屏幕上的数字看起来更聪明

系统脱敏法的原理，说出来有点违反直觉。要消除对某种事物的恐惧，不是躲开它，而是主动接近它。一点点地接近，每次只承受刚好能扛住的那一点不适，等着焦虑消退，再往前推一步。南非心理医生约瑟夫·沃尔普在二十世纪五十年代把这套方法系统化了。他让怕猫的患者先看猫的图片，再隔着玻璃看真猫，再靠近笼子，再抚摸——每一步都不舒服，但每一步都可承受。沃尔普的洞见很简单：回避让恐惧固化，受控的暴露可以把它一层层剥掉。这听起来，像是在回答上一章结尾那个问题——‘这一段，我的锚点在哪里？’——的一种具体操作路径：把抽象的恐惧，拆解成一系列可承受、可定位的微小暴露步骤。

这条原理放在心理治疗领域，是好东西。但把它搬到数学教育里，就变了味。

过去十年间，一场声势浩大的“系统脱敏运动”席卷了数学学习领域。只不过，这次的目标不是焦虑，而是数学本身固有的认知困难。技术工具被推上前台：平板电脑上的互动游戏、能一步步拆解方程的解题App、把抽象概念做成动画的“沉浸式学习体验”。它们的承诺听起来很合理——用一种生动、循序渐进的方式，让学生触碰数学时不再感到挫败，喂给他们的每一步都刚好可承受。屏幕上的数字会动、会响应、会给即时反馈，它们看起来确实更聪明，也更友善。

问题是，真正的数学学习，需要的到底是“可承受”，还是“必要难度”？

这场运动的起点，可以追溯到一组早就让教育研究者坐不住的对比数据。大约十年前，一个研究团队做了件很简单的事：他们把学分数概念的学生分成两组。一组用传统的纸质练习册，上面印着需要手动填写的分数图示；另一组用定制的iPad互动应用。在iPad那组，体验是这样的：屏幕上出现一个圆形的饼，学生用手指在饼上划一道线，饼就自动“切”成两块，同时发出一声清脆的“叮”。

两块彩色积木分离，高亮显示，每块上方浮出“1/2”的标签。再切一刀，变成四块，“1/4”的标签弹出，伴随着一段轻快的旋律。做完一道匹配题，如果答对了，屏幕上会炸开一朵小小的烟花，一个卡通星星跳出来旋转两圈；如果答错了，积木块会温和地抖动一下，提示“再试试”，没有任何惩罚性的标记。

在纸质组呢？练习册上印着同样需要切分的圆形和方形，学生得自己拿铅笔画线，自己判断切得是否均匀，自己往回翻前面的例题去核对思路。答对或答错，书上不会炸烟花，也不会抖动。只有铅笔记号留在纸上，有些被橡皮擦过，留下模糊的灰迹。有些页角被反复翻折，形成一道浅浅的折痕——那是学生在几个例题之间来回对照时留下的物理痕迹。

做完练习后，两组都参加了一个即时测验。结果呢？成绩差不多。研究者没急着下结论。他们等了一个星期。

一周后的延迟测试里，纸质组在需要迁移应用的题目上显著领先——那些题目不是照搬练习套路，而是需要稍微转个弯。比如，练习时学生切分的是圆形，测试时出现了一个不规则的八边形，要求标注出三分之一。iPad组的学生面对这种必须自己从头推导思路的题目时，表现得像是患了某种解题肌无力：他们记得操作过那些步骤，但自己重置起点时，第一步就卡住了。效应量不算大，但在统计学上清清楚楚。这个研究后来被反复引用、反复复制，有些复现得出了类似的结果，有些没发现显著差异。争议至今没有完全平息。

但穿过争议，一个认知机制层面的解释逐渐浮出来，它远比“屏幕伤眼”或者“数字原住民注意力涣散”之类的流行叙事更经得起推敲。

解释的核心，是一对认知心理学里早被确认的概念：冗余效应和分割注意效应。理查德·迈耶在上世纪九十年代到本世纪初建立了一套“多媒体学习认知理论”，其中的实验设计简洁到近乎朴素，但结论影响深远。他和同事一遍遍测试一个基本问题：当你给学习者呈现信息时，多加一点“装饰性”的东西——一段背景音乐、一个无关的动画、一段跟核心概念只有比喻关系的视频——学习效果会更好还是更差？答案是，更差。

