Yingkui

Yingkui

Solving Problems. Making Progress.

4.4 对验收材料的改良

教学材料的好坏,是在同等算力下,学习者得到的信息值多寡

验收材料的好坏,是在同等算法下,测试者得到的信息值多寡

不要为了区分,而难为学生;要为了传播知识,而激励学生

对于不同的考试,我们自然并不会使用一样的要求标准。

对于一个资格性的考试,应该更多的侧重于对必备技能的考察,对知识储备的检测,对关联熟练度的考察。

对于一个选拔性的考试,尤其是类似中国高考这样,要对学生解决问题的能力进行区分的考试,应当考察学生解决问题中对通用策略的使用,逐步的增加难度,可以是必备技能的一种变形转化,或者是多个技能的结合应用,也可能是一个需要探索尝试的创新情景。

但与此同时,类似高考这样的考试,有着教学指挥棒的作用,应当为了提高知识的普及率,加大资格性考察的比例,让学生学有所得,有的放矢。可以开源题目库,甚至是开源生成考题的算法,这样的好处,有利于整体学生知识储备和思维能力的改善,而不是为了选拔,放弃了促进整体认知能力提升的功效。

而本节所谓的改良,就是希望验收材料,要让考生更有信心,有努力的方向,有努力后获得技能的成就反馈,而不是为了区分而一味的难为学生,考察频率低、通用性弱的技能。

也正如前节所述,过多的弱信号、弱策略、窄入口的考察,无法区分学生在某一领域的熟悉度和解决问题的半径,无法区分学生在某一领域内投入精力的多寡,从而为进一步学习或者解决相关问题提供足够的信息依据。

4.4.1 技能考察对技能结构的影响

我们可以假想这样一套考题,

  1. 这个考题的覆盖面广,横跨十几个学科,计算机科学,生物学,历史,微积分,地理

  2. 而且考察的每一道题,都是在100个需要较长训练时间的技能中随机抽取一个

其难度,是可想而知的,对于一个考生来说,是很难准备这样的一个考试的。

但现实生活中,我们并不会经常遇到这样的场景,但如果考题出的很难,就会变成一个辐射型的技能关系,也就是说一个技能的学习,并不能为你解决另外一个技能提供太多帮助,例如,下图所示的知识结构:

辐射型技能的关系图

对于这种辐射型的技能,如果每一个点训练时长有限,那么训练的回报率还可以接受。但如果,每一个技能的训练周期很长,就会导致训练的回报率变得很低,会极大地增加学生的挫败感。

但如果命题者,总是考察低频的外环的技能,而不考察中间的可以简化的技能,可以认为是作为命题的一种失误。一来,造成学生备考中的一种混乱,过高的门槛将学生拒之门外,二来,评价缺乏区分度,使得学生要进行大量的训练时长之后,才能体验到学有所成的成就感。但和之前所描述的硬拔式教育相同,虽然对于一个学习能力很强的学生,可能设置这样一个困难的挑战,会加快TA对技能的遍历,但作为一个为普遍学生群体提供内容的教学者来说,这么做是不负责任的。

混乱和随意是不需费力的,但秩序和结构却是要用心和动脑的

对于一个出色的命题,应该对于学生基本技能的掌握有所考察和体现,从基于工具的角度,对基本技能周边可以探索和转化的技能,应当有所侧重,而减少零散的,特例化的技能的考察。如果对考察频率进行分析,绘制出技能的关系图,技能节点间关联度较高的关系图,一个训练回报率合理的技能分布,应该是命题人追求的目标,而不是简单的、粗暴的追求区分,甚至达到了刁难学生的地步。如果想难为学生,并不是一件困难的事;但如何一石多鸟的达到激励、考察和区分的题目,才是需要大量智力投入的。

考试是为了区分能力,不是为了区分分数

对于一个不太出色的命题,会造成评价上的低效,也就是说,无法区分和识别一个掌握了相应技能的学生(算法),有如一个机器学习的测试样本和训练样本相差甚远,那么机器学习所生产出的算法就无法判断其高效性。也就是说,从测试目的出发,测试效率很低。

对于一个考试题目,我们应该对其进行信息量分析。

【案例】低信息量的试题

若 $\ln (x+1) \leqslant ax$, $ab^2 - 2b + 1 = 0$ ,求 $b$

这样一道试题,结合了一元二次方程和导数,但是因为求 $a$ 的本身难度很大,使得这个题目难以识别一个学生是否掌握了一元二次方程。

教育的目的是为了让学习者更高效、更有学习动力的提高自我,粗糙的验收材料,和粗糙的教学材料一样,可能会阻碍教育目的的达到。

教学、验收、技能的关系图

对于教学材料的制作和评价,和对验收材料的制作和评价,应该是相对独立进行分析的。

通用能力的考察

  1. 未来学习场景的模拟