使用 Study and Learn 代理

学习代理提供了具有多种学习功能的基架聊天体验。 下面是每个功能的概述,以及如何有效地使用它。

基架式学习对话

学习代理的核心体验是一个自适应的基架对话,它满足你所处的位置,并逐步建立理解。 与传统聊天机器人只是回答你的问题不同,学习代理是围绕一个核心原则设计的:学习者进行思考。

工作原理:

  • 从你所知道的内容开始: 代理首先询问你已经知道的有关主题的内容,然后从那里生成。 这会激活你先前的知识,并帮助代理根据你的级别校准其响应,为每个学习者提供个性化的体验。

  • 将主题分解为多个步骤: 代理一次引入一个概念,而不是展示信息墙,从而检查你的理解。 每个步骤都基于最后一个步骤。

  • 适应不同的学习意向: 代理会根据你尝试了解的内容来调整其方法:

  • 广泛的概念 (例如,“什么是角动量?”) :将主题分为多个子概念,使用各种说明格式,包括类比、示例和比较。

  • 步问题 (例如,“解决 4 (2x?3) =28”) :指导你完成问题解决过程,帮助你检查自己的答案,而不是为你解决问题。

  • 以不同的方式解释: 当某些内容未单击时,代理会尝试其他方法- 类比、有效的示例、比较或更简单的重新解释。 目标是让你理解,而不仅仅是听到答案。

  • 始终以问题为线索: 代理在整个对话中提出问题,以保持你积极思考。 它通过提示和子问题引导你获得答案,而不仅仅是给出答案。 当你苦苦挣扎时,它提供了一个更简单的问题,让你回到正轨。准备就绪后,这会增加挑战。

  • 作为上下文的文件: 如果已上传文档、幻灯片、PDF 或其他材料,代理会将其用作地面上下文。 引文将在整个对话中显示,以便你可以根据原始来源验证信息。

如何使用基架对话: 首先询问主题或上传学习材料。 Engage代理的问题 — 在询问答案之前尝试回答。 当代理询问“你认为什么?” 或“你能尝试吗?” 时,请花点时间思考一下你的回答。 这种积极的参与是使学习坚持下去的。 如果遇到困难,代理将提供提示并逐步提供更多支持。 你始终可以要求澄清或查看以不同方式解释的概念。

编写支持

学习和学习代理可帮助学生培养写作技能,而无需为他们写作。 例如,当你将写作任务 (“帮助我做关于重建的文章”) 时,代理会指导你完成写作过程的阶段:集思广益、组织、起草和修订。

工作原理:

  • 提出你的想法: 代理会提出问题,帮助你在开始写作之前阐明你想说什么。 它可以帮助你识别你的论点,找到支持证据,并整理你的想法。

  • 知识差距指导: 如果代理识别出你理解的薄弱领域,它可以帮助你在将知识纳入写作之前建立该知识。 这可确保你的写作反映真正的理解。

  • 指导编写过程: 代理将引导你完成集思广益、概述、起草和修订。 在每个阶段,它都会提出可以锐化思维和改进工作的问题。

  • 永远不要为你写: 代理不会为你生成论文文本、段落或完整句子。 它的作用是指导 - 建立持久的写作判断和批判性思维,而不仅仅是产生更好的草稿。

如何使用写入支持: 首先,告诉代理你正在处理什么以及你处于哪个阶段。 如果你在入门时遇到困难,代理可以帮助集思广益。 如果你有草稿,它可以帮助你确定需要加强的领域。 对它提出的问题开放 - 它们旨在通过让你的思维更加敏锐,让你的写作变得更好。

学习中的图像

Study and Learn 代理将 Web 搜索的图像编织成解释,以帮助你可视化概念。 图表、图表、视觉辅助工具和真实照片与文本说明一起显示,它们增加了学习价值,而不是作为装饰,而是作为真正的学习工具。

工作原理:

  • 从可靠来源中精选: 图像是从 Web 源中提取的,并提供引文,因此你知道每个视觉对象的来源。

  • 在适当时使用: 当图像真正支持理解时,该代理包括图像,例如,生物学中的细胞结构图、地理地图、化学中的分子图或数学中的几何图。

  • 减少认知负载: 视觉辅助可帮助你构建心理模型,而无需在处理新概念时在脑海中构造视觉对象。 这对于空间和视觉对象尤其强大。

如何使用图像: 图像在相关时自然出现在对话流中。 还可以要求代理“向我显示...”或“你可以找到说明的图像...”请求对特定概念的视觉支持。

卡片

学习代理中的抽认卡。

抽认卡是一种经过验证的主动召回技术,即尝试从记忆中检索信息的过程,这比重读笔记更能加强学习。 学习代理根据你自己的材料或你正在学习的任何主题生成抽认卡。

工作原理:

  • 从内容生成: 抽认卡是从上传材料中的关键事实、定义和概念或你正在讨论的主题创建的。 它们特定于你正在学习的内容, 而不是一般的互联网闪卡。

  • 交互式 Q&A 格式: 每个抽认卡在一侧显示一个问题或术语。 在透露答案之前,请尝试回忆起答案。 例如,抽认卡可能会问“心脏瓣膜的功能是什么?” ,答案是“防止血液向后流动,确保单向循环”。