在一个经典实验中，迈耶让学生学习闪电形成的原理。一组看的是纯文本加静态示意图，另一组看的是同样的文本示意图外加一段有趣的短视频，视频内容和闪电有关，但并非理解核心机制所必需——比如雷暴天气的航拍画面。看完后立即测试，两组差不多。延迟测试，纯文本组对因果链条的复述更完整，在解答“为什么闪电先从云层打到地面再反弹回来”这种需要建构深层心理表征的问题时，正确率高出将近百分之二十。

迈耶的解释是：工作记忆的容量是固定的。你在“把信息整合成一条连贯的因果链”这件事上能分配的认知资源，总量有限。每多一条额外的声音、图像、动画，不管它跟主题沾不沾边，都会切走一部分资源。这不是注意力“涣散”的问题——即使你主观上完全专注于学习，你的工作记忆仍然在处理那些额外的信息流。它们挤占的不是注意力，是加工深度。

想象一下这个画面：你正在听一个人讲解一道几何证明题的思路。他语速不快，逻辑清晰。但同时，你余光里有一个屏幕在持续播放跟这道题相关的动画——三角形在旋转、辅助线在闪烁、每一步都用不同颜色的高亮标注。你觉得这些动画在帮你理解。但实际上，你的工作记忆正在同时处理两股信息流：讲者的声音是一条语音流，屏幕上变化的图形是一条视觉流。语音回路和视空间画板各自在解码，但中央执行器——那个负责把两条流整合成一个统一心理表征的瓶颈——已经接近满负荷运转。当讲解推到第三步、需要你把前两步的逻辑链条和当前这一步拼在一起时，中央执行器的剩余资源已经不足以完成这个拼接。

这就像一个人一边听讲座，一边有闪亮的弹幕在旁边飞过。弹幕内容跟讲座主题相关，甚至就是讲座的要点提炼。但你听完之后，对内容的记忆反而更模糊了。不是因为你分心，而是因为你的工作记忆在整合两股信息时，不得不牺牲一部分深度加工的空间。分割注意效应的核心就在这里：当信息被分割在不同感官通道、不同物理位置上呈现时，学习者必须额外消耗认知资源去把这些碎片拼回一个整体。拼的过程本身不产生理解，它只是理解前的准备工作。但准备工作消耗的资源，是同一个固定池子里的。准备工作占得越多，留给真正理解工作的就越少。

冗余效应则是另一个角度的同一种伤害。当屏幕上同时出现文字、语音讲述和动画演示，而这三者在说完全同一件事时，你的大脑不是“从多个渠道强化了同一个信息”——它是在被迫处理三次同一个信息，然后判断它们是不是真的一样。判断的过程消耗资源，确认它们相同之后，那信息本身并没有被加工得更深。你已经听懂了那句话，再读一遍字幕不会让它更牢固，只会挤走你本来可以用来思考“这句话跟上一句话是什么逻辑关系”的那点可怜的认知预算。

回到那个分数学习的对比研究。iPad应用里的切割动画、清脆的音效、炸开的烟花和旋转的卡通星星——这些元素在认知加工层面的角色，不是“让学习更有趣”，而是“让可用于建构深层表征的认知资源变少了”。它们为每一个操作步骤提供了即时的外显反馈——“你答对了”“再试试”“看，1/4长这样”。这些反馈把学习者的注意力持续锚定在离散的、一步步的操作动作上，却没有留给他们一段安静的时间去自己思考一个前置问题：切这一刀，到底改变了什么？

纸质组的练习册不会告诉你“你答对了”。你需要自己往回翻，自己核对，自己判断自己做的是不是跟例题一致。这个过程更慢，更吃力，犯错的信号更模糊。但正是这种吃力和模糊，迫使学习者完成一项iPad组可能跳过的关键加工：在心里把“切分操作”和“分数的量的含义”焊在一起。认知心理学家管这叫“必要难度”——一个由罗伯特·比约克提出的概念。学习的深度，在很大程度上取决于信息提取和整合时所经历的、可承受的认知阻力。阻力太小，大脑就把信息当成过客，礼貌地点头、放行，但不留宿。阻力恰好够大，大脑才会启动深层编码：这个东西重要，得存进长时记忆，还得把路径标清楚，下次能找回来。

这套解释同时击败了两组常见的反对意见。一组说，“但iPad组的学生明显更投入啊，他们做练习时更开心，坚持的时间更长”。没错。投入感确实更高——几乎所有的对比研究都报告了这一点。但投入感和学习深度之间的相关，远没有我们直觉以为的那么强。迈耶在总结几十年研究时用了一个谨慎的说法：动机激发和认知加工之间，存在一个阈值效应。完全没有动机，学习不会发生；动机超过一个并不高的门槛后，再往上加，对深层理解的促进就极其微弱。而超过某个隐藏的上限后，那些激发高动机的装饰性元素本身就开始消耗认知资源，反而拖累学习。

