AI能在数秒内创建闪卡、测验、示例、解释与学习计划。
只有当生成材料服务于可靠的学习方法时，这种速度才有用。否则，它只是堆出大量好看的学习内容，却几乎没有持久知识。
三项技巧值得围绕它们构建学习系统，尽管背后的证据强度并不相等：
- 检索练习： 从记忆中回想答案，而不是再读一遍。
- 间隔练习： 过一段时间后再回到材料。
- 交错： 混合相关题型，迫使你先判断该用哪种方法。
一项针对常见学习方法的广泛综述认为，练习测试和分散练习在多种条件下都获得了最高效用评级，而交错练习只获得中等评级。交错练习有助于数学和其他认知技能，但用综述作者的话说，“交错练习的文献目前规模尚小，但其中已包含足够多的零效应结果，足以令人警惕”（Dunlosky等人，2013）。实验研究发现，与再次学习相比，进行记忆测试可以更好地保持所学内容（Roediger与Karpicke，2006）。一项定量综述还发现，练习间隔与希望保持记忆的时长相互影响，因此不存在适用于所有人的固定间隔（Cepeda等人，2006）。
AI不改变这些机制。它改变的是准备练习的成本。
分工
使用这条边界：
| 活动 | AI能帮 | 你必须做 |
|---|---|---|
| 创建问题 | 根据给定来源起草 | 核对准确性，并在没有帮助的情况下作答 |
| 安排复习 | 组织日期与主题 | 在回忆不再轻松时回来 |
| 变化题目 | 改变表层细节与难度 | 选择方法并求解 |
| 给出反馈 | 对照来源或评分标准比较 | 分析答错的原因 |
| 解释知识缺口 | 换一种方式说明 | 随后自己重新构建理解 |
如果模型在你尝试回忆之前就给出答案，它便消除了真正有助于学习的过程。
技巧1：检索练习
检索练习是指从记忆中主动找回答案。
它不是：
- 重读高亮段落；
- 答案可见时认出正确选项；
- 把AI摘要抄进笔记；
- 或在尝试前让模型带你走完解答。
构建基于来源的问题
给模型一个范围明确的来源：
仅使用下方来源，创建：
- 8道简答题，
- 3道“解释为什么”题，
- 以及2道应用题。
先不要提供答案。
对每道题，记录支撑答案的来源段落。
避免关于琐碎措辞的问题。
[粘贴来源]
关闭来源与聊天后作答。
然后交回你的答案、问题与来源：
对照给定来源为每道答案评分。
对每一道，标注：
- 正确，
- 不完整，
- 过宽，
- 或无依据。
引用的来源文字不超过定位问题所需。
在展示改进答案之前，先要求我纠正失败答案。
最后一条指令保留了第二次主动回忆的机会。
主动生成答案，而不是只做识别
简答题比选择题更难，因为它要求你主动生成答案。如果学习目标是在相近概念之间作出辨别，选择题仍然有用，但必须仔细检查那些看似合理的干扰项。模型生成的“错误”选项，可能在另一种解释下碰巧正确。
技巧2：间隔练习
间隔意味着在发生一些遗忘之后再回到材料。
目标不是让学习变得越痛苦越好，而是进行需要努力但能够成功的回忆，随后获得纠正性反馈。
新主题的简单起步日程：
- 第一次检索：初次学习后的同一天；
- 第二次检索：次日；
- 第三次检索：数天后；
- 第四次检索：一至两周后。
这是规划模板，不是科学最优。根据以下因素调整：
- 知识需要保持多久；
- 材料有多难；
- 回忆过程是一直过于轻松，还是总以失败告终。
不要把日程呈现为普适公式。间隔文献表明，有用的间隔取决于保持目标。
让AI组织，而不是裁定
提供你的约束：
我需要把这些主题保持到[日期]。
我可以在[哪些天]学习，每次[时长]。
创建复习日历，要求：
- 间隔重复主题，
- 每次会话不超出可用时间，
- 并记录调整规则：
- 连续两次轻松正确回忆后，把主题往后移，
- 错误回忆后，把它提前。
