Bloom's two sigma problem

1984 年，教育心理學家班傑明·布魯姆（Benjamin Bloom）發表了一篇論文，成為教育領域引用次數最多的研究之一。這篇名為《2 Sigma 問題：尋找與一對一輔導同樣有效的團體教學方法》（The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring）的論文，報告了他的兩位芝加哥大學博士生喬安·安納尼亞（Joanne Anania）和約瑟夫·亞瑟·伯克（Joseph Arthur Burke）的學位論文研究結果。其發現令人震驚：接受一對一輔導並結合精熟學習（mastery learning）的學生，其表現比接受傳統課堂教學的學生高出兩個標準差（two sigma）。

兩個標準差是一個巨大的效應。在實際應用中，這意味著平均接受輔導的學生的表現優於傳統課堂中 98% 的學生。在普通課堂中只能拿 C 的學生，在導師的輔導下拿到了 A。大約 90% 接受輔導的學生達到了只有前 20% 傳統教學學生才能達到的成就水平。

標題中的「問題」是布魯姆對該領域提出的挑戰：一對一輔導顯然有效，但它需要每個學生配備一名教師，這對任何具備規模的教育系統來說在經濟上都是不可能的。是否有人能找到一種團體教學方法，能產生與配備個人導師相同的效果？

四十年後，這個問題得到了與布魯姆預期不同的答案。

布魯姆實際測試了什麼

布魯姆的論文在多項研究中比較了三種情況：

傳統教學。 一個約有 30 名學生和一名教師的班級，定期進行以評分為目的的測驗，並且在學生不理解教材時不進行系統性的後續跟進。這是全球大多數學校和大學的標準體驗。

精熟學習。 同樣是 30 人的班級規模，但增加了一個關鍵部分：定期的形成性評量，隨後進行反饋和糾正程序。未掌握教材的學生在課程繼續進行之前會獲得針對性的幫助。這些測驗不用於評分，而是診斷性的，旨在找出差距並在差距擴大之前加以解決。

結合精熟學習的一對一輔導。 單一學生配備單一導師，並採用相同的精熟學習方法：定期檢查理解情況、立即糾正，並在教材熟練掌握後才繼續前進。

結果形成了明顯的層級。在團體環境中的精熟學習比傳統教學提高了一個 sigma，這意味著平均精熟學習學生的表現優於約 84% 的傳統教學學生。而結合精熟學習的輔導則產生了兩個 sigma 的提升，這正是讓這項研究名聲大噪的第 98 百分位數發現。

關於這些結果，有兩點值得注意。

首先，僅僅是精熟學習，在沒有一對一關注的情況下，仍然產生了非常大的效果。一個 sigma 大致是 B 和 A 之間的差距。布魯姆指出，70% 的精熟學習學生達到了只有前 20% 傳統學生才能達到的水平。這在關於 2 sigma 問題的討論中經常被忽視，人們往往只關注輔導的結果，而忽略了可推廣的課堂技術已經掌握了一半效果的事實。

其次，接受輔導的學生幾乎不需要糾正性的工作。學生和導師之間不斷的反饋循環意味著誤解幾乎會被立即發現並糾正，以免它們累積成更大的差距。在傳統教學中，在第 2 週產生誤解的學生會將這種誤解帶入第 3 週，這使得新教材變得更難，從而使第 4 週變得更加困難。未解決差距的累積效應是學生落後的主要原因之一，而輔導幾乎完全消除了這一點。

為什麼輔導效果如此顯著

布魯姆的結果是戲劇性的，但其背後的原因很容易理解。一對一輔導能產生更好的效果，是因為幾種機制協同發揮作用。

即時反饋。 當學生出錯或表現出誤解時，導師會即時發現並在學生於錯誤基礎上構建進一步理解之前予以纠正。在 30 人的課堂上，教師無法時時刻刻監控每位學生的理解情況，因此錯誤可能會在數天或數週內都未被發現。

適應性進度。 導師會根據學生的速度進行調整。當學生快速掌握某些內容時，他們就會繼續前進。當某些內容遇到困難時，他們會放慢速度，換種方式解釋，嘗試另一個例子。在課堂上，進度是由課程大綱和團體的平均水平決定的，這意味著有些學生感到無聊，而另一些學生則跟不上。

主動參與。 導師會提出問題，探究理解程度，並要求學生解釋他們的推理。學生不能被動地坐在那裡聽課，而這正是許多講座中會發生的情況。導師自然引導的提取練習（retrieval practice）是長期記憶最有效的技術之一。

個人化解釋。 當學生不理解時，導師可以嘗試不同的類比、不同的例子、不同的切入點。他們可以利用自己對學生現有知識和興趣的了解，找到能與之產生聯結的解釋。而演講者則是向三十個人提供一種解釋，並希望這對大多數人都有用。

情感支持。 導師能注意到學生何時感到沮喪、抽離或焦慮，並做出相應的調整。學習涉及犯錯，而在一個給予支持的人面前犯錯的情感安全感，與在一班同儕面前犯錯是完全不同的。