另一组反对意见听上去更科学：“这一代学生是数字原住民，他们的大脑已经适应了多媒体环境，认知加工模式跟上一代不同。”这个说法流行了很多年，但脑成像和认知实验的元分析在近几年给出了相当一致的结论：人脑工作记忆的多媒体加工模式，不存在代际差异。神经元的运作规律，不会因为你三岁就摸iPad而改变。所谓的“数字原生”优势，主要体现在操作熟练度和并行任务切换上，不是深层语义整合。

到这里，一个关键的区分就该浮出来了：并不是屏幕本身让学习变浅了。是对屏幕的某种使用方式——具体说，是把认知加工过程中本该由学习者自己执行的关键步骤，替换为由设备外部呈现的即时反馈和动态演示——削弱了建构深层表征的机会。

这个区分直接引向一个更具体的、几乎每个中学生手机里都装着的东西：解题软件。这类工具在过去五年里以惊人的速度渗透进了数学作业的日常生态。打开手机摄像头，对准一道方程题，几秒钟内，完整的解题步骤就一行行展开在屏幕上——去分母、移项、合并同类项、系数化一，每一步都配上简短的文字解释。学生可以看一遍，然后抄到作业本上。如果选择“一键出答案”模式，连步骤都省了，直接给出最终结果。

这些工具的宣传话术通常很克制：“辅助理解”“帮你跨过卡住的坎”“随时随地获得辅导”。从技术设计角度看，它们确实出色——识别准确率高，步骤拆解清晰，界面对初学者友好。问题是，它们在学习序列中介入的位置，恰好是最需要“必要难度”的那个点。

回想一下这个你已经很熟悉的模型：数学能力的建构，依赖于一个个“组块”的稳定形成。组块是把一系列零散的中间步骤打包成一个自动化的单元，让它在工作记忆里只占一个槽位。组块的形成，需要学习者反复在没有任何外部提示的情况下，从长时记忆中提取某个解题路径，检查每一步的逻辑衔接是否完整。这个“自己提、自己拼”的过程，就是必要难度最集中的发生现场。

而解题软件做的，恰好是在这个现场门口放了一台自动贩卖机。你不需要在脑子里翻找“去分母之后下一步应该做什么”，你甚至不需要意识到“我在哪个步骤上卡住了”。软件已经为你划好了全部步骤，你的任务从“建构组块”降级成了“阅读并确认组块”。阅读和确认消耗的认知资源远小于自主建构，这没错——这也是为什么学生在卡住时用软件扫一遍，会觉得“哦，原来是这样，我懂了”。但这是第十一章已经剖析过的那种“懂”——一种元认知错觉。你看懂了一条已经铺好的路，不代表你的大脑已经建构了那条路的内部地图。

这里藏着一个更深的悖论。解题软件最有用的时刻，恰恰也是它最危险的时刻。当一个学生真的卡住了——真的在那个“去分母之后该干什么”的节点上停顿超过半分钟——这时候如果有人或工具直接告诉他下一步，他的卡顿消失了，他的挫败感暂时缓解了，他得以继续往下推进。但他也同时失去了一个极其珍贵的认知时刻：那个停顿本身正在迫使他的大脑搜索已有的组块库存、尝试拼凑、在多条可能的路径之间做选择。这组心理动作，就是组块巩固和路径优化的核心过程。直接给下一步，等于直接卸掉了这个过程。

这不意味着解题软件毫无价值。如果把它的使用时机往后挪——不是在刚卡住时就扫，而是在自己硬扛十分钟并写下至少两步尝试后再扫——它的功能就变了。它从“替你走路”变成了“帮你校对”。你用自己残破的、可能有两处逻辑断裂的推导过程，去对照软件给出的标准路径。这个对照动作本身，就是一次高效的提取练习和错误归因。你能指出“我卡在第三步是因为忘了先检查分母是否为零”，而不是被动接受一行行已经替你整理好的步骤。这个“往后挪”的十五分钟，就是必要难度从被绕过到被承受的距离。

讨论到这里，你大概已经闻到空气中某种更结构性的暗示。推动数字化学习工具的那股力量，并不完全是出于对学习科学的尊重。科技公司、教育政策制定者、学校和家长——这四方的动机并非天然一致。科技公司需要证明他们的产品有效；政策制定者需要展示他们在推动“教育现代化”；学校需要借助技术解决师资不足或生源差异的问题；家长需要看到孩子在屏幕前安静学习的安全感。四方在“技术让学习更好”这个叙事上形成了临时的联盟，但它遮蔽了一个关键问题：判断“好”的标准，究竟是学习的深层效果，还是学习的表面流畅度？

