Barbara Oakley教授訪臺演講紀實《大腦這樣學——神經科學與AI時代的教學革新》

陳佩英
6天前
讀畢需時 11 分鐘

已更新：12小时前

教育新知與國際串聯＞各國教育現場觀察

特稿報導｜資料來源：國立臺灣師範大學教育研究與創新中心

作者｜陳佩英國立臺灣師範大學教育研究與創新中心主任

————

在細微飄雨的早晨，我們迎接 Oakley 教授蒞臨師大美術館七樓，展開兩小時的精彩又能激發好奇的知識探索之旅。

圖1 Barbara Oakley教授於臺師大演講的現場情形

註：國立臺灣師範大學教育研究與創新中心拍攝。

從「學習如何學習」課程談起：記憶、多巴胺與直接教學法的科學依據

「12乘以12等於299。」

當一位工程學特聘教授在演講中突然拋出這個算式，臺下幾乎所有人都感到有什麼地方不對勁。Oakley 教授接著說，「你們內心那個『不對』的感覺，就是學習最重要的事。這個感覺必須在你自己的腦子裡，不能在 Google 裡，也不能在 ChatGPT 裡。」

這位曾經對數學感到頭痛、最終卻成為傑出工程學者的教授，長期主持全球最受歡迎的線上課程之一「學習如何學習」（Learning How to Learn），修課人數超過三百萬人。在一場以「教育與學習策略」為題的專題演講中，她結合最新神經科學與 AI 研究，對當前教育界許多根深蒂固的觀念提出有力挑戰，也為教師如何在 AI 時代重新定位自身的角色，提供了以科學為基礎的思考框架。

學習的本質：在長期記憶中建立連結

神經科學的基礎告訴我們，學習的本質是在長期記憶中建立神經連結。大腦的基本單元是神經元，每個神經元透過樹突（dendrites）接收訊號，再由軸突（axon）傳遞出去。當我們學習時，神經元之間會形成連結群；練習越多，連結越強。這些連結群在神經科學中稱為「記憶痕跡」（engrams），是學習最真實的存在形式。

Oakley 教授以一位工程系學生的故事為例，「他拿著考卷來問我，為什麼上課明明都聽懂了，考試卻不及格？」她的回答簡單直接，「聽懂了，不代表你學會了。」理解只是第一步；如果沒有將知識真正存入長期記憶，那個「聽懂」在考試前就可能被大腦的「突觸清潔機制」默默清除。

然而，現今的課堂環境往往過度強調概念理解，忽略了記憶與練習的根本地位。「我們太沉迷於『概念理解才是金鑰』這個想法，反而忘了，如果你無法記住你學過的東西，你就真的沒有學會。」。

學習策略的顛覆：提取練習才是王道

Oakley 教授在演講中向聽眾提出一個問題，以下四種學習技巧，包括反覆閱讀、螢光筆畫重點、製作概念圖，以及提取練習（retrieval practice，例如用閃卡自我測驗），哪一種效果最好？現場多數投給「製作概念圖」，這剛好是目前在全球各地教育現場最廣泛推廣的方法。

「我走到祕魯的偏遠村落，他們也告訴我概念圖是最好的方法。但問題在於，當這個方法被提出時，從來沒有人做過比較研究。它只是被『宣告』為最好的，然後全世界都開始相信。」

根據學習科學的實證研究，效果最好的其實是「提取練習」，也就是主動從記憶中召喚知識。每一次提取的動作，都在強化那條神經連結。卡皮克（Karpicke）與羅迪格（Roediger）在《科學》期刊發表的研究確立了這個結論，提取練習不只對記憶瑣碎事實有效，對深層概念理解同樣能發揮作用。

一個具體的案例是物理學家邁克爾．尼爾森（Michael Aaron Nielsen）。他每天散步時刻意把某個複雜的物理理論從腦中提取出來，幾天之後，他開始對這個理論有更深的掌握，最終找到了比原有方法更簡單的數學證明。Oakley 教授再次強調：「當你從自己的腦中提取時，你同時也在把這個知識與其他知識連結，這就是深度學習的核心。」

Oakley 教授也澄清了一個常見的說法，「教別人是最好的學習」。這個說法本質上是對的，因為教別人本身就是一種提取練習。站上臺、從腦中召喚知識、回答學生的提問，都是提取練習的形式。這個澄清並非否定教別人的價值，而是揭示其背後的科學機制。

