TeachAny：把学习科学封装成 AI 教学系统的开源实践
GitHub: weponusa/teachany | 137+ 课件 | 2,378 知识节点 | AGPL-3.0 + 商业双授权
定位：每个学校、每个教师、每个家长，都能零成本定制属于每个孩子的可汗学院
一、AI 生成教育内容的通病
用 ChatGPT 或 Claude 生成教学材料，输出通常长这样：
📝 关于二次函数的 5 个要点……
📋 测验：y = x² + 2x + 1 的顶点是什么？
A) (1, 0) B) (-1, 0) C) (0, 1) D) (-1, 1)
扁平、无生命、没有教学设计。学生拿到一堵文字墙，末尾贴一道选择题。没有动机设计，没有错误诊断，没有学习闭环。
问题的根源不是 LLM 不够聪明，而是提示工程缺乏教育学框架。大多数教育类 prompt 只是把"生成教案"当成信息整理任务，忽略了学习科学已经研究了几十年的结论：人是怎么学会的。
TeachAny 的解法不是更复杂的 prompt，而是把教育学理论直接写进 AI 的工作流。
二、六大学习科学理论的系统嵌入
TeachAny 不是让 AI"参考"这些理论，而是把它们变成了强制执行的规则。
2.1 ABT 叙事结构（And-But-Therefore）
每个模块开篇遵循 ABT 叙事：
- And：你已知道什么（建立关联）
- But：矛盾点或认知缺口（制造张力）
- Therefore：为什么要学这个（赋予意义）
这比"今天我们学习二次函数"有效得多。ABT 来自 Randy Olson 的《Houston, We Have a Narrative》，最初用于科学传播，TeachAny 把它改造成了课件的开场模板。
2.2 Bloom 认知分类法
练习必须覆盖全部 6 个认知层级：
| 层级 | 动词示例 | 题型设计 |
|---|---|---|
| 记忆 | 回忆、识别 | 概念卡片 |
| 理解 | 解释、分类 | 填空题 |
| 应用 | 执行、实施 | 计算题 |
| 分析 | 区分、归因 | 过程拆解 |
| 评价 | 判断、检验 | 论证题 |
| 创造 | 生成、计划 | 设计任务 |
普通 AI 生成的题目通常停留在"记忆→理解"两层。TeachAny 的设计系统强制要求至少覆盖 3 个层级。
2.3 ConcepTest（Mazur 同伴教学法）
概念检测题的设计目标是 30-70% 正确率——这是 Eric Mazur 在哈佛大学物理教学中验证过的"甜蜜点"。正确率太高说明题目太简单，没有讨论价值；太低则挫败感过强。TeachAny 的评估系统会检查题目难度是否落在这个区间。
2.4 认知负荷理论（Sweller）
三张硬约束：
- 每张信息卡片 ≤ 75 字
- 每个模块只承载 1 个核心问题
- 新概念出现 → 立即配例子
这是 John Sweller 认知负荷理论的直接应用。工作记忆容量有限，信息过载会让学习效果断崖式下跌。
2.5 Mayer 多媒体学习原则
七个原则被强制应用于每一个版面决策：
- 邻近性原则：图文相邻，而非分离
- 信号原则：用视觉标记突出关键信息
- 分割原则：复杂内容分步呈现
- 预训练原则：先教组件，再讲整体
- 等等
Richard Mayer 的研究表明，遵守这些原则的多媒体材料能让学习效果提升 50-100%。TeachAny 把它从"建议"变成了"规范"。
2.6 脚手架策略
三级支架系统：
- Level 1：提供完整模板，学生填空
- Level 2：只给提示，学生自行推导
- Level 3：完全独立工作
学生从 Level 1 起步，逐渐撤除支持。这是 Wood、Bruner 和 Ross 1976 年提出的经典 tutoring 模型，TeachAny 把它变成了课件内部的自适应机制。
三、九学科专属框架：不做一刀切
TeachAny 最务实的决策是拒绝通用模板。9 个学科各有专属的教学路径：
| 学科 | 教学路径 | 交互类型 | 评估风格 |
|---|---|---|---|
| 数学 | 直观可视化 → 代数推理 → 推广 | 作图、拖拽、逐步推导 | 标准题 + 解释题 |
| 物理 | 观察 → 建模 → 定量分析 | 参数滑块、实验预测 | 预测 + 计算 + 解释 |
