首先，关于本书。书中提供了一些非常实用的指南，对于想要设计课程的人来说会非常有帮助，但是对于想要刨根问底的人来说，读起来可能会非常难受，因为书里对提供的指南缺乏验证，仔细推敲的话很多实验到结论都是站不住脚的。实践意义大于学术意义，难怪这本书会作为CMU研究生课程(METALS)的课本。此外值得微吐槽的一点是，书里的citation大多居然都cite了作者本人。这种非常知乎的做法很不可爱。最后就是本书每一章之间存在大量的重复内容，读到最后「does not comply with how people learn」大约出现了二三十遍，类似这样的段落倘若删去的话页数可能还不到目前的一半。有点好笑的是，书里提到的很多原则比如近似原则，本身也在书里被违反，往往文字在这一页，图例在前面好几页甚至前面好几章。

其次，关于这篇读书笔记。因为最近在执行每个月两本「存在遥远而微妙的关联」的书，本月跟这本书一起读的是著名的书架填充神器——大家都买了但是大家都没读完的Daniel Kahneman的Thinking, fast and slow (以下简称Thinking). 因此读书笔记里有时候会出现两本书对照的观点。

此外，有夹带大量私货。以☞ 注明。

Chapter 1. e-Learning

1. 试图总结出一套放之四海而皆准的教育方法就如同约瑟夫·阿尔伯斯在《色彩构成》里提到的试图总结出一套万用的配色方案一样，根本就不可能。learner的具体情况（比如prior knowledge和learning style），教学目标，经费等等都是影响因素。事实上教育方法确实是越various，越customizable越好的。而customizability是传统课堂最大的硬伤，也是e-learning最有希望解决的问题。

2. 两个概念：Psychological Activity和Behavioral Activity。前者指的是learner思维的活跃度，后者指的是learner行为上的活跃度。而评估一个学习的过程是评估learner思维的活跃度而不是行为上的活跃度。也就是说，tutoring的过程重在使learner积极思考，而不是keep them busy。 ☞ 说到这个让人想到很多老师喜欢在课堂里让学生疯狂抄写板书，可能就是因为把Behavioral Activity作为了评估教学的标准，好像只要学生一直都很忙就说明学生投入了，因此教学就是有效的。此外有些学生可能上课非常积极，但是学习效果并不好，也有可能是因为学生自己在观念上用Behavioral Activity来评估了学习。总之，身体上的勤劳，头脑上的懒惰很容易让人误以为自己很努力了，进而误以为学习是有效的。

3. 教学的目标

4. Inform (receptive learning)：被传授，并且记忆某种知识。（记忆的定义：今后可被提取）← 纯学科比较多见

5. Perform Procedure (soft skill, near transfer): 被传授，并且记忆某个操作流程。（记忆的定义：今后可被重复再现）← 职业培训比较多见

6. Perform Tasks (hard skill, far transfer): 掌握某种higher level的策略并且能够far transfer ☞ 4. 与之前的知识结合 ☞ 5. 养成习惯或肌肉记忆 ☞ 6. 培养好奇心 ☞ 7. 树立正确的观点（历史观，政治观等）

☞ 4. 教育产业的割裂 在我看来教育产业存在两种割裂：学术→产业的割裂，产业→学术的割裂。先说第一种。 学术→产业的割裂：作者提到许多edu tech的学术研究仅仅是学者们在自嗨，并没有真正被用到产品里面去。学者们的理论是一套，现实里的产品迭代时根本没有人会去读论文做实验，导致研究成果最后停留在实验室里。 产业→学术的割裂：但是这并不全是现实世界的锅。教育学真的太土了。作为HCI下面的一个分支，在互联网产品的用研已经妖魔到用上heat map和眼动仪，游戏产业已经从VR，AR走到MR，游戏设计发展为一个学术领域的今天，edu tech的学术研究课题依然停留在一些基本问题，始终不见进步。原因大家心里都明白，缺乏利益的驱动，所以有的时候看着那些糟糕的教育产品真的有种哀其不幸怒其不争的感觉。 抛开学术落后于时代这个问题，edu tech作为一门社会科学，研究方法和实验方法的严谨性都令人发指，简直不像是一门科学。尤其是e-learning，归根结底是产品导向的，如果没有一个真正的产品，在真正的学习环境，用真正的用户做实验，而是做了一个玩具般的蓝天产品，除了要验证的feature以外别的因素都没有好好考虑，把数量少到（多的二十来个，少的个位数）根本无法排除个体差异的测试者们领去实验室（使其脱离正常的学习环境），在研究者关切的注视下（产生干扰）使用为实验而设计的产品（结论无法推广），结果根本不可能准确。这样的研究就算得出结果，也无异于是先射箭再画靶子，说得不好听就是为了论文而做的研究，最后论文也是灌水。（所以Elon Musk不愿意读博，说70%的论文都没用，以前觉得这人狂傲，现在想来只想叹气。） 之前跟友人谈到在所有的研究者里，hard science看不起应用科学，应用科学看不起经济学心理学，所有人都看不起教育学家。我觉得，活该。

---

Chapter 2. How Do People Learning from e-Course?1. 这里感觉作者把e-learning和e-training混为一谈，但我觉得它们其实根本是两码事。本书更侧重的是e-training（搜了一下作者的背景，似乎拥有一家edu tech的咨询公司，因此会侧重e-training也是不可避免的）。个人觉得e-learning可以自称一书，因为往往e-learning是一个更长期，注重理解的过程，而e-training更短期，且注重实效（实际apply知识）。