AI時代的關鍵警示：你才是唯一知道的人

當 ChatGPT、Claude 等生成式 AI 工具滲透各級教育現場，一個根本性的問題浮現，如果 AI 能幫學生做作業、寫報告、解題目，學生還需要自己學習嗎？Oakley 教授的回答清晰而堅定，也有神經科學的支撐。她說：「AI 可以展示，但你才是唯一知道的那個人。知識必須在你自己的腦中形成連結。」

Oakley 教授舉了一個真實案例。她的一位朋友是某學術領域的頂尖學者，借助 ChatGPT 完成了一本驚悚小說。但她讀後發現，那是她所讀過最糟糕的書之一，對話平板、情節可預測，全無懸念感。問題不在於 AI 能力不足，而在於那位學者從未廣泛閱讀過優秀的通俗文學，腦中沒有建立「好小說應該是什麼樣子」的神經基模（neural schema），因此無法批判性地評估 AI 的輸出。她說：

「批判性思維，生長在內化知識的土壤上。如果腦中沒有先備知識，你就無法判斷 AI 給你的東西是好是壞。這便是為什麼我們必須確保學生在離開教室前，真正將知識裝進自己腦海裡的原因。」

因此，Oakley 教授強調，教師在 AI 時代最重要的角色是知識的守門人。這不是要限制 AI 的使用，而是要確保學生真正擁有內化的知識。低風險的頻繁測驗（不允許使用 AI）是目前最直接的實踐路徑之一。

兩條學習通路：海馬迴與基底核的分工

理解大腦的學習機制，需要認識兩條完全不同的學習通路。這兩條通路各有其性質，對教學的設計有深遠的啟示。

第一條通路是「海馬迴系統」（hippocampal system）。資訊從工作記憶透過海馬迴進入長期記憶，這是一種有意識的、緩慢的、陳述性學習方式，對應的是講述教學、概念推導，以及語言學習的初期階段。心理學家卡尼曼在《快思慢想》（Daniel Kahneman 《Thinking, Fast and Slow》）中描述的「慢思考」，就是指這個系統的運作。

第二條通路是「基底核系統」（basal ganglia system），這條通路的學習完全不在意識中進行。學習打棒球時，你反覆揮棒、觀察結果，但根本意識不到自己是如何學會的，這正是基底核系統運作的方式。它同時也是母語習得、運動技能養成，以及模式識別的系統，卡尼曼所說的「快思考」便從這裡而來。

值得注意的是，基底核系統在幼童時期與青少年期特別活躍。這剛好是小學語言教育、早期數學感培養如此關鍵的原因。基底核系統能建立的那種對數字的感覺與對語言的語感，是日後成年後再怎麼努力也難以複製的。

Oakley 教授也從神經多樣性的角度補充，自閉症類群障礙者有時具有更強大的基底核系統，能直觀地識別模式、看出答案，卻無法解釋過程，因為解釋本身需要仰賴陳述性系統。有讀寫障礙的學習者則可能是海馬迴系統較強，記憶力或視覺空間能力特別突出。她說：「如果你無法解釋，你就不真正理解它」這樣的說法，對於非典型神經發展的學習者而言，既不公平也不準確。」

表1 兩條學習通路比較

註：中譯自 Barbara Oakley 教授演講簡報。

豁然貫通：從大型語言模型看深度理解的形成

近年 AI 研究中有一個令人著迷的現象，稱為「豁然貫通」（Grokking）。當研究人員讓大型語言模型的訓練時間遠超一般停止點，模型對從未見過的新資料的表現，會突然大幅提升。這個現象揭示了深度理解的形成機制，也為教育提供了深刻的啟示。

模型在訓練初期，只是在「死記硬背」訓練資料（高維度的記憶化）。但持續訓練後，它開始在海量資料中發現底層更簡單、更本質的規律，將高維度的「資訊雜訊」壓縮成低維度的核心算法。一旦達到這個層次，它不只能處理見過的資料，還能舉一反三，應對從未遇過的情況。

