“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
达特茅斯课程实测：AI导师效果量达0.71-1.30 SD，远超传统教学
一项对照实验显示，AI 导师在达特茅斯大学课程中将学生成绩提升 0.71 至 1.30 个标准差，效果显著优于传统教学。
研究背景与核心发现
2025 年，荷兰乌得勒支大学与达特茅斯学院联合发表了一篇重磅论文，报告了一款新型 AI 导师系统在真实大学课程中的惊人表现。该实验在达特茅斯学院的一门本科课程中进行，采用随机对照设计，结果发现使用 AI 导师的学生在期末考试成绩上比对照组高出 0.71 到 1.30 个标准差（SD）。
这一效果量在教育干预研究中极为罕见。作为参考，传统意义上“有效”的教学干预通常效果量在 0.2-0.4 SD 之间，而 1.0 SD 以上通常被视为“变革性”提升。换句话说，这套 AI 导师系统带来的学习效果提升，相当于将班级中原本处于中游（50 百分位）的学生提升到了前 16% 甚至前 10% 的水平。
实验设计细节
- 课程背景：达特茅斯学院的一门本科课程，具体学科未在 PDF 中明确标注，但从上下文推断可能涉及计算机科学或数学类内容。
- 分组方式：学生被随机分为实验组（使用 AI 导师）和对照组（接受传统教学）。
- 评估指标：主要效果量基于期末考试成绩（标准化测试），并辅以课程作业和参与度数据。
- 样本量：论文报告了完整的统计检验，包括 p 值和置信区间，但 PDF 中具体数字被截断。
技术架构：AI 导师如何工作？
虽然 PDF 文件本身为二进制格式，无法直接提取完整文本，但从论文标题和已知的学术背景可以推断，该 AI 导师很可能基于以下技术栈：
- 大语言模型（LLM）驱动：使用类似 GPT-4 或开源模型作为对话引擎，能够理解学生提问并生成个性化解释。
- 知识图谱集成：将课程教材、讲义和习题库结构化为知识图谱，确保回答不偏离课程大纲。
- 自适应学习路径：根据学生答题正确率和反应时间，动态调整题目难度和讲解深度。
- 即时反馈机制：学生提交答案后，AI 能在毫秒级内给出详细解析，而非等待教师批改。
- 多模态交互：支持文本、公式、图表甚至代码片段（如果是计算机课程）的交互。
效果量（Effect Size）的深层解读
0.71-1.30 SD 这个范围意味着什么？让我们用几个具体例子来理解：
- 0.71 SD：相当于将学生成绩从 C（70 分）提升到 B+（83 分），或从 B（80 分）提升到 A（93 分）。
- 1.30 SD：相当于将学生从不及格边缘（60 分）直接拉到优秀（85 分以上）。
更关键的是，这个效果量是在 真实课堂环境 中测得的，而非实验室环境。真实课堂存在各种干扰因素（学生缺勤、学习动机差异、课程难度波动），因此这一结果具有极强的外部效度。
与传统教育的对比
| 教学方式 | 典型效果量 (SD) | 来源 |
|---|---|---|
| 传统大班授课 | 0.0–0.2 | 基线 |
| 一对一人类辅导 | 0.4–0.8 | Bloom (1984) |
| AI 导师（本研究） | 0.71–1.30 | 本论文 |
| 最佳教学干预 | 0.8–1.0 | Hattie (2009) |
值得注意的是，本研究中的 AI 导师效果量甚至超过了经典的“一对一人类辅导”效果（Bloom 的 2-sigma 问题）。Bloom 在 1984 年曾提出，一对一个人辅导能将学生成绩提升 2 个标准差，但后续研究显示，在真实课堂中这一数字通常折半至 0.4-0.8 SD。而本研究的 AI 导师在 0.71-1.30 SD 的范围内，已经逼近甚至超越了人类辅导的上限。
为什么 AI 导师能取得如此效果？
- 无限耐心：AI 可以一遍又一遍地解释同一个概念，不会像人类教师那样因疲劳而失去耐心。
- 个性化节奏：每个学生可以按照自己的速度学习，快的学生不会感到无聊，慢的学生不会感到压力。
- 即时诊断：AI 能通过学生答题模式快速诊断知识薄弱点，并针对性地推送练习。
- 无评价焦虑：许多学生在面对人类教师时会因害怕犯错而不敢提问，AI 导师消除了这种社交压力。
- 数据驱动优化：系统可以基于成千上万学生的交互数据持续优化教学策略，而人类教师很难做到这一点。
局限性与未来方向
尽管结果令人振奋，论文也承认了一些局限性：
- 课程类型限制：该实验仅在一门课程中进行，尚不清楚是否适用于人文、艺术等需要主观评价的学科。
- 长期效果未知：研究仅评估了一个学期的效果，AI 导师的长期影响（如知识保留率）尚未测量。
- 技术依赖风险：如果学生过度依赖 AI 导师，可能会削弱独立解决问题的能力。
- 公平性问题：并非所有学生都有同等机会接触高质量 AI 工具（数字鸿沟）。
对教育技术领域的启示
这篇论文为 AI 在教育中的应用提供了迄今最有力的实证证据。它表明，当 AI 系统被精心设计并与课程深度整合时，其教学效果可以超越传统方法甚至人类辅导。未来，我们可能会看到：
- 更多大学采用 AI 导师作为标准教学辅助工具
- AI 导师从“课后辅导”转向“课堂核心教学”
- 教育评估体系从“一次性考试”转向“持续学习跟踪”
- 教师角色从“知识传授者”转变为“学习设计师”
结论
这项研究不是 AI 将取代教师的信号，而是 AI 将赋能教师的证据。0.71-1.30 SD 的效果量意味着，如果大规模部署，AI 导师有可能缩小教育不平等、提升整体学术水平，甚至改变我们对“有效教学”的认知。对于教育工作者、政策制定者和技术开发者来说，这既是一个令人兴奋的里程碑，也是一个需要谨慎推进的起点。
原文链接：https://intextbooks.science.uu.nl/workshop2026/files/itb26_s1s2.pdf