个过程中，Agent可以帮助我：
整理零散的课堂笔记；
归纳可能的错误类型；
比较多次课堂数据；
提出一到两个备选解释；
推荐相应的教学支架；
生成教案与材料初稿；
提醒我下一次需要验证什么。
但教师仍然必须负责：
观察真实的学生；
判断记录是否准确；
理解当时的课堂情境；
修正AI的错误推测；
决定最终教学目标；
与学生建立关系；
为教学决定承担责任。
AI拥有的是信息处理能力。教师拥有的是情境判断、关系理解和专业责任。这两者不能互相替代。
七、我想建立的，不是一个“看透学生”的AI
我并不认为，只要输入足够多的数据，AI就能完全理解一个学生。人不是一组可以被彻底计算的数据。学生会成长，会变化，也会在不同关系与情境中表现出不同的自己。因此，我真正想建立的，不是一个能够“看透学生”的系统，而是一个由教师和AI共同维护的动态学习记录：
它承认信息不完整；
它区分事实与推测；
它允许过去的判断被修正；
它要求每一个建议都说明依据；
它把不确定性转化为下一次课堂观察；
它最终仍然把决定权交给教师。
AI不必彻底搞懂一个学生，才可以帮助教师。但它必须诚实地知道：自己知道什么，推测什么，以及还不知道什么。而教师需要做的，也不是把学生交给AI分析，而是让AI帮助我们更认真、更持续地观察学生。也许，这才是AI个性化学习真正应该开始的地方。
⸻
你在记录学生学习表现时，更常使用总体印象，还是具体的课堂证据？
欢迎分享你的经验，也欢迎继续挑战这个框架。
说明：
本文框架与教学判断由作者原创，AI协助整理和排版。文中案例经过匿名化与情境重构，不对应任何一名学生的完整真实档案。