這些機制結合在一起，創造了一個幾乎每個學生都能達到精熟的學習環境，因為教學適應了他們，而不是要求他們去適應教學。

尋求解決方案的四十年

布魯姆的論文開啟了長達四十年的研究，旨在尋找一對一輔導的可規模化替代方案。最具有前景的方法往往涵蓋了上述的一種或多種機制。

規模化的精熟學習。 布魯姆自己的數據顯示，在團體環境中的精熟學習掌握了兩個 sigma 效應中的一個 sigma。隨後的研究證實，帶有反饋和糾正程序的系統性形成性評估，即使在大班級中也能產生顯著的學習成效。一直以來的挑戰在於始終如一地實施它所帶來的時間和行政負擔。

同儕輔導與合作學習。 學生互相教學的結構化方法，掌握了一對一輔導的部分反饋和主動參與優勢。其效應量是顯著的（通常為 0.4 到 0.6 個標準差），儘管與兩個 sigma 相比仍有差距。

智慧型輔導系統。 基於電腦的系統，能模擬學生的知識狀態並相應地調整教學。卡內基美隆大學的阿爾伯特·科貝特（Albert Corbett）在 2001 年聲稱，認知電腦導師正在解決 2 sigma 問題。這些系統在隨後的幾十年中得到了改進，對適應性學習系統的廣泛分析發現，與非適應性對照組相比，平均效應量為 0.70 個標準差，這已處於很大範圍內，但仍不及布魯姆的兩個 sigma。

線上真人輔導。 視訊會議的推廣使跨越距離和時區將學生與導師聯結起來成為可能，在一定程度上降低了成本障礙。來自多個國家的研究，包括在烏克蘭戰時為近 10,000 名學生提供輔導的大規模項目，都顯示出了顯著的效果（0.4 到 0.5 SD），證實了輔導效果可以轉移到線上環境。

AI 帶來了哪些改變

在 2022 年底，大型語言模型已強大到足以圍繞學術材料進行延伸、自然的語言對話，關於布魯姆 2 sigma 問題的對話隨之發生了轉變。

可汗學院（Khan Academy）創辦人薩爾·可汗（Sal Khan）在 2023 年 5 月發表了一場名為《2 Sigma 的解決方案》（The Two Sigma Solution）的 TED 演講，明確指出 AI 輔導最終能為地球上的每個學生提供個人化教學。可汗學院推出了 Khanmigo，這是一款建立在他們現有教育內容之上的 AI 導師。到 2024-25 學年，它已覆蓋約 795 個學區、美國學校的 770,000 名學生，以及全球 200 萬名用戶。

2025 年 6 月，由哈佛物理學家格雷格·凱斯汀（Greg Kestin）領導的團隊在《科學報告》（Scientific Reports）上發表了一項隨機對照試驗，測試了 AI 導師與哈佛大學自身的主動學習課堂（被廣泛認為是現有最佳的課堂教學之一）的對比。結果顯示：在 AI 導師的幫助下，學生每小時的學習效率大約是原來的兩倍。該 AI 導師是圍繞使真人輔導有效的相同原則精心設計的：搭鷹架、主動回想、適應性進度，以及蘇格拉底式提問，而不是簡單地提供答案。

這個故事的真實版本也包含了一些保留意見。2025 年發表的一項系統性回顧發現，雖然 AI 輔導帶來的進步是真實存在的，但當對照組是其他現代輔導工具而非傳統課堂時，效應量就會縮水。一些早期戲劇性的結果反映出對照組是多麼薄弱。此外，一個只是一味向學生提供答案的 AI 導師什麼也建立不起來，這也是為什麼一個只給答案而不提出問題的真人導師同樣沒有效果的原因。

但方向是明確的。做得好的 AI 輔導，掌握了許多使一對一輔導有效的機制，而且其邊際成本接近於零。

缺失的一環：你實際的課程

大多數 AI 輔導工具（包括 Khanmigo）都是從其自身策劃的教育內容中提取資料。對於 AI 訓練數據能很好覆蓋材料的標準課程（如學校數學、物理入門、通用語言課程），它們是有效的。

但對於大多數大學生實際面臨的情況，它們的效果就沒那麼好：由特定的講師講授的特定課程，使用可能不會出現在任何訓練數據集中的特定閱讀材料。你的教授對制度經濟學的框架建構與教科書的框架建構不同，而這種區別對於你本週要寫的論文至關重要。第 4 週研討會的閱讀材料提出了與第 6 週閱讀材料相矛盾的具體觀點，而沒有閱讀過這兩篇材料的 AI 無法幫助你解決這一矛盾。

這就是通用 AI 導師與基於你自身材料的導師之間的顯著差異。

當你將教學大綱、閱讀材料和課堂錄音上傳到一個配有可搜索所有這些內容的AI 助手的系統中時，你將獲得更接近布魯姆最初設想的體驗：一個專門了解你課程的導師。它能使用你講師的框架來解釋一個概念，因為它已經閱讀了講師解釋該概念的課堂逐字稿。它能從第 4 週的閱讀材料中找到相關章節，因為該閱讀材料就在你的圖書館中，並標記了你的重點和筆記。它能就過去三週的材料對你進行測驗，因為它知道過去三週涵蓋了哪些內容。