2. 希腊作家普鲁塔克说，The mind is not a vessel to be filled, but a fire to be kindled. 这句话可以概括本章内容：学习不是把知识灌进learner的脑中，而是应该把learner视为active sense maker，让他们参与到教学的互动中来。（Thinking中也有提到说，心理学的学生即便知道了一个关于人的认知上的知识，也不会推广到自己身上。除非他们亲身体验到自己这样的认知过程。也就是说，教学的过程需要engagement。）

3. Cognitive load: information to be held + information to be processed 人的cognitive channel (视觉channel，听觉channel等) 及其容易被overload。因此要：

• 减少extraneous
• 采用合理的难度梯度
• 单个channel不要load太多信息 ☞ 作者在书里提到说人的cognitive能力跟计算机相比非常糟糕，这一点不太同意。事实上作者这里说的cognitive能力，或者说working memory，指的即是Thinking的作者Daniel Kahneman提出的System2 (显性的理性思维)。人类的显性的理性思维确实非常糟糕：虽然精确，内存小，速度慢，容易被干扰，而且能不开启就不开启。这一点上计算机非常强大。然而人类在千百年的进化中还发展处了System1（隐形的直觉），它常年开启，内存大，速度惊人，而且非常强势——但是它因为缺乏理性所以容易陷入直觉陷阱。 读到这里开了个脑洞：
• 有办法expand System2的capacity吗？（比如通过大量练习——事实上很多高强度练习在做的事是将System2的load转化为System1的直觉。想到灌篮高手里樱木问流川枫为什么他能看出对方的假动作，流川枫回道，「经验」。）
• 现今的学习方式几乎100%是利用System2来进行的，也许System2的惰性正是导致大多数人不愿意学习的原因。有办法尽可能利用System1学习吗？ 事实上，人在脑内跟自我沟通的时候绝大部分时间用的都是System1，它是模糊的，印象的，甚至不包含显式的语言，这也是为什么经常我们以为自己「想清楚了」，在跟别人解释的时候却发现困难重重。因为虽然我们也许想清楚了，却并没有想好如何利用System2把它转化为语言——即人类通用的符号来表达给别人听。也就是说，如果人类可以用System1交流的话，甚至不需要语言，文字，符号，公式，代码，那效率简直………… 扯远了。

4. 学习的过程：

• selecting words and images
• organizing words and images
• integrating with existing knowledge

---

☞ 那么问题来了：what stands out to leaners in text flow? 在以前我会觉得cognitive overload可以用高亮，加粗，更合理的排版和信息层级等解决。这完全是设计师思维。然而Daniel Kahneman提到，使用更难读的字体和更模糊的对比度可以enhance learner performance，因为这帮助他们开启System2 —— 这听着简直就是邪教，于是我迷思了。这一块目前还是存疑。

5. 在设计课程的时候可以注意埋下retrieval hooks，方便learner之后提取知识。

---

Chapter 3. 关于如何做实验

☞ 这是我最想读的一章，以为会有很多干货，然而并没有。: /

1. 评估实验报告legitimacy的3项准则：

• experimental control: 实验组和控制组需要控制变量，除了测试feature以外别的条件都需要保持一致
• random assignment: learner should be randomly assigned to groups
• appropriate measures: 必须报告M (mean), SD (standard deviation), n (sample size)

2. 实验报告无效的常见原因：

• 测试的feature没有起到任何作用
• 样本不足（Thinking里也吐槽了这个问题，说社科类学科的实验样本数少到令人发指）
• 改变未能被测量
• 测试组和控制组区别不明显
• 变量污染（未能控制变量）

M (Mean): average, 平均值 SD (standard deviation): how spread out the scores are n (sample size): 样本数 （☞ 多少不算「少」呢？） 高质量的教育成果的特征是高M和低SD

probability：实验组和控制组之间的差值并不反映实际差值的概率。一个有效的实验probability需要小于0.05。（☞ 书中没有提到如何计算这个probability） effect size: (Mean A - Mean B) / Number of people in control group。effect size大于0.5的实验被认为是比较有效的实验。 (☞ 关于effect size可以读It's the Effect Size, Stupid, Robert Coe, 2002, British Educational Research Association)

在选择instructional method的时候，可以考察大量运用某个method的实验的effect size并取平均值。

☞ 可能是因为这本书的方向偏向应用，我个人所感兴趣的实验方法并没有提及，只是指导了如何解读实验结果，讲得也是相当粗浅。非常想知道有没有类似于「社科领域实验设计指南」这样的书，觉得非常需要读一读。

---

Chapter 4. 关于图文设计☞ 1. 书中管所有text+graphic的形式都叫做multimedia。个人觉得偏颇了。media有且不仅限于： 书本，网页，软件，移动端app，VR，AR，MR，field study，实体材料以及它们的结合。 这些载体可承载文字，符号，图像，动画，交互，音乐，音效，气味，触觉，温度以及它们的结合。 这里面任何几项的结合都可以是激动人心的，这里把multimedia定义为text+graphic未免画地自限。

