我在課堂上觀察到一件事：學生卡住時，最需要的通常不是下一行算式，而是有人判斷他為什麼卡住。是概念混淆、讀題焦慮，還是前一步其實就已經建立了錯誤模型？這也是我看 REAT 這篇研究時最有感的地方。

REAT 的做法，是把過去師生多輪對話交給 Observer、Critic、Mentor 組成的流程整理，蒸餾成可重複取用、與特定題目無關的教學經驗。學生再次互動時，系統依照當下的認知狀態取回合適經驗，提供較貼近需求的鷹架。研究結果顯示，這種方法在複雜、低分的學習情境尤其有幫助，也能跨模型和數學資料集泛化。

對教學現場而言，這個轉向很重要。AI tutor 的核心能力不只是把答案解對，而是逐漸形成一套可檢驗的教學策略：什麼時候該追問，什麼時候該換一種表徵，什麼時候應該先讓學生說出自己的想法。若系統只保存「這題最後答對了」，它學不到學生是怎麼走出困境的；若只把歷史對話全部塞回 prompt，也很難知道某個建議究竟為何有效。

我會把部署時的檢查分成三層。第一是資料治理：學生的對話包含能力落差、情緒與錯誤觀念，必須有明確的保存期限、權限和去識別化方式，不能因為想讓模型更個人化就無限累積。第二是教師可追溯性：教師要看得到 AI 此刻採用哪一條教學經驗、它來自哪些互動，以及系統如何判定學生的認知狀態。這不只是除錯介面，也是教師培養 AI 素養的入口。第三是經驗品質：每次成功解題都不代表教法值得複製。若沒有教師審查、反例測試和淘汰機制，錯誤提示可能被蒸餾成看似有效的策略，接著在更多學生身上重播。

所以，未來導入 AI 家教時，我會問的問題不是「它能不能解出更多題」，而是「它記住了什麼教學判斷，以及我們能不能檢查、修正和撤回這些判斷」。好的 AI 素養，包含理解模型，也包含設計一個不讓錯誤教法悄悄累積的學習系統。