  • 上下文提示:如果遇到卡,可以在显示答案之前请求提示。 提示是基架 - 他们推动你走向答案,而不放弃它。

  • 内置修正: 完成一组闪卡后,代理可帮助你处理错过的卡片。 它重新教授错误答案背后的概念,并允许你重试,直到你感到自信。 可以只重做错过的或整个集。 你也可以洗牌,这样你就不会只是从上一轮的记忆中回忆起。

如何使用抽认卡: 要求代理“创建闪卡”了解你正在学习的内容,或者代理可能会在学习对话后建议它们。 在翻转之前尝试回忆答案,完成每个卡。 标记你挣扎的人,然后回到他们身边。 将抽认卡纳入定期学习例程,以便间隔重复 ——每隔几天练习一次可以增强长期记忆。

测验

Study and Learn Agent 中测验的屏幕截图。

学习代理会生成测验,以帮助你测试你对正在学习的材料的理解。 测验提供有关每个答案的即时特定反馈。 测验分数只是突出显示了你得到的对错;它们不是为了预测你在实际课堂测试中可能得到的分数。 测验分数是私有的,仅对你可见,你的教师或其他任何人都看不到。

工作原理:

  • 从内容生成: 测验是从上传的材料或正在浏览的主题创建的。 问题始终与你实际学习的内容相关。

  • 多种问题格式: 测验可能包括多选题、简短答案和其他涵盖学习课程中关键概念的问题类型。

  • 按答案说明: 回答每个问题后,代理会提供有针对性的解释 - 加强正确答案并解释错误答案为何错误。 此反馈循环远比只查看分数更有效。

  • 支持测试效果: 在测验中尝试回忆答案的行为比重读笔记更能增强你的记忆力。 测验本身就是一种强大的学习技术。

  • 结果隐私: 测验结果是完全私密的。 它们不会发送给讲师、存储在成绩簿中或与任何人共享。 测验仅用于你的自我评估-一个安全的空间,可以犯错误并从中学习。

如何使用测验: 要求代理对你正在学习的内容进行“测验”或“测试我的理解”。 在提交之前,请深思熟虑地回答每个问题。 仔细查看解释,特别是对于你弄错的问题,然后回去进一步研究这些概念。 你可以根据需要多次重新参加测验。

匹配

“学习代理”中的“匹配”的屏幕截图。

“匹配”活动通过配对项来测试你连接相关概念的能力。

工作原理:

  • 概念连接: 某些卡片可能包含术语、概念或问题,而另一些卡片包含定义、说明或答案。 例如,将解剖结构与其函数或历史事件匹配到其日期。

  • 主动召回和关联: 匹配可增强你在相关想法之间形成联系的能力,这是深入理解的关键要素。

  • 适用于任何主题: 生物学术语、历史时间线、物理公式、语言词汇或任何概念之间关系重要的内容。

如何使用匹配: 要求代理“创建匹配活动”,或者可能会在学习期间建议一个活动。 在检查之前,请仔细检查每对,尝试从内存建立连接。 匹配作为快速复习练习特别有效,可增强你一直在学习的关联。

填写空白

“在学习和学习代理中填写空白”的屏幕截图。

“填写空白”活动通过显示关键句子来测试你对特定术语和事实的召回率,并删除了关键字词。

工作原理:

  • 从关键概念中得出: 句子来自学习材料中的重要想法,基本术语或短语被留空。例如:“____是细胞的动力” (答案:线粒体) 。

  • 加强特定召回: 此活动补充了测验测试的更广泛理解,以及通过抽认卡测试的快速召回。 它对于具有重要流程理念、解释事物工作原理或涵盖一系列事件的主题尤其有效。

  • 上下文提示: 如果你遇到困难,你可以请求提示你指向正确方向,而无需给出答案。

如何使用填充空白: 要求代理“创建一个填充空白活动”,或者它可能会提供一个作为学习会话的一部分。 浏览每个空白,尝试回忆起确切的术语。 在查看主题说明以检查是否可以回忆特定术语和事实详细信息后,这尤其有用。

修正 - 帮助解决错过的内容

学习代理最强大的功能之一是在所有学习活动中内置修正。 出现错误时,代理不仅将其标记为错误,还有助于你从错误中吸取教训。

工作原理:

  • 有针对性的再教学: 如果错过了抽认卡、测验问题、匹配对或填写空白,可以要求代理帮助你了解它,并识别错误背后的概念,并帮助你在继续操作之前了解它。

  • 错误作为学习机会: 代理将错误视为有价值的错误,这是学习的自然组成部分。 反馈特定于你执行的操作,而不是通用的。 它可以帮助你弄清楚 为什么 出现问题, 以及如何 以不同的方式看待它。

  • 重做你错过的内容: 任何活动后,可以选择仅重做出错的项目,或重做整个集。 代理跟踪你的进度,并鼓励你完成困难项目,直到你感到自信。

  • 基架支持: 如果继续为某个概念而苦苦挣扎,代理会逐步提供更多支持(提示、替代说明、工作示例),直到概念单击为止。

如何使用修正: 完成任何学习活动后,查看结果。 对于错过的项目,请让代理再次引导你完成概念。 然后重试这些项目。 这种尝试→反馈→重新学习→重试的循环是学习科学中最有效的学习技术之一。