| 生物 | 结构 → 过程 → 功能 | 标注、排序、流程图 | 图解 + 过程解释 |
| 地理 | 空间分布 → 成因 → 区域比较 | 地图交互、因果链 | 材料分析 + 比较 |
| 历史 | 时间线 → 因果 → 证据 → 多视角 | 排序、史料对比、立场分析 | 史料题 + 论述 |
| 语文 | 细读 → 表达技法 → 主题迁移 | 批注、改写、仿写 | 批注 + 写作 + 评分量规 |
| 英语 | 输入 → 支架输出 → 情境应用 | 对话卡片、填空、角色扮演 | 综合技能评估 |
| 化学 | 宏观现象 → 微观解释 → 符号表征 | 实验流程、方程式配平 | 实验解释 + 结构化应答 |
| 信息技术 | 任务驱动 → 分步演示 → 调试 | 点击操作、流程图、代码执行 | 任务完成 + 过程检查 |
这个矩阵的价值在于：当教师说"做一个物理课件"时，AI 知道该用参数滑块而不是填空题；说"做历史课件"时，AI 会自动引入史料对比和多视角分析。
四、原创方法论
4.1 五镜头法（Five-Lens Method）
对任何难点概念，强制选择 2-3 个镜头：
👁️ See It → 观察现象、例子、数据
🔧 Break It → 拆解结构、步骤、组件
💡 Explain It → 澄清成因、机制、规则
⚖️ Compare It → 与相似/相反/错误案例对比
🎯 Transfer It → 迁移到新情境验证理解
这是 TeachAny 原创的方法论，用来解决"一个概念讲不清楚"的问题。多镜头切换能覆盖不同认知风格的学习者。
4.2 六问预设计框架
写代码之前，必须回答：
- 学生是谁？（决定难度和语言）
- 前置知识是什么？（决定是否需要诊断测试）
- 学生应该能做什么？（把"知道"转化为可观察的任务）
- 真实世界情境是什么？（提供学习动机）
- 学生通常卡在哪里？（驱动错误诊断设计）
- 如何验证学会了？（决定评估策略）
这六个问题被嵌入 skill 的 prompt 系统，AI 不会直接生成课件，而是先回答这六问，再进入设计阶段。
4.3 PBL 项目分解引擎
输入一个项目描述（如"设计智能温室"、"制作天气 App"），输出完整的知识网络：
- 自动识别项目涉及的知识点
- 映射到课程标准（中国课标 / AP / Cambridge / IB / CCSS）
- 生成学习路径：先学什么、后学什么、跨哪些学科
核心主张：PBL 不是学科学习的补充，而是教学的主体载体。从真实项目倒推知识需求，比从课本正序讲授更符合建构主义。
五、技术实现：零依赖单文件 HTML
TeachAny 课件全部是单文件 HTML，没有构建步骤，没有 npm 依赖，没有框架。浏览器直接打开即可运行。
这个选择很有深意：
- 降低使用门槛：教师不需要会编程，不需要装 Node.js
- 离线可用：下载一个 HTML 文件，没网也能上课
- 跨平台：Windows、Mac、Chromebook、甚至老旧平板都能跑
- 易修改：右键查看源代码，改文字、换图片、调颜色
交互实现用原生 Canvas API、SVG、和少量 Vanilla JS。光合作用课件里有 Canvas 动画、拖拽方程式配平、TTS 朗读；欧姆定律课件里有虚拟电路实验室、V-I 图像实时绘制。
六、知识层与课程标准的对齐
TeachAny 的 data/ 目录包含：
- 5 种课程标准：中国课标（小/初/高）、AP、Cambridge IGCSE/A-Level、IB MYP/DP、US CCSS + NGSS
- 48 个学科 × 5 体系 = 98 个知识图谱（JSON 格式）
- 2,399 个知识点详情文件：包含课程标准对应关系、难度分级、关联资源
- 地理/历史地图素材：Leaflet 地图、朝代叠加图
这意味着教师输入"八年级数学 二次函数"，AI 能自动定位到中国课标的对应知识点，获取先修知识链（一次函数 → 二次函数 → 抛物线），并匹配错误数据库（常见错因：符号错误、顶点公式混淆）。
七、商业模式：AGPL-3.0 + 商业授权
TeachAny 采用双授权：
- AGPL-3.0：个人学习、公立学校、非营利教育、开源 fork 免费使用
- 商业授权：SaaS、付费课程、企业培训需要购买商业许可
这个模型在教育开源项目中不常见。作者 weponusa 同时注册了 TeachAny™ 和 教我学™ 商标（未注册但主张在先使用权），并要求 fork 必须改名。
