陈柳青团队发现，让学生观察机器人“解题失败”，比让学生自己经历解题失败或老师直接讲解，都更能提升学习效果，并有助于减轻课堂压力。该研究结果以《Observing a Robot Peer’s Failures Facilitates Students’ Classroom Learning》为题，于2025年9月10日发表在国际权威期刊《Science Robotics》。
1►为什么要让学生看机器人 “犯错”？先搞懂 “有益的失败”
要理解这个实验，得先从一个教育理论说起 ——有效失败（Productive Failure，PF）。
简单说，这个理论认为：让学生先尝试解决一道超出自己知识范围的题（大概率会失败），再听老师讲解，比直接听老师讲完再做题，能理解得更深。因为失败的过程会激活学生的已有知识，让他们更清楚自己的知识局限，后续听课会更有针对性。
但问题也很明显：直接让学生自己解题失败，风险太高了。
比如，一道超出能力的数学题，可能会让基础弱的学生直接放弃；同学间的对比会带来社交压力。“别人都有思路，就我不会”；反复失败还可能让学生怀疑自己的能力，产生焦虑。这些负面情绪反而会抵消 “失败学习” 的好处，让 PF 理论很难在真实课堂落地。
浙江大学团队的想法是：能不能让机器人代替学生 “失败”？
学生不用自己动手解题，只需要观察机器人尝试、犯错、反思的过程。这样既能保留 PF 理论的核心，通过 “失败” 激活知识、发现漏洞，又能避免学生直接面对失败的心理压力。毕竟，机器人的失败和自己的能力无关，学生可以更从容地分析“错在哪里”。
2►两个真实课堂实验：从标准差到导数，机器人“失败”真的有用
为了验证这个想法，团队在杭州一所中学做了两个递进的实验，前后覆盖 135 名和 110 名八年级学生，分别聚焦 “标准差” 和 “导数” 两个数学知识点。
实验 1：对比三种教学方式，机器人“失败”赢了
第一个实验把学生分成三组，用不同方式教 “标准差”：
研究 1 的实验流程：（A）各实验组的具体流程，包含前测、问题解决阶段、中期测试、教学讲解阶段及后测；（B）机器人同伴在介绍每种非最优解法时所采用的叙事结构；（C）教学讲解阶段中，教师讲解标准差的步骤。
•直接教学组（DI）：传统模式，老师先讲标准差的概念和算法，再让学生做题。
•亲身失败组（PF）：按经典 PF 理论，学生先自己尝试解决 “判断两名运动员成绩稳定性” 的难题，再听老师讲。
学生观察机器人同伴解决问题
•观察机器人失败组（RF）：学生围在 NAO 机器人旁，看机器人一步步给出 6 种典型的错误解法（比如只算平均值、忽略数据波动），每讲完一种，机器人会“反思”：“我只算了平均成绩，但没考虑每次成绩和平均值的差距，所以不对”。之后再听老师讲解。
机器人在问题解决与社交互动中的行为
结果很明确：RF 组的学生，在 “概念理解” 上得分最高，还报告了较低的课堂压力。
研究1的定量结果（样本量N=135）
具体来看：
•概念理解：RF 组显著优于 DI 组（比如能解释 “为什么标准差能衡量数据稳定性”），和 PF 组相当；
•解题步骤（程序性知识）：PF 组低于RF和DI组 —— 因为学生自己解题时可能陷入错误思路，一时难以纠正；
•课堂体验：PF 组不少学生提到，当看到他人有思路而自己不会时，会感到尴尬；而在 RF 组中，几乎没有学生提到有压力。相反，许多 RF 组学生表示，不用自己动手做题，反而能更专注地分析问题。
机器人同伴有效失败教学法概述及主要研究发现
实验 2：排除 “新鲜感” 干扰，机器人的作用是长期的
第一个实验有个潜在疑问：学生会不会是因为 “第一次见机器人上课” 觉得新鲜，才学得更好？毕竟，新奇事物容易吸引注意力，但新鲜感会消退。
为了排除这个干扰，团队做了第二个实验，聚焦两个关键问题：新鲜感消退后，机器人 “失败” 还有用吗？学生真的会把机器人当 “同伴” 吗？
研究 2 的实验流程：该流程包含为期 2 周的适应期、一次前测，以及在第 15 天开展的教学实验。其中，教学实验由问题解决阶段、教学讲解阶段、课后问卷和一次后测组成。