2. Pictures should not be an after thought. 在设计material的时候就考虑哪些信息可以用别的形式来设计。

3. 图的形式 Decorative：纯粹装饰性的图 Representational：列举出事物外形的插画（如百科全书的插画） Organizational：表格，地图，diagram，infographic，思维导图等（跟relational的区别是organizational graph有点像是一个atlas） Relational：图表（饼图，折线图什么的） Transformational: 动画，视频 Interpretive：画出不存在的/抽象概念的图（deep learning的node，分子结构图等） ☞ 连环画（wait but why那种） ☞ 交互动画☞ 整体环境（图像元素即主体，比如virtual lab） ☞ 上述的结合，比如连环动画，交互图表，交互插画等

4. Content的分类 Facts: 互不关联的单一信息。 eg.「高尔基体以神经解剖学家、神经组织学家和病理学家卡米洛·高尔基命名。」（Representational，Organizational） Concepts: 概念。 eg. 「高尔基体是真核细胞中的一种细胞器。」 （Representational，Organizational，Interpretive） Process: how it works的描述。eg.「来自内质网的囊泡与高尔基体顺面融合并将其内容物倾入高尔基体腔。在运向高尔基体反面的过程中这些蛋白质被修饰。被处理后的蛋白质到达高尔基体的反面后就再被装在运输小泡里运到它们最终目的地。」(all) Procedure: 以完成任务为目标的一波操作。eg. 「科学方法涉及了以下步骤：观察，提出问题，提出假设，预测结果，设计实验测试假设，分析，如此往复。」(all) Principle: 原则。eg.「effect size大于0.5的实验被认为是比较有效的实验。」(all)

☞ 25 Learning Principles 书里提到Association of Psychological Science于2007年发表了这段内容。相比这本书，倒是觉得这段内容里提供的建议更偏向non-workforce learning。 内容如下：

1. 相关信息，图文位置要近
2. 在教授一个全新的领域之前，通过给learner提供atlas，明确用词和指代，提供glossary表等方法确保instructor和learner start from a common ground
3. 利用2种左右的感官通道（☞并没有看到利用多种感官通道会hurt performance的依据，想要做实验）
4. 要有小测验 5)学完不要马上测验，要有cool down
5. 当learner在一开始就知道将会有final exam时会学得更好
6. learner自己generate答案比让他们recognize答案学习效果更好
7. 与其提供现成的文本让learner去读，不如让他们自己去组织和获取信息效果好
8. 不论听起来多么诱人，不要提及不相关的内容（☞曾经立志想做旁征博引的讲师，但是有没有可能虽然旁征博引的老师更受欢迎，但是很容易导致罗永浩说的「讲的课全都忘了，扯的淡栩栩如生」？）
9. 故事比其他learning materials更容易理解、记住（☞取决于学生能不能make transfer，如果不能，故事就不如平铺直叙。analogy在教学中的效果有待商榷。）11) 在讲述抽象概念时，多个🌰比单个🌰要好。（☞实验一则：🌰数目的理想range在哪里？Gin之前嫌我说话举例太多很烦，所以🌰应该不是越多越好的）
10. 需要给learner及时提供反馈
11. 有时learner会记住错误的选项。解决办法是立即提供有关错误的反馈并强调正确答案
12. 为信息获取增加一点难度可以使learner记得更牢（☞想起研一的时候跑遍全纽约找Banksy的画，因为过程困难，感官通道丰富所以记忆深刻）
13. 不要把教材搞得像拉斯维加斯的酒店一样花里胡哨的，信息和教材要极简
14. 把信息切成小块，一次喂一小口
15. 先让learner去解释，去think aloud，再提供解释，并且注重explain why
16. 注重深层问题如why, how, what if, what if not, 而不是浅层问题如who, what, where, when
17. 当存在obstacle to goal，conflict，contradiction时，容易激发deep learning（☞ 噗）
18. 当对一个phenomenon在广度上存在多样的角度，深度上又可深入挖掘时，容易learn deeper
19. 材料难易度需要fit进Goldilocks zone. instructor需要根据个体不同的ZPD (Zone of proximal development，即在完全没有协助的情况下可以做到的最好程度)决定是否提供scaffolding协助，力求一步步减少协助，take student's mind step by step forward，直至学生可以独立完成任务
20. 学生大多对自己的知识架构、学习方法等的评估不准确(metacognitive不佳)，需要指导23) 大多数学生在没有足够精心设计的affordance时难以自行发现重要的principle，需要仔细设计affordance和scaffolding（鹰架）
21. 要指导学生调节自己的认知过程和学习方法，即提升学生的metacognitive（授之以渔）
22. Anchored Learning，以解决问题为目标的学习效果好

5. Expertise reversal effect: 在使用统一的材料时，有perior knowledge的learner可能不仅不会得到提升，甚至可能还会使他们感到挫败。

☞ 实验一则：customized content是否通过reduce extraneous提升performance？ 实验组：先测试，然后阅读去掉答对题之后的材料，再测试 对照组：先测试，然后阅读未经修改的材料，再测试

☞ 不基于学科和具体学习目标讨论「learning process」和「instructional method」都是耍流氓。（The Cambridge Handbook of Multimedia Learning第一版里的论文有按学科分类，后来的版本这个section居然没有了，令人惋惜）

---

Chapter 5. 近似原则

☞ 近似原则设计里也有，大致意思就是相关信息在物理上的距离要靠近。衍生到教学，我觉得除了图文信息本身的设计外，还有相关度大的信息在时间线上放到一起讲。（时间是线性的，如何在线性的时间里利用近似原则？时间的线性本身也是很多线下学习者感到困难的原因——无法停下，快进，跳过或者重新组织内容）

