AI 自学平台中的人机边界：哪些必须用人，哪些可用技术低成本替代

原始调研报告 · 2026-06-15-human-in-loop-ai-learning-platform.md

↩ 这是原始调研报告。返回综述首页

日期：2026-06-15
适用项目：AI 版可汗学院
主题：长期动机、身份塑造、情绪挫败、开放问题、复杂作品反馈、学习习惯建立，如何用 AI / 技术 / 远程社群 / 互助网络降低真人依赖。
核心结论：人不能完全去掉，但可以从“持续讲课者”降级为“关键节点介入者、关系锚点、质量审校者和社群维护者”。

0. 一句话结论

AI 和技术可以承担大部分“认知脚手架”：路径、反馈、练习、诊断、复习、提示、可视化、目标管理。

但下面五类需求不能简单交给 AI：

孩子是否相信“我能学会”；
卡住时是否有人接住羞耻、焦虑和逃避；
面对开放问题时是否有人追问价值和判断；
做复杂作品时是否得到有品味、有标准、有期待的反馈；
低龄或弱自控学生是否建立稳定学习习惯。

最务实的方案不是“无人教育”，而是：

AI 做 80% 高频、低边际成本的学习闭环；人做 20% 低频、高杠杆的关系、判断和复杂反馈。

1. 第一性原理：为什么“人”仍然重要

学习不是内容输入，而是一个闭环：

目标 → 尝试 → 暴露错误 → 反馈 → 修正 → 再尝试 → 迁移 → 稳定掌握

这个闭环里有两类问题：

类型	本质	技术可替代性
认知问题	不会、错了、没掌握、不知道下一步	高
人性问题	不想学、怕失败、觉得自己不行、没人看见、没有方向	中低

AI 适合解决认知问题，因为这些问题可以被结构化：

知识点是什么；
前置知识是什么；
错误类型是什么；
下一题难度是多少；
是否掌握；
何时复习。

人仍然重要，是因为学生长期学习依赖三种心理条件：

安全感：我错了也不会被羞辱；
胜任感：我努力后真的能变好；
归属感：有人知道我在努力，有人期待我成长。

这三件事可以被 AI 模拟，但很难完全由 AI 兑现。因为“被看见”的一部分价值来自：对方是一个真实的人，他记得我、理解我、对我有期待。

2. 总体边界矩阵

任务	AI / 技术可解决	人是否必要	最小人力方案
知识点诊断	高	低	系统自动诊断，老师只看异常报告
个性化练习	高	低	AI 自适应路径
即时反馈	高	低	AI 提示 + 规则验答
学习目标管理	中高	中	AI 日计划 + 每周真人/同伴 check-in
学习习惯建立	中	高，尤其低龄/弱基础	远程学习教练 + 家长轻任务
情绪挫败处理	中	中高	AI 先接住，严重/反复触发真人
长期动机	中	高	榜样内容 + 社群归属 + 低频真人关注
身份塑造	中	高	成长档案 + 真实作品展示 + 导师反馈
开放问题讨论	中	高	AI 预讨论 + 同伴/老师主持关键讨论
写作/项目/演讲反馈	中	高	AI 初评 + 同伴互评 + 老师抽样精评
安全风险	低	必须	真人介入，不能完全自动化

结论：

人不应该被用来重复讲解标准知识点；人应该被用在 AI 最不稳、但对孩子长期成长最关键的地方。

3. 长期动机和身份塑造：能不能用 AI 解决？

3.1 AI 可以解决什么

AI 可以做很多低成本动作：

成长证据可视化
让孩子看到“我以前不会，现在会了”。例如错题减少、连续学习天数、掌握知识点地图、提示次数减少、能独立讲解一个概念。
学习叙事生成
AI 每周生成一段“成长回顾”：你这周最难的是比例应用题；你一开始总把单位搞混；后来你学会了先列单位关系；这说明你不是不会数学，而是需要把问题拆小。
目标分解和阶段成就
把遥远目标拆成短目标：今天掌握 1 个概念，这周完成 1 个小项目，本月能独立解决一类题。
榜样故事和身份镜像
AI 根据学生兴趣推荐真实人物故事：喜欢游戏就讲游戏设计中的数学，喜欢篮球就讲数据分析和概率，喜欢画画就讲几何和视觉。
作品档案
系统保存学生做过的解释、项目、演讲、实验，让孩子看到自己不是“做题机器”，而是在变成某种人。

