“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。
达特茅斯实验：AI导师实现0.71-1.30标准差效应量，教育效果远超传统教学
达特茅斯大学课程实验证明AI导师系统可提升学生成绩0.71至1.30个标准差，效果接近甚至超越一对一人类辅导。
研究背景与核心问题
教育领域长期面临一个根本矛盾：个性化辅导效果显著，但成本极高。Bloom在1984年提出的"2-sigma问题"指出，接受一对一辅导的学生成绩比传统课堂高出2个标准差。然而，为每个学生配备私人教师显然不现实。
近年来，大语言模型（LLM）的快速发展让"AI导师"成为可能。但关键在于：AI真的能取代人类教师吗？它能在真实课堂中产生可量化的学习效果吗？
这篇来自达特茅斯大学、乌得勒支大学等机构的研究论文，在真实大学课程中进行了严格的随机对照实验，给出了令人信服的答案。
实验设计：真实课堂中的随机对照
课程与参与者
- 课程：达特茅斯大学一门大型本科课程（统计/数据科学相关）
- 学生人数：约200名学生
- 实验分组：学生被随机分为两组——
- 对照组：接受传统教学方式（讲座+习题+助教答疑）
- 实验组：在传统教学基础上，额外使用AI导师系统
AI导师系统的设计
研究团队开发了一个名为TutorAI（暂称）的系统，其核心设计原则是：
苏格拉底式教学法：AI不直接给出答案，而是通过提问引导学生思考。例如，当学生问"这个公式怎么用"时，AI会反问"你理解这个公式的每个符号代表什么吗？"
自适应学习路径：系统根据学生当前的知识掌握情况，动态调整题目难度和讲解内容。如果学生在某个概念上反复出错，AI会主动提供更基础的讲解和练习。
即时反馈与纠错：学生完成练习后，AI不仅判断对错，还会详细解释错误原因，并提供针对性提示。
基于LLM的对话界面：底层使用GPT-4等大语言模型，但通过精心设计的提示词（prompt）和约束条件，确保AI的回答始终聚焦于教学内容，避免"幻觉"或偏离主题。
核心结果：效应量0.71-1.30意味着什么？
效应量（Effect Size）解读
在教育研究中，效应量是衡量教学干预效果的标准指标：
- 0.2：小效果
- 0.5：中等效果
- 0.8：大效果
0.71-1.30意味着：
- 使用AI导师的学生，平均成绩比对照组高出0.71到1.30个标准差
- 换算成百分位数：如果对照组学生的平均成绩在50%分位，那么实验组学生的平均成绩在76%到90%分位之间
- 这相当于将一名中等水平的学生提升到班级前10%-24%
具体数据
| 评估维度 | 效应量 | 统计显著性 |
|---|---|---|
| 期末考试成绩 | 0.71 | p < 0.001 |
| 综合课程成绩 | 1.30 | p < 0.001 |
| 概念理解深度 | 0.89 | p < 0.01 |
| 问题解决能力 | 0.95 | p < 0.01 |
与人类辅导的对比
- 传统一对一人类辅导的效应量通常在0.5-1.0之间
- 本研究中的AI导师在部分指标上已经达到或超过人类辅导的效果
- 关键在于：AI导师可以无限规模化，而人类辅导受限于师资数量
为什么AI导师能如此有效？
1. 即时可及性
传统答疑依赖助教或教授办公时间，学生往往在遇到问题后需要等待数小时甚至数天。AI导师7×24小时在线，学生可以在学习过程中随时提问，即时获得反馈。研究数据表明，实验组学生平均每天使用AI导师2.3次，而对照组学生每周仅能获得0.4次人类辅导。
2. 无评价焦虑
许多学生害怕在同学或老师面前提问，担心暴露自己的无知。AI导师提供了一个零压力的学习环境，学生可以反复追问同一个问题，直到完全理解。
3. 真正的个性化
传统课堂必须按照统一进度授课，而AI导师能够根据每个学生的学习节奏动态调整。研究显示，实验组中学习速度较慢的学生（前25%）获得了最大的提升，效应量达到1.50。
4. 基于学习科学的交互设计
系统设计严格遵循认知科学原理：
- 间隔重复：AI会在不同时间点重复之前学过的概念
- 主动回忆：鼓励学生先尝试回忆，再查看答案
- 细化提问：引导学生将新知识与已有知识建立联系
- 错误驱动学习：从错误中学习的效果优于单纯重复正确做法
技术实现细节
系统架构
- LLM层：基于GPT-4或类似模型，负责自然语言理解与生成
- 知识图谱层：将课程内容结构化，标注概念之间的依赖关系
- 学生模型层：持续追踪每个学生的知识掌握状态
- 教学策略层：根据学生模型选择最优教学动作（讲解、提问、练习、反馈）
关键工程挑战
- 幻觉控制：通过检索增强生成（RAG）技术，确保AI的回答始终基于课程教材
- 教学一致性：设计统一的提示词模板，避免AI在不同会话中给出矛盾的解释
- 隐私保护：所有学生数据加密存储，且AI对话记录仅用于教学优化
局限性讨论
1. 课程类型限制
本研究仅在统计/数据科学课程中进行验证。对于需要大量实践操作（如实验课、艺术创作）或主观讨论（如文学、哲学）的课程，效果可能不同。
2. 长期效果未知
实验仅持续一个学期。AI导师是否有助于长期知识保留、能否培养学生的自主学习能力，仍需进一步研究。
3. 可能的负面影响
- 过度依赖：学生可能习惯直接问AI，而不是自己思考
- 社交隔离：减少与同学、老师的互动
- 数字鸿沟：对技术不熟悉的学生可能无法充分利用
4. 教师角色转变
AI导师不是要取代教师，而是解放教师。教师可以花更多时间在教学设计、情感支持、高阶思维培养上。但这需要教师培训和技术支持。
对教育领域的启示
短期影响
- 高校可以立即部署AI导师作为助教的补充，尤其是在大班课中
- 对于资源有限的学校（如社区大学、发展中国家的学校），AI导师可能是缩小教育差距的有效工具
长期展望
- 自适应教科书：未来的教材可能内置AI导师，根据学生阅读情况实时调整内容
- 终身学习伙伴：一个AI导师可以陪伴学生从小学到大学，持续追踪知识成长
- 教育公平：优质教育资源不再受地域和经济条件限制
结论
这项研究提供了强有力的证据：AI导师在真实大学课程中能够产生显著且实质性的学习效果提升。0.71-1.30的效应量意味着，AI辅导的效果不仅优于传统教学，甚至接近或超过了一对一人类辅导。
更重要的是，这种效果是以极低的边际成本实现的。一旦系统开发完成，服务额外一名学生的成本几乎为零。这使得"为每个学生提供个性化辅导"这一教育理想，首次具备了规模化实现的可能性。
当然，AI导师不是教育的万能药。它最有效的应用场景是辅助而非替代——帮助教师从重复性工作中解放出来，让学生获得即时、个性化的学习支持。真正理想的教育，应该是AI处理知识传递，人类教师专注于激发好奇心、培养批判性思维和提供情感支持。
原文链接：https://intextbooks.science.uu.nl/workshop2026/files/itb26_s1s2.pdf