1. 图文要近，图声同时：不要同时播放动画和文字，因为它们会争夺注意力。可以在animation上加一个play button。narritive的音轨可以与图片信息同时播放，因为它们不在一个channel内造成冲突。

---

Chapter 6. Audio比纯文本好……一般情况下

1. 信息以音频呈现比用文本呈现学习效果更好。但是对以下情况未必适用:

• 材料里没有图只有文字
• 重要概念
• 复杂的概念
• 新的概念
• 以后需要重复找出来复习的文本
• learner不是native speaker
• learner已经非常skilled，学会跳读

☞ audio与文字和图像相比有一个特殊的性质：它是线性的，单向的。这意味着： a. Audio无法refer back，占据learner的working memory b. Audio没有信息层级，难以被强调，一切都一样重要 c. Audio无法精确跳过部分信息，快速定位到某个具体的信息点 事实上相当一部分学习者偏好通过交互文本来学习，而不喜欢视频和音频，也许audio/video这一特性有很大的因素。或许audio也许不影响performance，但因为上述性质影响学习效率。需要做实验进一步研究。

---

Chapter 7. Redundancy

1. 一般情况下，对于已经有语音讲解的图片不要再配文字。一些特殊情况包括：ESL(English as secondary language) learner, 含有生僻或专业词汇，句法和内容复杂，只配一些关键词（signaling）。

---

Chapter 8. Coherence Principle

1. 不要加乱七八糟的音效和背景音乐

2. Arousal theory: entertaining and interesting embedded effects cause learners to become more emotionally aroused and therefore they work harder to learn the material. Arousel theory predicts that students will learn more from multimedia presentations that contain interesting sounds and music than from multimedia presentations without interesting sounds and music.

☞ 本书作者驳斥了 Arousal theory，认为它增加了cognitive load，一般来说对学习效果有害无益，并且举了一个为装填弹药教学增加爆炸音效的教学例子。但是个人觉得书里提到的实验至多只能证明「与教学topic大致契合却无深度记忆联结的背景音效对短期以Perform Procedure为目标的学习没有帮助」，至于是否有趣，能否推广到其他声音（白噪音/背景音乐/歌曲/其他音效）乃至其他多媒体内容，能否推广到广义的学习过程，都需要单独拎出来论证。 原因如下： a.装填弹药教学属于学习这个大范畴下workforce learning下面的一个例子，无法推广到所有的教学过程，again，不基于学科和具体学习目标讨论「learning process」和「instructional method」在我眼里都是耍流氓。 b.爆炸的音效和边上非常cheesy的插图只是作者个人认为的「interesting」。是否有趣是一个非常主观的概念，能否arouse learner也是因人而异的。仅仅加上音效并不代表音效一定「interesting」。 c. 整个教育领域对「有趣」的理解似乎都相当肤浅和低级，好像只要有插画，不论其审美价值，都是「有趣的」，只要增加音效，都是「entertaining」的。至今教育者理解的「有趣好看」都停留在90年代ppt廉价的音效和能够把设计师气到脑中风的图像设计（渐变扭曲的按钮，剪贴画风格的插画，粗制滥造的3D人像）。事实上什么样的视觉、听觉效果可以arouse学习者本身就是一件非常微妙的事，值得专门开一个领域研究，而教育者在设计上不用心(或者说缺乏训练)，用粗制滥造的材料做了几个实验就匆匆得出结论说「有趣的内容对学习没用」，这种画地为牢的做法阻止教育者以更细的粒度去探索更好的教育模式，是edu tech难以进步的根本原因之一。如今microinteraction已经是人机交互设计的一个细分领域了，探讨和研究许多精微的操作和图文的细微区别对UX的影响，而edu tech谈论起instructional content design的时候却好像对这些一无所知。sigh。

3. 不要加乱七八糟的图片

☞ 4. 设计门外汉和专业设计师的一个区别在于会不会纯粹为了装饰而设计（即制造视觉糖）。专业的设计里每一个元素都是有意义的，不存在纯粹作为装饰的元素。但是，一个元素是否是一个装饰品并不是二元的，有的传达意义大一些，有的装饰意义大一些，但是依然起到烘托整个设计氛围的作用。归根结底，设计在传达信息的意义之上，应该为传达对象「制造那个世界」，而一切元素都应该服务于这两个目的。

为什么忽然提到设计，是因为教学材料的设计实际上也是一样的。一个content (audio, visual, 乃至narrative)是否「extraneous」不是二元的，除了传达「干货」以外，把learner带进「那个世界」也是相当重要的。如果一个声音或者图像不是干货，却可以把learner带进符合教学目标的世界，我假设它是帮助学习的。这个假设需要实验。

5. 如果content本身糟糕(无聊/不make sense)，试图用趣味去拯救它只会更糟糕。（从厨子的观点来说，食材糟糕就改善食材，靠sauce掩盖只会更恶心啊）

6. Visual应该简单： 线性 > 块面 黑白 > 有选择的彩色 > 全彩色 静帧 > 动画 2D > 3D 有视觉重点 > 没有重点

☞ 实验一则：静帧 > 动画这个可以理解，因为记住动画需要working memory。但是为什么线性 > 块面？为什么黑白 > 有选择的彩色 > 全彩色？尤其是，为什么2D > 3D？