3.2 AI 解决不了什么

AI 很难完全解决：

真实关系带来的承诺感
孩子知道“一个真实的人会看我的作品”，动力不同。
被重要他人认可
AI 的夸奖容易廉价化。老师、家长、同伴的具体认可更有重量。
长期身份确认
“你是一个能解决困难问题的人”这类身份塑造，需要长期、稳定、可信的关系来强化。

3.3 最小人力方案

不需要每天真人陪学，但需要设计低频关系锚点：

方案	人力成本	作用
每周 1 次 10 分钟远程 check-in	中	让孩子知道有人看见他的努力
每月 1 次作品展示日	低	用真实观众增强成就感
每周 1 条真人语音/文字反馈	低	比 AI 表扬更有重量
学长学姐榜样社群	低	让孩子看到“像我这样的人也能学会”
成长档案由志愿者抽样点评	中	降低老师负担，保留真实反馈

推荐闭环：

AI 每日陪练
→ 每周生成成长摘要
→ 学生选 1 个作品/突破点提交
→ 远程教练或志愿者给 1 条具体反馈
→ 系统把反馈沉淀进成长档案

4. 情绪和挫败处理：能不能用 AI 解决？

4.1 AI 可以做第一层响应

AI 可以承担“即时情绪急救”：

识别挫败信号
连续答错、长时间停留、快速乱点、输入“我太笨了”“不想学了”、多次退出同一知识点。
降低羞耻感
AI 不能只说“加油”，而要具体归因：这不是你笨；你现在卡的是“单位转换”；这个点很多人都会错；我们先做一个更小的版本。
切换任务难度
情绪挫败时，不要继续推同难度题。系统应该降低一步难度、给 worked example、让学生先完成一个小胜利，再回到原题。
提供暂停和复盘
休息 2 分钟；做一道更简单的题；写一句“我现在卡在哪里”；选择“看图解释/听讲解/做例题”。

4.2 AI 不能独自处理的情况

以下情况必须触发真人：

触发条件	原因
连续多天逃避同一学科	可能是深层厌学或基础断裂
出现自我否定语言	关系和情绪支持优先于知识点
学生长期低活跃	需要外部结构和真实关心
家庭冲突、心理风险、霸凌信号	安全问题不能自动化
AI 多轮干预无效	说明问题不是当前知识点

4.3 最小人力方案

设计“分级响应”：

Level 0：正常学习，AI 自动推进
Level 1：轻微卡顿，AI 降难度 + 提示
Level 2：连续挫败，AI 情绪接住 + 推荐休息/复盘
Level 3：反复挫败，进入远程教练待办
Level 4：风险语言或长期异常，必须真人联系家长/老师

低成本实现：

AI 自动生成“需要关注学生列表”；
远程教练只处理 Top 10% 异常；
每次真人介入只做一个动作：帮孩子重新开始；
不要求老师全天在线。

5. 价值判断和开放问题：能不能用 AI 解决？

5.1 AI 可以做什么

AI 很适合做开放问题的“预讨论”和“多视角生成”：

生成 conundrum-like 情境
资源有限时如何分配？学校是否应该按成绩分层？AI 帮你写作文算不算作弊？
扮演不同立场
AI 可以模拟学生、家长、老师、校长、弱势群体、反方辩手。
追问隐藏假设
你说“公平”，公平指机会公平还是结果公平？你说“效率”，牺牲了谁的利益？什么证据会让你改变观点？
生成讨论准备卡
学生先和 AI 练习，再进入同伴讨论。