商业授权的联系邮箱是 weponusa@gmail.com，邮件标题需前缀 [TeachAny Commercial] 或 [TeachAny Trademark]。
八、局限与追问
第一，课件质量的一致性。
137 个课件中 12 个官方 + 124 个社区。社区课件的质量取决于贡献者的教学经验和 AI 提示工程能力。官方示范课件（如光合作用、欧姆定律）质量很高，但社区课件可能参差不齐。目前没有 peer review 机制来保证教育学的严谨性。
第二，中国课标的覆盖深度。
README 提到覆盖中国课标，但 2,399 个知识点相对于中国 K-12 全部内容来说仍是子集。特别是地方课程（如浙江的"拓展性课程"、上海的"探究型课程"）是否被纳入？
第三，AI Skill 的模型依赖。
TeachAny 推荐 CodeBuddy，但也能在 Claude、Cursor、Windsurf 中使用。不同模型的指令遵循能力差异很大——Claude 3.5 Sonnet 能严格遵守 SKILL.md 的约束，GPT-3.5 可能会忽略脚手架策略。模型能力的下限决定了课件质量的下限。
第四，单文件 HTML 的天花板。
零依赖是优势，但也是限制。复杂仿真（如 PhET 级别的物理实验）用原生 Canvas 实现成本很高。当课件需要 3D 可视化、实时协作、学习数据追踪时，单文件架构会遇到瓶颈。
第五，评估的有效性验证。
TeachAny 声称遵循 6+ 学习科学理论，但这些原则是否真能提高学习效果？ABT 叙事是否比传统开场更有效？30-70% 正确率的 ConcepTest 是否适用于所有文化背景？论文中没有提供对照实验数据——这是一个需要被验证的声明，而非已被验证的结论。
九、结语
TeachAny 的价值不在于"用 AI 做课件"——这个能力很多工具都有。它的独特之处在于：把学习科学从"参考资料"变成了"强制执行的生产规范"。
ABT 叙事、Bloom 分类、认知负荷、脚手架——这些理论在教育学教材里躺了几十年，大多数教师知道它们存在，但不知道如何在每节课里落地。TeachAny 做的事情是把这些理论编码成 AI 能理解的规则，让每份自动生成的课件都经过教学设计的校验。
对于中国教师来说，这套系统的另一层价值是课程标准对齐。输入"初三物理 欧姆定律"，AI 不仅能生成课件，还能告诉你这个知识点在中国课标中的位置、先修知识、常见错误、以及与 AP/Cambridge 的对应关系。
如果你是一位教师，厌倦了把 AI 当成"高级搜索引擎"来生成教案，TeachAny 提供的是一个更严肃的替代方案：让 AI 成为一名受过学习科学训练的助教。
参考
- GitHub: https://github.com/weponusa/teachany
- 在线画廊: https://weponusa.github.io/teachany/
- 中国镜像 (Gitee): https://gitee.com/weponusa/teachany
- Olson, R. (2015). Houston, We Have a Narrative. University of Chicago Press.
- Sweller, J. (1988). Cognitive load during problem solving. Cognitive Science, 12(2), 257-285.
- Mayer, R.E. (2009). Multimedia Learning (2nd ed.). Cambridge University Press.
- Mazur, E. (1997). Peer Instruction: A User's Manual. Prentice Hall.
- Wood, D., Bruner, J.S., & Ross, G. (1976). The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, 17(2), 89-100.
#TeachAny #AI教育 #K12 #学习科学 #教学设计 #开源
推荐
智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。