更有趣的是，一個大型語言模型完成「豁然貫通」後，可以將這個簡化過的規律蒸餾（distill）給更小的模型，而那個小模型靠自己是無法達到的。她說：

「研究人員開始猜測，我們的海馬迴在學習時，是否也在做類似的事。學生反覆練習、深入思考，而非用 AI 代勞，一旦他們將資訊壓縮成核心模式，這個模式就能轉移到基底核，成為無意識直覺的根基，也就是程式設計師所說的『程式直覺』。」

這個洞見對教學的意涵在於，深度理解需要時間和大量練習，無法被取代。如果我們總是說「去問 AI 就好了」，學生永遠無法達到那個深度理解的臨界點，永遠只能停留在表面的資訊調用，而無法成為真正的專家。

Oakley 教授進一步提出學習的「85%法則」，指出學習者應該能在大部分情況下答對。全部答對代表難度太低，無法推進學習；大部分答錯則會打擊信心並失去學習方向。這個法則同樣適用於大型語言模型的訓練過程。

直接教學法：50年最大教育研究的沉默結論

「Follow Through 計畫」是迄今歷史上規模最大的教育研究，由美國政府在 1967 至 1977 年間進行，耗資一億美元，涉及數萬名教師與數十萬名學生，比較了九種不同的教學方法，包括探究式學習、開放教育、行為主義模式，以及「直接教學法」（Direct Instruction）。

研究結果清晰地說明「直接教學法」的成效遙遙領先所有其他方法。更令人震驚的是，採用部分方法的學生在學年結束時，實際上比學年開始時懂得更少，可見教學方法選擇不當，確實會讓學生退步。

然而，這個結論幾乎被封存了。其餘八種方法的支持者聯合施壓，最終研究雖然發表，卻附帶了「所有教學方法都有其價值」的結語，而這個結語完全違背研究本身的數據。

直接教學法並非單純的傳統講述，而是精心設計的講授與主動學習的混合，並配合系統性的鷹架（scaffolding）。關鍵在於講授與主動學習的比例，應根據學科性質、學生程度與先備知識動態調整，教寫作可能需要較多主動練習，教物理化學則需要較多概念講授。

Oakley 教授也針對近年廣泛流行的「主動學習優於傳統講授」論述提出質疑。2014 年在《美國國家科學院院刊》（PNAS）發表的一篇研究聲稱「在 STEM 課堂使用主動學習，學生表現大幅提升」，但仔細閱讀其定義，「主動學習課堂」可以是一個 90% 時間在講授、只有 10% 時間做互動活動的課堂。這篇研究實際上說的是加入一點點主動學習比純講授好，卻被解讀並傳播為要大量使用主動學習，這種放大效應在教育改革中一再重演。

她強調：「我們不斷接收到一個訊息，要增加主動學習的比重。但當你把這個比重加到超出應有範圍，就等於減少了鷹架，學生反而學得更少。主動學習是香料，它可以讓一頓飯非常精彩，但如果整頓飯都是鹽，那就不是一頓飯了。」

多巴胺與好奇心：激發學習的神經機制

談到學習的神經科學，不能不提多巴胺（dopamine）。這個分子通常被稱為快樂分子，但更精確的說法是預期分子。它在我們得到意外獎勵時釋放，遍布大腦，特別流向正在集中注意力的區域，進而強化學習的效果。

好奇心觸發多巴胺分泌，而多巴胺幫助我們學習，形成一個正向循環。研究顯示，當實驗小鼠的多巴胺系統被阻斷，牠們就完全無法學習任何新事物。

對教師而言，這個發現的實際應用是在課程開始時設計一個「鉤子」（hook，即引起動機的設計），也就是一個能激發學生好奇心的問題、故事或情境。即使後續的教學內容相對枯燥，學生也能因為那個最初的好奇心而保持投入，學得更深。就像一本好的推理小說，勾起你好奇後，你甚至願意費力地讀過大量技術性描述，因為你想知道答案。

更關鍵的是所謂的「啊哈！」時刻。當學生在引導下自己找到答案的瞬間，多巴胺精準地射入突觸間隙，這正是建立強大神經連結的關鍵時刻。這也是為什麼好的提問、適當的探究式教學（有鷹架、有引導）對學習有效，不是因為學生中心在哲學上的專業正確，而是因為它還可以觸發多巴胺驅動的神經連結強化。