认知心理学家理查德·克拉克早在1983年发表过一篇后来被反复引用的评论，核心论点简单到冷酷：媒介本身不影响学习效果。决定学习效果的，是教学方法的内在认知设计——你是否促使学习者执行了足够深度、足够必要的认知加工。用平板还是纸质、看动画还是读文字，这些变量的主效应在绝大多数对照实验中都趋近于零。有影响的，是同一个媒介内部的不同信息组织方式。一张设计糟糕的纸质练习册，跟一个设计精良的iPad应用一样，都能让学生学得很表面。反过来，一个严格遵循冗余效应和分割注意效应原则的多媒体界面，完全可以胜过一份信息密度过高、从不留空白的传统教材。

也就是说，矛头并不指向屏幕本身，指向的是那套把“更生动”等同于“更易懂”、把“减少挫败感”等同于“提升学习效果”的默认设计哲学。这套哲学许诺了一条平滑无阻的认知斜坡，但没有告诉你的是，当斜坡过于平滑，你脚底的摩擦力降低，你也许在滑行，却没有真正在攀爬。

这章的论述，如果停在这里，还算基本安全。但有一件事必须诚实交代。我们把纸质组为什么在延迟测试中领先的原因归结为“纸质媒介留出了必要的认知加工空间”，这个解释在逻辑上是成立的，也有大量间接实验证据支撑。

但要在严格的因果推断层面说“iPad组的那几个动画和音效直接导致了延迟测试表现下滑”，我们还缺少一个决定性的实验：把所有其他变量——包括练习题的难度梯度、反馈的时机、学生的主观疲劳度——都控制在同等水平，只改变“有无装饰性动画音效”这一个变量，然后观察延迟迁移测试的差异。这个实验至今缺位。已有的对比研究几乎都是生态效度较高的“打包对比”——整本练习册对决整个App——这保证了研究的外推可信度，却也牺牲了内部变量的精确拆解。

换句话说，我们知道纸质组在这个场次赢了，我们有一个合理的解释，但我们不能百分之百地排除另一种可能：如果那个iPad应用的设计遵循了更严格的多媒体认知原则——去掉所有装饰性反馈，只保留互动切割的核心功能——纸质组的优势会不会缩小甚至消失？这个问题，目前在公开的同行评议文献中，没有确定的答案。这种不确定性不是理论的裂缝，恰恰是理论的价值所在。

它指明了一种更精确的干预策略：设计学习工具时，要做的不是抛弃屏幕，而是抛弃那些装饰性的齿轮。什么是装饰齿轮？就是那些让机器转动起来更好看、但分流了核心动能的零件。交互设计中的动画、音效、即时奖励提示——它们确实提升了参与感，但它们也像一套额外增加的传动装置，看起来让整个系统运转得更热闹，实际却消耗了一部分本该直接驱动核心理解的认知能量。

主动力来自哪里？来自学习者自己在没有任何外部演示的情况下，一遍遍地从长时记忆中调取还是半成品的数学路径，用自己的错题和自己的困惑作为材料，焊出一条能自动运行的链条。这条链条一旦焊成，它就成为一个齿轮——不是装饰性的，而是承重的。一个承重齿轮，可以带动下一个、更复杂的齿轮。

而当太多装饰齿轮在系统中空转时，它们不仅自身不承重，它们的转动还会产生噪音，让学习者误以为整个系统都在高效运转——屏幕上烟花不断，积分飞涨，每一个碎片知识都被确认了一遍，你却无法在合上iPad后面对一张白纸独立推导出完整的解题过程。这个误判，是技术乐观主义叙事最隐蔽的代价。它让你把动机的兴奋误认为理解的深度，把操作的流畅误认为组块的稳固，把别人替你铺好的路径误认为你自己走过一遍的路。

怎么避免？本章不会简单地劝你扔掉iPad，也不会列一张“十大最佳数学App”评分表。这里只有一套更朴素的、基于前面所有论述的认知审计工具。你可以拿它去审计你正在使用的任何学习技术——不管是月费一百的AI解题软件，还是一个免费的Flash动画课件。

审计的第一个问题是：这个工具在多大程度上替你执行了认知加工中的某个关键步骤？如果它替你执行了，你是否能在关掉它之后，独立完成完全相同的那个步骤？如果不能，它大概没有在帮你建桥——它在替你走路。

