让 AI 检查教学类比：相像的关系说清楚，不相像的地方也要留下

10-01 3阅读

解释陌生概念时，一个熟悉的比喻能让人愿意继续听。但比喻带来的不只有方便，也可能夹带原物件的其他特点。让 AI 帮忙找类比时，可以要求它同时交付对应关系与失效边界，避免生动的故事比概念本身更难纠正。

AI生成概念示意图：两个对象之间部分可连接、部分不能连接的关系；饮料机只是教学类比，不是真实设备或软件界面。

先写学习目标，再决定借用什么

以下数字规则、教学片段和饮料机描述均为虚构练习。学习目标限定为理解一个确定的数字映射：输入正整数，输出等于输入的两倍再加一。例如输入一得到三，输入二得到五，输入三得到七。

我们想帮助读者理解输入、规则与输出之间的关系，暂时不讲程序执行时间，也不讲机器学习。目标越清楚，越容易判断某个类比到底帮了哪一步，而不只是让句子显得有趣。

请 AI 提出“像按按钮得到饮料”之后，继续逐项对应：按钮选择对应输入，柜内约定的选择规则对应映射，拿到的饮料对应输出。对应的是关系，不是宣称数字真的在机器里变成了物件。

真实饮料机可能缺货、卡住、需要付款，甚至同一按钮因补货而给出不同产品。这些特点在本例的数学规则里都没有约定。如果故事写得太具体，读者可能反而认为同一个输入有时没有输出。

因此类比应明确限定为“想象一台永远按固定规则工作的机器”。不过补丁太多也会削弱类比的帮助：如果解释机器的例外比解释数字规则还长，就可以直接用输入卡与输出卡，不必执着于这个比喻。

让 AI 将每句话标为保留的对应、主动排除的性质或尚未说明的性质。例如“按同一个按钮得到同样结果”属于本例对应，“必须投币”属于排除项，“是否可以从结果反推按钮”则需要另行判断。

现在换一条同样虚构的规则：奇数输入都输出蓝色，偶数输入都输出橙色。输入一和三都得到蓝色，输入二和四都得到橙色。每个输入仍有一个确定输出，但不同输入不必得到不同结果。

如果原解释写成“每个按钮都有独一无二的饮料”，读者就可能把一一对应误当成所有函数都必须具备的性质。AI 应用这条新规则检查原句，指出哪个修饰词给概念额外加了条件。

同样，看见蓝色也不能确定原输入究竟是一还是三。能否反推，取决于具体规则，而不是因为类比对象上印着按钮编号就自动成立。原来的两倍加一规则与奇偶颜色规则，需要分别判断。

可以给读者一个新输入四，请他按第一条规则得到九；再问第二条规则输入四得到什么，答案是橙色。这里检查的是是否理解规则，不能只问“这个比喻是不是很好懂”，因为喜欢故事不等于掌握概念。

再请读者判断“两个不同输入可以得到同一个输出”是否可能，并给出第二条规则中的例子。若他坚持不可能，就回头检查类比是否强调了独一无二，而不是把问题都归为读者不认真。

这些题目只是备课方案，没有实际学习者结果。AI 可以生成候选解释与反例，教师或作者需要检查概念定义、独立做题，并通过真实反馈决定是否保留类比。模型自己的复述不能代替学习成效。

一个有用的类比，应该帮助读者走到可以放下它的位置。把对应关系说清，再让读者用新材料完成任务，熟悉事物才成为入口；那些没有对应的细节，则不必跟着进入最终理解。