学3D没多久就意识到其实不仅我自己，身边的很多人在视觉上也更接受2D，简单到铅笔线稿的定格动画更是人见人爱。意识到这一点，作为曾经学3D的人我感到很挫败。至今不能想明白这个倾向在心理学上的原因：按理说我们看见的世界是全彩的，三维的，对全彩的三维物体应该更容易迁移，可是事实上却很容易对全彩的三维动画产生疲惫感。而二维，线性并不存在于现实世界——为什么竟然会更喜欢解读我们所不熟悉的图像？

7. narrative里不要说无关的废话（again，旁征博引和举例究竟是否得当取决于它是否「传达信息」或者帮助learner呆在「那个世界」）

8. 作者在书里用一个实验来论证「extraneous narrative hurts learning」。在实验里被试者被分为两组，通过一段材料学习病毒造成感冒的过程。其中一组的材料里被加进了一些色色的东西（被称为high interest组），另一组的材料里被加进了一些关于病毒的无聊的facts（被称为low interest组）。学习之后对比两组的performance，发现low interest组performance更好。作者推论说因为high interest的学习材料会distract learner导致学习结果变差。

这个实验在我眼里简直浑身都是槽点：

a. Thinking一书里提到人们会因为自己观测到的一个偶然结果，用直觉编出一个听起来make sense的故事去解释它为什么会发生，并根据这个（可能并不存在的）因果关系采取行动。这个实验是一个sense making的例子。high interest组performance更差是事实，但是high interest的材料会distract learner这个因果是作者通过直觉推论的，并没有被论证过。 b. 作者假设「与性有关的材料会让学习者更有兴趣」是粗暴的。并没有证据表明与性有关的材料一定吸引了high interest组的注意，除非实验报告眼动仪追踪被试者在每一段材料上停留的时间数据并成功证明high interest组在被加入的材料上花的时间比low interest组更多。 c. 被加入的内容的有趣程度和与test的相关程度都会影响learner最后的performance，所以需要被控制变量。但是对「有趣程度」和「相关程度」控制变量相当困难。 d. 假设high interest组确实更加aroused，那么感兴趣程度与学习效果的关系是静态吗？如果不是，有可能虽然high interest组在学习后立刻测验的performance差强人意，但是之后对材料的记忆时间却更长。测试是在学习后立刻做的吗？还是学习后两周做的？因为学习大多是情况下并不是一个立即反馈的过程，因此应该报告学习者的学习效果随时间的变化。Again and again, 不基于学科和具体学习目标讨论「learning process」和「instructional method」都是耍流氓。

☞ 令人稍许欣慰的是，作者在本章结尾也提到了，所有这些实验都是在controlled lab environment中做的，并不确定它们能够被应用在实际场景里。如同前文的「产业→学术割裂」一段提到的，这是教育科技，乃至大多数社科类研究的一大问题。 以「不负责任的理想主义门外汉」的身份开个脑洞，理想的实验应该这样做： 先设计真正的产品，然后与学校达成协议，在尽可能减少对学生的学习过程的干扰的影响下在学校中大规模做严格控制变量实验，记录学习表现在时间轴上的变化，使用机器学习分析数据，找出相关因素和权重，推导原因，提出假设，再进一步设计实验。 记得前阵子看到BBC的拍摄团队在拍摄时为了尽可能捕捉到大象在自然界最真实的状态，苦心制作了长得像一坨象屎的摄像机，它会滚动，甚至分离出小的摄像机，而不惊扰大象。edu tech在设计实验的时候也应该像制作象屎摄像机一样制作实验产品，尽可能还原学习者最真实的学习状态，才有可能得出接近真实的数据。（托起熟睡的猫咪）

9. 如何在激发兴趣的同时保证test performance？

---

Chapter 9. Personalization Principle (virtual tutor)

看标题还以为是字面意思，讲personalized learning，但是这一章是讲virtual tutor。

1. 不要用书面语，用casual conversational的文字风格：casual conversation提供了一种social cues，learner容易通过conversational的文字风格感到自己的involvement in social situation，因而work harder（☞ 这个脑路很清奇。如果确实如此的话，挖掘人类是否还有其他类似的认知机制应该有助于寻找新的enhance performance/focus的途径。比如：通过施加压力快速进入心流的方法

2. 对于普遍认知为女性主导的专业，比如公关，人事等课程，learner普遍更喜欢女性的声音来讲解。有趣的是，对于数学来说，女性narrator亦容易帮助learner获得高分。（☞ 「女性的声音」到底包含哪些特质？或许应该研究声音的pitch，口音，audio quality，texture of voice等。

3. Pedagogical Agents: 一个拟人的tutor。实验表明tutor行为(动作，表情)越像人类，learner越容易将tutor当做conversational partner，而tutor本身的视觉风格是卡通形象还是真人对学习没有影响。（☞ tutor还是要可爱啊。前阵子旅かえる用户粘度大跟呱儿子可爱很有关系。duolingo的猫头鹰也是一个成功的形象。虽然tutor的形象跟是否逼真没有关系，但是要小心，设计的时候不要掉入恐怖谷。事实上这本书里的tutor形象在我眼里都已经接近恐怖谷了。