第二个问题更具体：使用这个工具后，你是更愿意尝试自己从头推导一遍刚才看到的解法，还是更依赖它给你下一步的提示？这个问题触及的是元认知层面的静态转移。好的工具使用会推动你逐渐减少对工具的依赖；坏的工具使用——不管工具本身设计得多精良——会让你在每次遇到类似题型时，手指不由自主地滑向那个App图标。依赖本身不一定有害，但如果依赖持续的时间超过了你学习同一类题目的必要周期，它就成了认知的拐杖，而你原本应该已经扔掉拐杖自己走路。

第三个问题盯住的是“做完题后的那个瞬间”。合上App、放下练习册、关上电脑之后，你能不能把整个解题过程在脑子里过一遍——每一步为什么这么走，跟上一章学过的哪个概念有钩连，哪一步最容易错——能不能不借助任何外部提示，完整地讲出来？如果不能，你在屏幕上看到的那些数字，也许看起来聪明，但还没有变成你自己的东西。

这套审计不保证高分，不保证效率，甚至不保证愉快。它只保证一件事：你正在进行的认知加工，深度足够建构你自己的齿轮。

一个人坐在书桌前，iPad屏幕亮着，上面是一道刚被扫出来的方程组解题步骤，每一步都整整齐齐，配着不同颜色的高亮和下划线。他盯着看了一分钟，觉得懂了，满意地关掉屏幕。然后在草稿纸上自己重做一遍。第一步顺利，第二步顺利，到第三步，卡住。他盯着纸上自己写了一半的式子，脑子里是空的。刚才屏幕上那行红色的下划线，他记得它的位置，记得它的字体，但记不起来它代表什么推理。

这是认知加工的一个精确时刻。刚才在屏幕上，那个推理是由系统执行、以视觉形式展示的。他的大脑只负责阅读和确认，没有负责提取和重建。现在系统不在身边了，那个齿轮没有安装在他的长时记忆里——它只是一个被看过就消失的外部道具。他得自己装这个齿轮。从卡住的位置倒回去，翻书，比对例题，试错，划掉，重写，再试错。这些动作不漂亮，没有音效，没有烟花，但每一寸推不动的阻力，都在把刚才缺失的那段路径焊成一个能承重的结构。当这个结构终于能在纸上独立转起来的时候，它发出的是真正的咬合声——你自己的认知齿轮咬合了你自己的思考，而不是被一台更聪明的机器托着滑动。

如果你发现，在用了某个工具三次之后，你仍然无法在关掉它的状态下完成同一个类型的题目——不是同一道题，而是同类型的另一道题——那么这台机器替你走的路，已经超过了你本该自己走的部分。这不是工具的问题，是你和工具之间的关系失衡了。你不是在使用它，你在被它替换。

这种替换之所以诱人，是因为它在每一个具体的当下都让人感到轻松。它替你卸掉了挫败感，替你填上了认知空白，替你铺平了从已知到未知之间的每一步衔接。但那些被卸掉的重量，不是负担——它们是你用来锻炼认知肌肉的必要阻力。没有它们，你就是在一条没有坡度的路上滑行，速度快，风景好，但最终没有抵达任何比起点更高的地方。

这不是说你应该回到纸和笔的时代，拒绝一切屏幕。这个立场太蠢了。数字化工具能做很多纸笔做不到的事——动态可视化复杂函数的变化、即时提供海量变式练习、在你连续犯错时识别出你的错误模式并调整后续题目的难度。这些功能如果设计得当，完全可以成为认知加工的助推器，而不是替代品。

问题的核心从来不是工具本身，而是工具默认替你做的那些事，是不是恰好就是你最需要自己做的事。如果一个工具帮你去掉了所有需要你自己拼凑、提取、试错和纠错的环节，那么它不是一个学习工具——它是一个代步工具。代步工具让你走得快，但不会让你的肌肉变强。如果你的目标是训练数学肌肉，你需要的不是更快地抵达答案，而是更慢地、更吃力地、更完整地自己走一遍。

你使用这个工具后，是更愿意自己尝试推导，还是更依赖它给出下一步提示？这是一个值得你每次用完都问自己的问题。不是因为答案本身能改变什么，而是因为这个提问动作本身，就是在帮你校准你和工具之间的那道边界——哪部分路该你自己走，哪部分路可以让机器带你一程。当你能够清晰地画出这条边界，你就不会再把屏幕上聪明的数字，误认成自己聪明的证据。