不要生成新内容。
日历可以放在电子表格、任务管理器或闪卡系统里。用哪个工具并不重要，重要的是在答案不再停留于工作记忆中时回来复习。
技巧3：交错
集中练习会把同一种方法放在一起反复练习：
AAAA BBBB CCCC
交错练习混合相关类型：
ABCB ACBA BCAC
学习者必须先识别适用哪一类或哪种方法，再执行。
交错不是随机混乱。当项目足够相关，以至于区分它们本身就是技能的一部分时，它最有用。关于类别学习的研究支持：交错可以突显相近类别之间的对比（Birnbaum等人，2013）。
生成辨别集合
创建12道题，混合这三种密切相关的类型：
[类型A]
[类型B]
[类型C]
不要标注类型。
改变顺序与表层细节。
在给出解答前，要求我：
1. 识别类型，
2. 说出线索，
3. 选择方法，
4. 求解问题。
每道题都基于给定示例与规则。
标记任何答案含糊的生成题。
示例：
- 在三种相近统计检验间选择；
- 区分认证、授权与计费方面的失败；
- 选择语言中的动词时态；
- 识别适用哪条合同条款；
- 或从几个似是而非的选项中选择电子表格函数。
交错无关主题只会碎片化注意力。混合那些你需要学会区分的概念。
一个下午搭好系统
第1步：定义表现
不要写“学会计”。写：
- 正确分类一笔交易；
- 解释对三张报表的影响；
- 并在不看笔记的情况下解出新例题。
表现决定练习。
第2步：组装可信来源材料
使用教材章节、课程笔记、官方文档，或其他可问责来源。
正确性重要时，不要让模型凭记忆搭建课程。它可能省略先修条件，或编造整齐但无依据的规则。
第3步：生成小问题集
从15–25道题开始，而不是300道。检查：
- 事实准确性；
- 一个清晰答案；
- 与表现相关；
- 以及有用的难度。
删除弱题。一套更小、经过核实的题集，好过一副你无法信任的华丽卡组。
第4步：做一次基线尝试
进一步学习前先作答。标记：
- 正确且自信；
- 正确但不确定；
- 错误；
- 或无从下手。
正确但不确定的材料仍需复习。自信本身不是分数。
第5步：安排下一周
结合检索练习与交错练习：
| 天 | 任务 |
|---|---|
| 第1天 | 学习来源，然后空白页回忆 |
| 第2天 | 用简答题检索记忆；纠正错误 |
| 第4天 | 交错应用集 |
| 第7天 | 回讲，加一道新迁移题 |
第6步：保留错误日志
每次失手，记录：
- 错误答案；
- 为何看似合理；
- 你错过的线索；
- 纠正后的规则；
- 以及下一道用于检验同一区分点的题目。
只有在你写下诊断之后，再让AI归组错误模式。
失败模式
从未读过的来源生成卡片
你无法可靠判断模型是否选中了重要想法。
学习AI答案
若每次遇到困难时模型都揭晓解答，练习就变成了引导式阅读。
一切按固定间隔排程
简单与困难材料不应永远走同一日历。
过早交错
初学者有时需要每种类型先有几个清晰例子，再混合。若你尚不能执行基本方法，分类难度可能掩盖真正缺口。
信任AI评分
使用给定来源、评分标准、测试套件或标准答案。自信的模型判断不是验证。
这与能力错觉如何关联
这些技巧产出学习的证据：
- 检索练习显示，离开现成解释后你还记得什么；
- 间隔显示什么经得起时间；
- 交错显示你能否在变化条件下选择并应用想法。
这就是它们为何有助于抵御流畅AI解释造成的能力错觉。
更长的结构化例程见30天AI学习计划。
诚实的边界
AI可以让好的练习系统更容易准备。它不能替你完成练习。
检索练习之所以有效，是因为你必须尝试从记忆中找回答案。间隔练习之所以有效，是因为答案已经不能不费力地想起。交错练习之所以有效，是因为你必须识别真正有意义的差异。
若AI去掉这些困难，它就去掉了你想要的机制。