根据森政弘的假设，随着人类物体的拟人程度增加，人类对它的情感反应呈现增-减-增的曲线。恐怖谷就是随着械器人到达“接近人类”的相似度时，人类好感度突然下降至反感的范围。“活动的类人体”比“静止的类人体”变动的幅度更大。
脑洞：现在的tutor大多数是「提供帮助」性质的，如果tutor的角色反过来，成为「寻求帮助」的角色，是否能够提高learner的思考深度和performance？

☞ 4. 想一想臭名昭著的office助手。Pedagogical Agent是否应该是页面里的一个permanent element？到底是什么使得office助手非常讨人嫌？是它的外表，人格，话语方式，还是出现的频率？在这些方面针对Pedagogical Agent应该有更细致的研究。

☞ 实验一则：允许learner去customize pedagogical agents的形象能否→使learner建立emotional boundary→enhance performance？

5. Make author visible (即作者谈论到他们自身) 可以→使learner将author视为"a personal guide through an otherwise difficult domain" →enhance performance。（最近看到一个很好的例子是CMU CS部门关于申请phd的一篇指南。这篇指南里作者提到了不少关于他自己的细节，很易读，并且确实使材料变得更加engaging。

☞ 6. 或许author也好，pedagogical agents也好，其自身的人格魅力对学习的粘度非常有影响。

---

Chapter 10. Segmentation Principle & Pretraining Principle

1. 将教学材料分成bite size的小块。对于video，在每一个logical segment后面插入一个停顿，按continue继续。(☞ bite size是多大？)

2. 在课程开始前提供一个quick orientation（25 Learning Principles中第二条）。

☞ 3. orientation应该包含哪些内容？思维导图(map)，key concepts + glossary (tool kit)这些感觉放在一个随时可以查阅的手册里更好。

---

Chapter 11. 🌰Leverage Examples in e-Learning🌰

1. Worked Example (示范): a step-by-step demonstration of how to perform a task or solve a problem.

2. Fade from worked examples to problems: 由示范向完全独立解决问题逐步过渡，一步步撤走scaffolding。

☞ 3. 本章再一次提到了Expertise reversal effect。确实scaffolding对于expertise来说是不太必要的。玩家级别越高游戏的customizability越大，在学习里亦是如此。

4. Self-Explanations: 向learner提一些self-explanation的问题可以prompt learner去思考背后抽象的原因(deep learning)，而不是机械地重复步骤(shallow learning)。提问时注意：选择题（选择正确的解释）比填空题有效。

☞ 5. 本章提到设计可以帮助learner实现far transfer的worked examples，例举了著名的laser ray治疗肿瘤的例子（用灭火的worked example与治疗肿瘤做类比使得learner容易联想到关于治疗肿瘤的solution——分治法）。结论：people are better able to abstract a general principle or procedure when they learn about it in many different contexts.

那么问题来了。记得很多次在不同场合都会听到这样的说法：比喻和类比是逻辑上偷懒的表现，懒得提炼出明文的规律和逻辑，而通过粗糙并且往往不恰当的类比来偷梁换柱。

我个人的语言风格是喜欢运用大量比喻和类比，认为虽然确实不存在严格可以类比的事物，并且这种类比容易犯逻辑错误，但是单独拎出两个feature来类比容易帮助人们理解背后抽象的概念，并且更容易启发新的想法。但gin的语言风格是尽可能避免类比，认为类比不精确，宁肯苦苦思索得出一句精炼的概念。按照Thinking的说法，我的语言风格是heuristic的，直觉性的，System1的，迅速的，轻松的，gin的语言风格是rational的，思维性的，System2的，缓慢的，费力的。而System1 thinker是大脑懒惰的表现。然而根据MBTI的八维认知功能理论（好啦我知道MBTI在有些人眼里是神棍）gin作为INTP第一功能是Ti（推理分析），第二功能是Ne（发散思维），我作为INTJ第一功能是Ni（顿悟），第二功能是Te（计划部署），所以gin就是Daniel笔下谨言慎行的聪明人，我就是靠不靠谱的直觉得出结论，不思考就付诸行动的猴子啊。这让我觉得INTJ的聪明都是假象，因为反应快所以让人觉得聪明，其实得出的结论大部分都是偏见，可怕的是他们行动力还超强，所以一旦直觉错了就是向着错误的方向在飞奔……

又扯远了。

总之想说，既然就连我跟gin之间都存在关于analogy的巨大分歧，说明在learner中也存在适应analogy和厌恶analogy的两派。这应该是learning style的一个方面。总之不能粗暴地说「analogy promotes learning」。另外还要考虑能力方面的问题。喜不喜欢analogy是一方面，能不能理解analogy并且实现迁移又是另一方面，与前额叶的发展程度有关。有些人就是无法从analogy中抽象出共性，这些人并不少见，教学里也要考虑到这部分人群。

6. 本章最后举了一个通过analogy实现far transfer的例子。需要指出的是，最后的evaluation方法居然是测试learner的face-to-face negotiation。文章没有提到negotiation这样的软实力要如何测量，吊诡的是居然还附有一张柱状图显示learner的negotiation performance。由于essay，negotiation，艺术创作的结果很难被量化，因此不是很信服这个实验的结果（尤其是那张柱状图）。

