用途与实际影响
这一步怎样帮助学习
为什么需要它
第一次搜索可能漏前提，第一次讲法也可能有问题；如果AI只维护原答案，交流会退化成反复说服。
举个实际例子
如果后来发现讲义里有一句话会把我带偏，AI 不能只在文件里悄悄改掉。它要回到对话里告诉我原来怎么写、新证据是什么、现在改成什么，以及这会不会改变后面的判断。
最后我会得到什么
得到一条可审计的修正链：什么触发复查、查了什么、为何改口、哪些未知仍保留，以及是否值得继续。
证据足够时
追问或反例被准确理解，补查结果和变化理由显式呈现。
遇到冲突时
AI只重复原答案、静默改口或把异议记成错误时，回到来源和前提重审。
暂时无法判断时
无法确认原话、来源或场景时先澄清一个必要问题，不扩大推断。
从哪里开始
指出哪里不贴合、不懂，或给一个现实反例。
需要准备什么
- 具体质疑
- 能改变判断的反例或资料
从开始到拿到结果
- 1
系统核对并处理
分清事实变化、场景差异、前提遗漏和讲法问题，只补会影响答案的证据。
- 2
交付与接续
主动说明原说法、新依据、现结论和影响；仍不足则保留未知或做最小验证。
技术实现与依据
这里保留实现、关键条件、精确入口、历史记录和验证结果。
交流被视为判断输入，不是答案后的附加客服；沉默不会触发新内容关键规则与设计选择
回答包含当前结论、依据、有效时间、适用范围、未知和改变条件。
事实可能变化、来源冲突、用户给出反例或解释依赖假设时重新查证。
之前说错或讲错时明确承认，不能静默覆盖旧结论。
后来发现会改变理解的重要修正时，即使用户没有重新打开材料，也要在对话中主动告知原内容、新结论、原因和影响。
没有反馈不等于理解或同意；正式下一步保持不动。
这里会用到的说法
- formative feedback（形成性反馈）
- 根据当前真实理解给出下一步线索和修正，而不是只报对错。
- adaptive scaffolding（自适应支架）
- 按当前问题选择提示、例子或深度，而不是固定输出一整套内容。
- recourse（申诉与修正）
- 人可以质疑AI判断，并获得可解释的复查和修改路径。
这一步说的是什么
每个回答都留下依据、范围、未知和改变条件；追问、反例与现实经验出现后，AI可以重新搜索并明确改口。
避免什么问题
解决维护第一次回答、把异议当错误、静默改口、表达被误解和没有反馈却自动推进。
AI现在怎样协助
- 把用户问题、反例和现实经验当作新证据候选，而不是标签化学习表现。
- 只问会改变当前判断的最少澄清问题，不把专业路线审核甩回给人。
- 补查后保留原判断与新判断的差异、依据和影响。
- 可随时暂停；恢复只读最小断点，不要求重讲已知事实。
这一步怎样进行
- 1
听取追问、反例或不理解之处。
- 2
判断是事实变化、场景差异、前提遗漏、讲法问题还是表达被误解。
- 3
只读取会改变答案的资料并重新查证。
- 4
说明原依据、新发现和结论变化。
- 5
由人决定继续讨论、换方向或暂停。
边界
- 交流自然不等于有效；诊断、补查和再次尝试才是关键。
- 不影响理解的排版或措辞修正可留在材料中；会改变概念、边界、取舍或下一步的修正必须主动通知。
- 不保存原始反馈、个人画像或长期掌握评分。
- AI可以建议改变，但涉及人的真实情况和最终取舍必须由人决定。
遇到问题时怎样处理
- AI重复同一答案
- 停止改写措辞，检查来源、假设和场景是否需要重查。
- 用户表达可能被误解
- 先核对原意，不把表达偏差当成理解问题。
- 补查后证据仍不足
- 保留未知或转入有权人员/最小验证，不继续推测。
- 重要修正只写回讲义
- 立即在对话中补充说明原内容、新结论、证据与影响；不能把重新阅读责任推给人。
参考与依据
Wisniewski et al. · Feedback meta-analysis形成性反馈总体效应、异质性和信息内容影响
EEF · Feedback approaches反馈应建立在对当前理解的诊断之上
US Department of Education · AI and the Future of Teaching and Learning人类能动性、可检查和可覆盖的AI教育边界
怎样检查这一步没有跑偏
- 用来源冲突、现实反例、模糊反馈和识别异常场景检查是否选择正确处理。
- 修正必须能指出原依据、新证据、变化结论和未解决项。
- 不能用回复更长、更像人或更快来证明交流更有效。
和其他步骤怎样衔接
发现需要事实复核时回到来源模块；文字仍不足时把精确问题交给题目与验证模块。