5.2 为什么仍然需要人

开放问题的目标不是“回答得漂亮”，而是形成判断力。这里人重要在：

真实他者性
同伴的不同观点会让学生真正感到冲突。AI 反方容易被学生当成工具，不一定形成真实碰撞。
价值边界
涉及伦理、人生选择、社会议题时，需要成人把住边界。
讨论文化
学生需要学习如何不同意别人、如何倾听、如何修正观点。
追问质量
高水平老师的追问不是多问几个问题，而是抓住学生思维中的关键漏洞。

5.3 最小人力方案

采用“AI 准备 + 同伴讨论 + 老师抽样主持”：

AI 生成情境
→ 学生独立作答
→ AI 扮演反方追问
→ 3-5 人小组异步/同步讨论
→ 老师每周只主持 1 个高价值讨论
→ AI 总结观点谱系和高质量论证

这样老师不用参与每个学生的每一次开放题，但仍然在关键讨论中提供文化和标准。

6. 复杂作品反馈：能不能用 AI 解决？

6.1 AI 可以做初评

AI 很适合做第一轮反馈：

作文结构是否清楚；
演讲是否有论点；
项目是否有目标和过程；
科学实验是否有假设、变量、数据和结论；
代码是否能运行；
数学解释是否逻辑连贯。

AI 还可以基于 rubric 给反馈：

维度：清晰度 / 证据 / 逻辑 / 创意 / 表达 / 反思
每个维度：1-4 级
每次只给 1 个最重要修改建议

6.2 AI 反馈的风险

反馈过多
孩子会被一堆建议压垮。
反馈太平均
AI 常把所有维度都点评一遍，但不知道什么最关键。
缺少品味
好作品不只是“符合 rubric”，还要有力量、取舍和风格。
缺少关系张力
“我知道你可以更好”来自真实了解学生的人。

6.3 最小人力方案

层级	反馈者	作用
第一层	AI	检查结构、逻辑、基本表达
第二层	同伴互评	真实读者感受、互相学习
第三层	老师/志愿者抽样精评	设定品味和标准

7. 学习习惯早期建立：能不能用 AI 解决？

7.1 AI 可以做结构

学习习惯本质上是：

固定时间 + 清晰目标 + 低启动成本 + 即时反馈 + 复盘 + 重复

AI 可以提供：

每日学习计划；
任务拆分；
学习开始仪式；
番茄钟；
完成反馈；
每日复盘；
周计划；
家长提醒；
长期成长档案。

7.2 AI 不能完全解决执行力

尤其对低龄、自控弱、长期基础差的学生，最大问题不是“不知道怎么学”，而是：

坐不下来；
遇到难题就逃；
没有人要求他回来；
家里缺少稳定学习环境；
手机、短视频、游戏干扰过强。

这些需要外部结构。AI 可以提醒，但不能真正替代边界。

7.3 最小人力方案

家长只做 3 件事 - 固定学习时间； - 保证设备和环境； - 每周看一次成长摘要并说一句具体认可。
远程教练只看异常 - 谁连续 3 天没完成； - 谁连续卡在同一知识点； - 谁出现明显挫败语言。
同伴小组互相签到 - 3-5 人一组； - 每天只发“开始/完成/卡点”； - 不做复杂聊天，避免变成社交噪音。
系统自动做复盘 - 今天完成什么； - 哪里卡住； - 明天第一步是什么。

8. 远程、社群、互助网络是否可行？

可行，而且对公益项目非常关键。

8.1 四种低成本人力形态

形态	适合解决	成本	风险
远程学习教练	习惯、挫败、目标复盘	中	质量不稳定
志愿者导师	作品反馈、榜样、鼓励	低中	需要培训和审核
同伴互助小组	签到、讨论、归属感	低	容易水群或比较焦虑
学长学姐网络	身份塑造、经验分享	低	需要匹配和安全机制