---

Chapter 12. 关于 (划掉) 庶民射球 (划掉) Practice

1. Practice：Interaction.☞ 形式可以有： 记忆提取 考察理解（self-explanation question） 整理（思维导图填空） 总结（段落大意） 重现（复制操作） far transfer 发散

2. Practice本身并不能带来performance的提高。Deliberate Practice才可以。 **Deliberate Practice的特质是：
3. 难度上超出learner当前的舒适区
4. 但是learner通过练习可以达到
5. 保证练习的强度和频率
6. learner具有motivation to engage in the task
7. 根据learner个人情况精心制定的针对弱点的练习计划
8. 对练习情况持续的反馈并提供知识性的指导
9. 数年不间断的重复**

☞ 细想来其实对于大多数人来说，这7点非常难以全部满足。一般人都处在缺乏针对个人的指导和反馈的情况下，尤其是e-learner, 而强度和频率也难以保证，这些都是e-learning需要解决的问题。 这样一想觉得樱木花道真的好幸运，居然在庶民射球那一集7条要求都达到了6条：庶民射球他目前不会，但是体力和潜力上可以达到，被彩子逼着练习，本身输了球以后非常想赢，安西针对他的弱点制定了计划，樱木军团帮他拍了dv记录他的动作给他晚上边看边反思，彩子帮他记录进球数，居然还有晴子给买饮料喝。然而即便是这样，还有第7条。全国大赛的时候樱木问安西他要多久可以达到流川枫现在的程度。安西说流川数年间从来没有间断过努力的练习，他现在的程度樱木即便光着脚再努力三年都未必赶得上。 我们在平时生活里很难幸运地得到如此多的资源和帮助，那么：e-learning platform有可能同时扮演安西，彩子，晴子和樱木军团吗？🏀 步骤： 1）define goal (由learner制定) 2）analysis learner, find weakness (考核) 3) make personalized plan (通过考核结果生成) 4) keep record (记录关于performance，时长，习惯等信息) 5) enforce practice (设计机制强迫练习) 6) provide feedback & analysis (分析用户数据生成报告) 7) repeat

☞ 3. Practice的类型随教学目标不同而变化。此外practice的难度和侧重点应该是dynamic的。（25 Learning Principles中第21条）

4. Practice的数量以「略多」为宜。

5. Practice应尽量模拟真实环境（主要用在workforce training）

6. 提供的feedback要explanatory

7. 不要批评或表扬learner，因为这与learner个人有关，与问题无关。不要把注意力转移到learner的ego上面来。 ☞ 表扬难道不能encourage learner to keep going吗？

8. 同理，为了避免将learner的注意力转移到他们的ego上去，不要将他们与别的learner比较（「你打败了60%的learner」这种） ☞ 比较难道不能激发好胜心→enhance performance吗？

☞ 9. 吐槽实验：关于书里实验的吐槽到了后几章好像已经变成routine了。在本章作者例举了一个实验来证明mixed practice type相比单一的practice type对learning更有帮助。实验对象被分为两组，其中一组通过mixed type来练习，另一组通过单一type。最后测试mixed组成绩高，得出上述结论。 没有报告测试的题型是mixed还是单一题型。也就是说，有可能mixed的组成绩更高并不是因为practice type是mixed，而是因为mixed type更接近真实测试时的题型。如果是这样的话，结论就应该是「越接近test情况的practice越能提高test分数」。更何况「test score是不是测量learning conversion的可靠标准」还有待讨论。

---

Chapter 13. Learning Together Virtually1. 最理想的team是水平都相当高但是各有专长。

2. 本章提出了一个理想的team work的模式：Structured Controversy。具体操作方法是： 一组4个人，分成两对，每对选择pro或者con，形成观点之后4个人一起探讨。每一对说完之后听的那一对需要复述以保证两对on the same page. 然后剩下一对叙述，听的一方再复述。之后两对交换立场，再重复一遍上述流程，直到所有人都可以理解关于一个话题的正反两面观点。（☞ 之前跟gin经过很多次不愉快的辩论以后我提出在辩论时需要复述对方观点确保理解；gin之前提出过交换立场。感觉这个做法是复述+交换立场的合体。问题是，它的应用范围仅限于深度理解一个话题，并且效率非常低下。而且实践表明即便可以复述也不代表真的理解。

☞ 3. 这一章在collaborative learning这方面着重论述了team work的情况。但collaborative learning的范畴应该远比team work要大。online learning social network能否增加用户粘度？人们使用在online social network时的心理学有哪些部分可以用来促进learning？人们在遇到对手还是伙伴的时候学习得更好？这些话题都可以放在collaborative learning里探讨。

---

Chapter 14. Customize Learning Experience

☞ 1. 关于Learning Experience可以被customize的方面有： 顺序 节奏快慢 外延性 深入性 信息增删 练习难度

2. 然而learner对哪些信息可以跳过，如何customize材料的感觉随着prior knowledge递增，也就是说对于新手来说，很难去准确地customize自己的learning experience。（不知道自己不知道什么）

3. 在教学开始前可以根据pretest设定初始值，然后根据learner持续的表现来不断adjust这个值。（adaptive learning）

☞ 4. 收集learner的信息可以分析learner的prior knowledge，metacognitive的能力，learning style，薄弱环节，达到hypercustomization🤖

5. 关于link的使用：为了保证linear progression，关键信息可以引用，避免link出去。non-essential的信息用link，并且在文本中写明link是什么。

☞ 6. 课程开始前提供思维导图，最好是interactive的思维导图，可以点击扩展。思维导图可以帮助learner快速摆脱「不知道自己不知道什么」的境地。

---

Chapter 15. Thinking Skills

1. 现今大多数国家的教育，不论学科，都还停留在「猴子按按钮」阶段，只关注how，不关注why。how是授之以鱼，通过探究why来掌握一门学科的Thinking skills (即一系列原则)是授之以渔。