Oakley 教授也提到，AI 工具（如 ChatGPT、Claude）在這方面可以成為教師的有力助手。她說：「把講義上傳給 AI，要求它為這個主題設計一個能勾起學生好奇心的簡短開場白，這完全可行，也可以節省教師大量的備課時間。」

教育流行病：典範卡特爾與0.13%的複製率

Oakley 教授提出了一項令人不安的數據，教育學術期刊論文中，只有約 0.13% 的研究曾被他人獨立重複驗證並獲得相同結果。這個數字揭示了教育研究的根本性弱點，我們雖有大量的論文、主張與所謂的「最佳實務」，卻幾乎沒有經過反覆驗證的確定知識。

Oakley 教授以「典範卡特爾」（paradigm cartel）這個概念解釋為何這個問題長期存在。在任何學術場域，申請資金、獲得終身職、被期刊接受、受同儕肯定，都需要服從主流典範。一旦某個觀點獲得足夠多的資源支持，即使後來的研究發現它存在問題，糾正的成本也會非常高。

「以學生為中心的學習」（student-centered learning）就是 Oakley 教授認為典型的「病理性利他主義」案例，動機善良、聽起來正確，但缺乏足夠的科學支撐，實際效果也因實施方式而差距懸殊。她並非主張回到純粹的傳統講述，而是呼籲教育工作者以更嚴格的科學眼光審視各種教學主張，而非因為它們「聽起來好」、「受到倡議」就全盤接受。

她進一步解釋：「我們現在正處在一個新時代，神經科學和 AI 共同為教育提供了前所未有的洞見。我們有多少師培課程，還在大量教授幾十年前的教育學者的理論，而不是教『大腦如何學習』？」

東亞教育傳統的重新詮釋

在演講結尾的問答環節，Oakley 教授提出了一個對臺灣、中國大陸等東亞社會有特別意義的觀點。傳統的東亞教學方式，強調記憶、練習與頻繁測驗，在神經科學的框架下，並非保守的遺留物，而是有深厚科學依據的有效方法。

「如果把所有華裔研究生從美國移走，我們甚至無法做 AI 研究。你們的教學方式真的很有價值。」Oakley 教授表示，問題不在於東亞教學法本身，而在於它能否適當地融入激發好奇心的元素，而這正是 AI 工具可以發揮作用的空間。

因此，Oakley 教授建議教師可以把講義上傳給 AI 助手，請它為某個主題設計一個能讓學生感到好奇的簡短開場。她解釋：「你仍然是在教學，仍然是考試導向，但你讓學生對學習本身產生了內在動機。這樣的改變不需要顛覆整個教學體系，卻可以帶來顯著的差異。」

結語：面向AI時代的教學框架

綜合這場演講的核心洞見，以下幾個教學原則在 AI 時代顯得尤為重要。

重視提取練習，確保學生在沒有 AI 輔助的條件下進行頻繁的低風險自我測驗，讓知識真正內化進長期記憶。以此檢驗學習成效，而非僅依賴作業或報告，因為這些都可以由 AI 代勞。
靈活運用直接教學，將講述教學與主動學習視為互補的工具，根據學科性質和學生程度靈活調整比例，而非盲目追隨任何單一的教學流行趨勢。
善用「好奇心鉤子」，在每個教學單元的開頭設計引起動機的亮點，利用多巴胺機制讓學生在接受知識時保持投入，AI 工具可以有效協助這個環節的設計。
包容神經多樣性，理解學生的神經發展差異，不以單一的理解或解釋標準衡量所有學習者，尤其是自閉症類群障礙與讀寫障礙學生。
保持科學批判精神，對教育研究保持批判性眼光，自問這個主張有沒有被獨立重複驗證，它的樣本和定義是否清晰，它所宣稱的效果是否真的是該原因造成的。

演講末尾，Oakley 教授拋出了一個關於未來的問題。弗林效應（Flynn effect）顯示，自 1970 年代起，西方國家的智商分數持續下滑。在 AI 工具日益普及的今天，這條曲線將繼續下行，還是我們能找到一個「認知現實主義」的拐點，讓它重新上揚？

她認為，答案取決於我們是否願意誠實地面對大腦的運作方式，並將這份理解轉化為教學設計的核心原則，而不是繼續追逐一個又一個聽起來美好、卻缺乏科學驗證的教育流行詞。

圖2 Barbara Oakley教授與講座海報合影