8.2 推荐组织方式

不要做“大群答疑”，而要做“小组 + 任务 + 节奏”：

每 4-6 个学生组成学习小组
每组有 1 个远程教练或高年级志愿者
AI 生成每周小组报告
教练只处理异常和每周复盘
优秀作品在社区展示
高风险问题升级给专业老师/项目方

8.3 为什么小组比大群好

大群的问题：

噪音大；
弱学生不敢说；
容易变成问答案；
没有人真正负责。

小组的优势：

彼此记得；
更容易形成承诺；
更容易发现异常；
更容易展示进步；
人力可按组扩展。

9. 人如何进入系统：家长、同伴、教练、志愿者、AI 模拟同伴

9.1 总体原则

人在系统里的作用不是“盯着孩子学”，而是提供四种 AI 很难稳定提供的东西：

外部结构：固定时间、环境、节奏、承诺；
真实看见：孩子知道有人注意到他的努力；
社会存在感：我不是一个人在学；
复杂判断：开放问题、作品质量、情绪风险、价值边界。

因此，人要分层进入：

层级	角色	进入频率	主要价值
家长	环境和鼓励者	每日轻触达 + 每周复盘	提供时间、空间、情绪支持
同伴	学习伙伴 / 小组成员	每日签到或每周挑战	归属感、互相解释、共同坚持
AI 模拟同伴	陪练、对手、队友、提问者	高频	安全、低成本、随时可用
远程教练	异常处理和目标复盘	每周或按触发	帮孩子重新启动、处理挫败
志愿者导师	作品反馈和榜样	每周/每月	真实认可、身份塑造
学科老师	标准和质量守门人	低频	内容质量、复杂卡点、精评样例

推荐顺序：

先做 AI + 家长轻问责
→ 再做 AI 模拟同伴
→ 再做小组/同伴互助
→ 最后做远程教练和志愿者网络

原因是：真实同伴和真人网络有安全、运营和质量成本；AI 模拟同伴可以先验证游戏化和协作体验，但不能假装它是真人。

9.2 家长应该如何配合

家长不应该成为“第二个班主任”，更不应该成为监控者。家长最小配合是五件事：

固定学习时间 - 例如每天晚饭后 20-30 分钟； - 家长只负责“开始”，不负责讲题。
保护学习环境 - 设备可用； - 不被短视频/游戏打断； - 不在孩子学习时反复质问。
每周看一次周报 - 看懂孩子学到哪、卡在哪、下周做什么； - 不追问每道错题。
发送具体鼓励 - 不说“你真聪明”； - 说“我看到你这周连续改了 3 道错题，这说明你遇到难题会回来修正”。
按系统提示介入 - 连续 3 天未学习：提醒开始； - 连续卡住：鼓励休息或请求教练； - 出现自我否定：先接住情绪，不讲大道理。

家长不应该做：

不实时盯屏；
不把错题截图发家庭群；
不拿孩子和排行榜/别人家孩子比较；
不代替孩子操作；
不用“你都学了这么久怎么还不会”这类话。

家长端应该给的是“脚本”，不是数据堆砌。

示例：

本周孩子最需要你做的一件事：
请对他说：“我看到你这周没有跳过最难的那一关，而是回来重做了两次。这个比一次做对更重要。”
不要问：“为什么又错？”

9.3 能否引入其他人

可以，而且应该。但不要一开始做成大而全的社交平台。

推荐四类人：

角色	适合做	不适合做
同龄学习伙伴	签到、互相解释、一起挑战	私聊、情绪倾倒、无边界闲聊
高年级学长学姐	榜样、经验分享、作品点评	替代老师讲系统课程
志愿者导师	精选反馈、鼓励、成长记录	无培训地处理心理风险
远程教练	异常跟进、目标复盘、重新启动	每日陪学、讲所有题