☞ 2. 然而作者在提及thinking skills的时候似乎把Thinking skills和metacognition混为一谈了，并且在这一章强调「Thinking skill training should be job specific」。我同意「Thinking skill training should be job specific」这个观点，但是job specific thinking skill和metacognition不是一回事。Metacognition指的是更high-level的，更general的thinking skill，不可能是job specific的。 "There is no distinction between domain-general and domain-specific metacognitive skills. This means that metacognitive skills are domain-general in nature and there are no specific skills for certain subject areas. The metacognitive skills that are used to review an essay are the same as those that are used to verify an answer to a math question." (Gourgey, A.F., 1998, Metacognition in Basic Skills instruction, Instructional Science, 26:81-96)

☞ 3. Metacognition is "cognition of cognition", "thinking about thinking", "knowing about knowing", "being aware of one's awareness" and higher-order thinking skills. There are 2 components of metacognition:

1. Knowledge about congnition
2. Regulation of cognition 在国内心理(划掉)学(划掉)业界，Metacognition成为了关于亲密关系的文章的高频词。类似于「维持亲密关系的秘诀之一在于出于一种情绪的时候有一个清醒的超我意识到自己现在出于这种情绪」的论调层出不穷。这确实是对metacognition的应用，只不过国内在edu tech方面对它的应用相对要少很多。但实际上metacognition能力对于self-learner来说应该是一个核心能力，能帮助self-learner培养学习和思维习惯，并且准确评估自己的学习。

The fundamental cause of the trouble is that in the modern world the stupid are cocksure while the intelligent are full of doubt.

• Bertrand Russell

---

Chapter 16. Gamification

1. Simulation：a model of a real world system. 如说你现在身处的这个:)

2. Simulation的类型： Operational Simulation: to teach procedural skills Conceptual Simulation: to teach domain-specific concepts and stategic knowledge

3. Game的4个特征里提到game需要be challenging，但似乎现在大部分educational game似乎都不够challenging。

4. Game是否帮助学习取决于它激发的行为是否服务于instructional goal。

☞ 5. 这一章还探讨了guided discovery。作者主张不要给learner随便探索的权限，而是要为learner铺设path。因为free dicovery虽然很有趣但是会hurt linear progression。这一点在我眼里有些因噎废食。 前阵子玩了《神海4》，印象很深刻的一点是它的伪开放世界感。顽皮狗很擅长通过路障和四通八达的环形路线制造伪开放世界感，这一点在《最后生还者》里就感受得到，但是在《神海4》里这一点更加突出了。那么，在设置learning experience的时候能不能做到设置自然的路障和环形的路线制造伪开放世界感？这样可以兼顾趣味和linear progression。

☞ 6. Immersive learning/Gamification的潜在问题 本章提到建立一个virtual lab来学习发动机维修的案例。 在我眼里学习可以分为三种：

• 长期或短期的技能培训
• Receptive Learning（学校的各科教育都属于这个范畴）
• 我称之为「消防演习课程」的短期训练：强度大，频率低，往往以学会一门操作步骤为目标 因为immersive learning高昂的成本（这个成本不仅指开发成本，更加重要的是learner的cognitive load的成本和学习时间成本，即单位时间内的学习效率），使得它无法被应用于高频率，长时间的课程。最适合的应用场合只有「消防演习课程」。

3 Types of Learning
7. Game最好可以提供explanation。

☞ 8. Collaborative educational game是一个激动人心的领域。（Don't Starve Together自然科学版？）

☞ 9. 把Experiment proved的理论一条条叠加到learning experience design里是危险的。因为有一些方法可能是互相冲突的，简单apply可能会互相counteract。是否能够1+1≥2需要另外通过实验验证。

☞ 10. Learning efficiency应该有一个量化的标准和公式。

☞ 11. 有时觉得edu tech理论的探索有点像是医药学，发现一味草药有效以后，下一步是大量实验找出其有效成分，提炼出来以后再专门分析其适应症状，还需要通过大量实验考察其副作用。当两种成分叠加的时候要专门考察它们的叠加效果。如果拿来就用，岂不是中(wu)医(shu)么。

附录: 🤖 Edu Tech作为一个highly crossover领域需要了解的相关领域 🤖 =================================================☞ 这份列表仅针对于我个人在edu tech如下细分的兴趣： MOOC Online Learning Community E-learning for Low-income Population Personal Intelligent Tutoring System Customized Learning Design in E-learning Learning Style and Metacognition

Statistics & Probability (解读数据) Cognitive Science (解读数据，提出假设，设计实验) Cognitive Neuron Science (解读数据，提出假设，设计实验) Educational Psychology (解读数据，提出假设，设计实验) Game Design (开发产品) Data Visualization (开发产品) Human Factors (开发产品) Research Methods in Human Centered Design（设计实验） UX Research（设计实验） UI Design (开发产品) Learner Experience Design (开发产品) Software Development (开发产品) Applied Machine Learning for Education (解读数据，开发产品) Data Analysis (解读数据) Educational Data Mining (开发产品) Social Web (开发产品) Computer Supported Collaborative Learning (开发产品)

好了，就这样。食用愉快~

今天也要非理性繁荣哦~~