AI 搜尋透過理解你圖書館中每份 PDF、簡報、電子書、筆記和逐字稿的意思來發揮作用。詢問它「關於供給彈性的部分」或「我們何時涵蓋了克氏循環」，它就能從確切的來源中找到確切的章節，並附上你可以使用的引用文獻。

而且圖書館會隨你一同成長。你記錄的每一堂課、你標記的每一篇閱讀材料、你撰寫的每一篇筆記，都加深了導師可以利用的背景資訊。在畢業那年提出的一個問題，能從你整個大學學位中所學到的所有內容中提取資料。布魯姆在一對一輔導中觀察到的累積效應（導師對學生的累積了解使每次輔導都比上一次更有效），在此有一個結構上的平行之處：隨著你的圖書館變得更加豐富，AI 導師也會變得更好。

布魯姆的研究對你的學習方式意味著什麼

即使沒有 AI，布魯姆的發現也指出了能掌握部分 2 sigma 效應的具體學習實踐。

不斷自我測試。 布魯姆輔導情況中最重要的機制是不斷的反饋循環。你可以透過提取練習來部分複製這一點：合上書本，寫下你記得的所有內容，檢查你遺漏了什麼。默寫法（blurting method）就是這其中的一個簡單版本。康乃爾筆記法（Cornell method）則將其融入到了筆記格式中。

在理解之前不要繼續前進。 精熟學習的核心原則是差距會累積。如果你不理解第 2 週，第 3 週就會更難，到第 6 週你就會迷失方向。在感到困難的材料上花費額外的時間，而不是為了跟上班級的進度並寄希望於差距能自我解決，是防止這種連鎖反應最可靠的方法。

尋求個人化的解釋。 當一個概念無法理解時，換一個不同的解釋，而不是重複閱讀同一個。向朋友請教、向導師請教，或要求 AI 助手用不同的類比來解釋它。概念是一樣的，但通往理解的途徑因人而異。

讓你的學習變得主動。 布魯姆輔導的學生一直在積極參與：回答問題、解釋他們的推理、應用概念。被動地重複閱讀是最常見的學習方法，也是最無效的。主動回想、間隔重複和闡釋複製了使輔導有效的主動參與。

常見問題

究竟什麼是 two sigma？ Two sigma 意指比平均值高出兩個標準差。在常態分佈中，比平均值高出兩個標準差的分數高於大約 98% 的所有分數。在布魯姆的研究中，這意味著接受一對一輔導的平均學生的表現優於傳統課堂中 98% 的學生。

精熟學習是布魯姆發現的嗎？ 布魯姆開發並正式化了精熟學習方法，該方法涉及將材料分成單元、在每個單元后進行測試，並在繼續前進之前提供糾正性教學。該概念借鑒了早期的工作，但布魯姆的系統性研究和他 1984 年的論文建立了使精熟學習成為教育研究主要力量的證據基礎。

Two sigma 的發現被複製過嗎？ 儘管不同研究和背景下的效應量有所不同，但後續研究支持了一對一輔導帶來的特定 2 sigma 效應。對輔導項目的元分析一致發現了巨大的效果（通常為 0.4 到 1.0 SD），而哈佛 2025 年的隨機對照試驗發現，AI 輔導產生的學習率大約是主動學習課堂的兩倍。廣泛的共識是，個人化、適應性的教學能產生比傳統教學顯著更好的效果，即使具體幅度有所不同。

AI 真的能取代真人導師嗎？ 目前的 AI 輔導掌握了使真人輔導有效的幾種機制：即時反饋、適應性進度、個人化解釋，以及透過提問進行主動參與。它尚未能複製優秀真人導師的情感智慧、動機敏感度和深厚的教學專業知識。但對於許多根本無法接觸到真人導師的學生來說，一個了解其課程材料的 AI 導師與獨自學習相比，已是巨大的進步。

基於我材料的 AI 導師與 ChatGPT 有何不同？ ChatGPT 是根據其通用的訓練數據進行回答。它可能知道你學科的大致輪廓，但它沒有閱讀過你的教學大綱、你的閱讀材料或你的課堂逐字稿。而基於你實際課程材料的 AI 導師則是根據你的內容進行回答：你特定課堂的頁面、簡報和時間戳記。對於具有特定閱讀材料、特定理論框架以及強調與教科書不同內容的講師的課程，這種差異最為重要。

開始將 AI 用作學習工具的最佳方式是什麼？ 將你的教學大綱和核心閱讀材料上傳到一個可搜索的工作區中。開始記錄課堂錄音，以便可以搜索逐字稿。要求 AI 就材料對你進行測驗、解釋概念並尋找閱讀材料之間的聯繫。你添加的材料越多，導師就越有用，因為它有更多的背景資訊可以利用。

相關閱讀：如何記住你所學的內容、什麼是默寫法？、AI 優勢不在於模型，而在於記憶。相關指南：學生學習系統、康乃爾筆記法、記筆記基礎知識、學位論文工作流程、文獻探討。