最小可行形态：

每 4-6 个学生一个学习小组
每组一个高年级志愿者或远程教练
AI 每周生成小组摘要
小组只做三件事：签到、互相解释、作品展示
所有自由聊天默认关闭或强审核

9.4 学生和学生远程结对是否可行

可行，但要设计成“任务型结对”，不是开放社交。

适合结对的任务：

互相讲题 - A 学生把刚学会的知识讲给 B； - B 只能问澄清问题； - AI 辅助判断解释是否清楚。
互相改错 - 每人提交一道自己改过的错题； - 对方指出“错因”和“修正策略”； - 不评价人，只评价策略。
协作挑战 - 两人共同完成一个互动任务； - 每人掌握不同信息，必须交流才能完成； - 类似 Synthesis Teams，但先轻量化。
同伴费曼出口 - 学生把概念讲给同伴； - 同伴打分只看 3 项：听懂了吗、哪里不清楚、能否举例。
互相签到 - 每天只发：开始、完成、卡点； - 不要求聊天。

结对匹配原则：

维度	建议
进度	相近进度优先
能力	可略有差距，但不要碾压
年龄	未成年人优先同年龄段
性格	怕错学生不要配强竞争型伙伴
目标	考试型和兴趣型可以分开
安全	初期不开放私聊，不交换联系方式

安全边界：

默认使用平台内结构化消息；
不开放自由私聊或语音，除非有家长授权和审核机制；
有举报、屏蔽、自动风控；
AI 监测羞辱、索要联系方式、答案交易、攻击性语言；
小组活动有成年人巡检或抽样审核。

9.5 是否可以用 AI 模拟其他学员

可以，而且非常值得做，但必须透明：学生要知道对方是 AI。

AI 模拟同伴的优势：

随时可用；
不涉及未成年人社交安全；
难度可控；
可以模拟不同水平；
可以反复练习解释；
不会羞辱学生；
可用于冷启动阶段。

适合的 AI 同伴类型：

AI 角色	作用
AI 小白同学	让学生用费曼法解释概念
AI 同水平对手	做低压力 PK，速度和正确率可校准
AI 队友	共同解一个任务，提示学生分工
AI 反方	开放问题中提出不同观点
AI 错题同学	故意给出常见错误，让学生纠错
AI 观众	听学生讲解并追问不清楚处

最推荐的不是“AI 假装真人 PK”，而是：

AI 明确扮演一个学习伙伴
它会犯典型错误
学生通过帮助它来证明自己理解
系统记录学生解释质量

这比单纯答题 PK 更接近学习本质，因为“教别人”会迫使学生组织概念。

9.6 PK 和排行榜能不能用

可以用，但应该非常克制。

小猿口算的口算 PK 说明：实时 PK、积分、排行榜能极大提高传播和参与。公开报道显示，小猿口算的口算在线 PK 支持按学龄前到小学年级选择口算内容，与其他用户实时比拼，获得积分并形成排行榜。这个机制对“口算速度”这种低复杂度、答案明确、反馈极快的技能有效。

但它也暴露了风险：

高水平成年人/脚本用户涌入会破坏儿童体验；
排名会诱导刷分和作弊；
弱学生更容易被打击；
学生可能追求速度而非理解；
公开排名会放大羞耻和比较焦虑。

因此，本项目不应默认做全站排行榜。

9.7 如果做竞争，应该怎么做

推荐四种低风险竞争：

和自己比 - 本周比上周更稳定； - 提示次数减少； - 复测保持率提高； - 错后返回率提高。
小组协作目标 - 小组共同完成 30 次无辅助复测； - 小组共同完成 10 个“讲给别人听”； - 奖励集体努力，不暴露个人排名。
AI 校准对手 - AI 对手速度略高于学生当前水平； - 输赢不公开； - 目标是进入心流，不是排名。
短期主题赛 - 只针对口算、基础计算、词汇等低风险技能； - 限时活动，不常驻； - 按水平分组； - 奖励坚持、正确率和进步，不只奖励速度。

不建议：

全站排行榜；
公开班级排名；
连续打卡断了就重罚；
强制 PK；
把积分和学习权限绑定；
奖励“最快拿答案”。

9.8 排名设计的安全版本

如果一定要做排名，建议这样限制：

设计项	建议
排名范围	只在小组内或同水平段内
排名指标	进步、坚持、改错、解释质量，不只速度
排名周期	短周期清零，避免长期固化身份
可见性	默认只看自己位置，不公开完整榜单
退出权	学生可关闭竞争模式
弱者保护	连续失败后自动切换为协作模式
反作弊	服务端验答、异常速度检测、设备/脚本风控
家长端	不展示“孩子排第几”，只展示“是否在进步”

9.9 人的参与路径：从低成本到高成本

推荐路线：

P0：家长周报 + 一键鼓励 + AI 模拟同伴
P1：小组签到 + 同伴费曼出口 + AI 协作挑战
P2：远程教练工作台 + 志愿者导师点评 + 作品展示日
P3：真人主持开放讨论 + 老师抽样精评 + 区域/学校合作

这样做的好处是：

P0 不依赖复杂运营；
P1 开始引入真实同伴，但风险可控；
P2 才引入更重的人力；
P3 适合有稳定组织资源后再做。

10. 具体产品机制建议

10.1 AI 角色分工

AI 角色	任务
AI Tutor	知识点讲解、提示、练习、验答
AI Coach	目标、计划、复盘、习惯
AI Mentor	榜样故事、身份叙事、长期成长回顾
AI Facilitator	开放题预讨论、多视角追问
AI Reviewer	作文/项目/演讲初评
AI Risk Monitor	识别挫败、逃避、自我否定、长期异常

不要把所有功能塞进一个聊天机器人。学生需要的是清晰场景，而不是万能聊天框。

10.2 人类角色分工

人类角色	最小职责
家长	提供时间、空间、基本关注
远程教练	每周复盘、异常介入
志愿者导师	作品点评、榜样陪伴
学科老师	设计标准、抽样精评、处理复杂卡点
社群运营者	维护小组秩序、安全和节奏
同伴学习伙伴	签到、互相解释、协作挑战
AI 模拟同伴	低风险陪练、PK、提问、反方

10.3 升级触发器

平台必须有“什么时候找人”的规则：

信号	自动动作	真人动作
连续 3 次答错	降低难度、给提示	无
同知识点 2 天未过	生成卡点报告	教练查看
连续 3 天未学习	发送温和提醒	教练/家长 check-in
出现“我太笨了”	AI 情绪响应	若重复出现，教练介入
项目提交	AI 初评	抽样进入志愿者/老师点评
开放题争议	AI 总结观点	老师主持精选讨论
安全风险语言	停止自动推进	必须真人处理

11. 对本项目的最小可行人机协作模型

11.1 免费核心层

完全由技术承担：

AI Tutor；
自适应路径；
数学自动验答；
错误分析；
每日目标；
间隔复习；
AI 情绪第一响应；
成长档案；
家长周报。
AI 模拟同伴。

11.2 低成本社群层

由志愿者/同伴承担：

3-5 人学习小组；
每日签到；
每周小组复盘；
作品展示；
学长学姐经验分享；
同伴互评。
同伴费曼出口。
小组协作挑战。

11.3 专业支持层

由老师/项目方承担：

学科知识图谱和题目质量；
高质量作品样例；
抽样精评；
高风险学生介入；
志愿者培训；
讨论题边界审核。

11.4 最小人力配比假设

MVP 阶段可以先用这个模型验证：

1 名远程教练：50-100 名学生
1 名学科老师：负责内容质量和每周精选精评，不日常陪学
1 名志愿者导师：5-10 名学生的小组支持
AI：承担所有日常高频反馈

这不是最终组织设计，只是低成本假设。真正配比要用数据校准：异常率、人工介入耗时、学生留存、掌握提升、风险事件数量。

12. 什么情况下可以完全自学，什么情况下必须有人

12.1 可以主要自学

满足这些条件时，可以主要靠 AI 和技术：

学生年龄较大；
有基本自控；
学科目标清楚；
答案可验证；
有即时反馈；
学生没有明显厌学；
家庭能提供基本学习环境。

典型内容：

数学基础技能；
计算训练；
英语词汇和基础语法；
编程入门；
物理化学基础题；
标准化考试知识点。

12.2 必须有人参与

出现这些情况时，不能只靠自学：

低龄学生；
自控力弱；
长期基础差；
反复逃避；
明显自我否定；
写作/项目/表达需要高质量反馈；
涉及价值判断、人生选择、伦理讨论；
出现心理或安全风险。

13. 最重要的产品原则

能自动化的不是“教育”，而是教育中的高频认知反馈。
人最贵，所以人应该只出现在最高杠杆的位置。
AI 可以陪学生练，但不能成为唯一见证者。
孩子需要的不只是答案，而是“我能学会”的证据。
社群不是聊天群，而是低成本关系网络。
老师不是讲课资源，而是标准、关系、判断和复杂反馈资源。
最小人力不是没有人，而是让每一分钟真人介入都产生复利。
公益项目的关键不是复制贵族私校，而是把高质量教育中的关键人性环节拆小、远程化、社群化、志愿者化、AI 辅助化。
同伴机制优先做归属、解释和协作，不默认做公开排名。
AI 模拟同伴可以高频使用，但必须透明，不能假装真人。
竞争只适合低风险技能和短周期活动，不能成为核心学习关系。

14. 建议进入 PRD 的功能清单

P0

AI Tutor：提示式解题，不直接给答案；
数学自动验答；
错误类型识别；
每日目标；
连续挫败检测；
家长周报；
成长档案；
人工介入触发器。
AI 模拟同伴：小白同学 / 错题同学 / 校准对手。

P1

AI Coach：每日计划和复盘；
3-5 人学习小组；
同伴费曼出口；
小组签到和协作挑战；
远程教练工作台；
志愿者导师点评入口；
作品展示；
AI 初评 rubric；
每周精选真人反馈。

P2

AI Facilitator：开放题多视角讨论；
Conundrum 题库；
学长学姐榜样网络；
社区挑战赛；
短期同水平主题赛；
老师精评案例库；
志愿者培训系统。

15. 参考来源

Bloom, B. S. (1984). The 2 Sigma Problem：https://web.mit.edu/5.95/readings/bloom-two-sigma.pdf
VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems：https://doi.org/10.1080/00461520.2011.611369
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of Intelligent Tutoring Systems：https://doi.org/10.3102/0034654315581420
Hattie, J., & Timperley, H. (2007). The Power of Feedback：https://doi.org/10.3102/003465430298487
Durlak et al. (2011). The Impact of Enhancing Students' Social and Emotional Learning：https://pubmed.ncbi.nlm.nih.gov/21291449/
CASEL SEL meta-analysis summary：https://files.casel.org/impact-enhancing-students-social-emotional-learning-meta-analysis-school-based-universal-interventions.pdf
Self-Determination Theory：https://selfdeterminationtheory.org/theory/
Peer tutoring in mathematics meta-analysis：https://www.ejmste.com/article/peer-tutoring-and-academic-achievement-in-mathematics-a-meta-analysis-5265
Self-regulated learning interventions meta-analysis：https://www.tandfonline.com/doi/full/10.1080/0144929X.2022.2151935
Bastani et al. Generative AI Can Harm Learning, PNAS：https://www.pnas.org/doi/10.1073/pnas.2422633122
小猿口算口算 PK 功能报道（实时 PK、积分、排行榜）：https://app.xinhuanet.com/news/article.html?articleId=d8b06038c4cf4dd3e32c5fc653f3419c
小猿口算优化 PK 匹配机制报道：https://news.qq.com/rain/a/20241012A08A1000
Duolingo gamification dark nudges / leaderboards critique：https://arxiv.org/pdf/2203.16175
Social presence in online learning meta-analysis：https://www.sciencedirect.com/science/article/abs/pii/S0747563217300742
Social interaction and online learning efficiency for middle school students：https://pmc.ncbi.nlm.nih.gov/articles/PMC11505076/

↩ 这是原始调研报告。返回综述首页