实验设计更贴近真实教学场景：
•先安排 2 周 “适应期”：RF 组学生每天和 NAO 机器人一起上数学课，机器人会像普通同学一样举手回答问题（偶尔也会错），让学生习惯它的存在，新鲜感逐渐消失。
•之后教 “导数”：只保留 RF 组和 DI 组（第一个实验已证明 RF 优于 PF），用和实验 1 类似的方式教学 ——RF 组看机器人解导数难题失败，DI 组听老师直接讲。
研究 2 的定量结果（样本量 N = 110）
结果进一步验证了价值：
•新鲜感消退后，RF 组依然更强：在 “概念理解” 和 “知识迁移”（比如用导数解决新场景问题）上，RF 组显著优于 DI 组。尤其是导数这种抽象知识点，机器人的 “失败” 能帮学生避免陷入自己解题时的思维死角；
•学生真的把机器人当 “同伴”：学生更多将机器人视为“同伴”而非“教学工具”或“老师”。许多学生在反馈中提到：“机器人会举手回答问题，和我们一样，甚至会困惑，感觉就是班里的一员。” ；
•对机器人的评价相对理性：学生认为机器人“很聪明”（能清晰表达思路），但并不觉得它“像人”。这种理性的态度未必是坏事，一些研究指出，过度拟人化的形象可能会分散学习注意力。
3►机器人 “犯错” 的关键：不是乱错，而是 “有设计地错”
很多人可能会问：随便让机器人犯错就行？当然不是。团队在机器人的 “错误设计” 上花了很多心思，这也是实验成功的核心。
研究 1 与研究 2 定性反馈的主题分析
首先，机器人的错误不是随机的，而是基于学生的真实错误。团队整理了过去学生学 “标准差”“导数” 时最常犯的错误（比如算标准差时忘了开平方、导数理解成 “斜率的平均值”），再和数学老师一起筛选出 6 种最典型的错误解法 —— 这些错误能精准击中学生的知识漏洞，让学生看的时候有共鸣：“哦，我之前也会这么想”。
其次，机器人的 “失败” 有完整的叙事逻辑。每种错误解法都遵循 “目标→步骤→结果→反思” 的结构，比如：
“我的目标是判断运动员 A 和 B 的成绩稳定性。第一步，我计算了两人的平均成绩，都是 85 分；第二步，我觉得平均分一样，稳定性就一样。但反思后发现，A 的成绩波动很大（比如从 70 到 100），B 的成绩很稳定（80 到 90），所以只看平均分不对。”
这种结构化的 “失败”，能帮学生理清 “错在哪里”“为什么错”，而不是只看到一个混乱的错误结果。
不同条件下学生在课堂活动中的参与度：（A）观察机器人失败组（RF 组）中，机器人、显示屏、学生及研究者的位置分布；（B）观察机器人失败组（RF 组）中，6 至 8 名学生组成小组围在机器人同伴周围，观察其解题过程；（C）自己失败组（PF 组）中，学生需独立解决所布置的问题，但允许相互交流；（D）直接教学组（DI 组）中，教师直接向学生讲解标准差的概念及解题步骤。
最后，机器人会有 “社交行为”。比如思考时会低头，困惑时会皱眉，还会问学生：“你们有更好的办法吗？” 这些细节让学生更容易代入，把机器人当成 “一起学习的同伴”，而不是一个冷冰冰的机器。
4►机器人不是 “代课老师”，而是 “学习同伴”
这项研究最有价值的地方，不是证明“机器人能教学”，而是赋予了教育机器人新的角色——它不再只是教学工具或老师，而是一位会出错、能反思、会成长的学习同伴。
对老师来说，这种模式的可操作性很强：不需要复杂的编程，只需要根据学生的常见错误，准备机器人的 “错误解法脚本”（比如 15 分钟的 PPT 和语音），再设置简单的动作（比如思考、皱眉），1-2 天就能准备好一堂课。而且，机器人的 “失败” 可以反复用，尤其适合 STEM 学科，这类学科的错误思路往往有共性，比如物理的受力分析、化学的反应方程式，都能设计成机器人的 “失败案例”。
对学生来说，这种方式降低了 “犯错的心理门槛”。很多学生害怕在课堂上犯错，因为怕被同学笑话、被老师批评。但观察机器人犯错时，他们能跳出 “自我否定”，更理性地分析问题。就像实验里一个学生说的：“看机器人错了，我不会觉得紧张，反而会想‘如果是我，我会怎么改’，慢慢就明白知识点了。”
5►未来：让机器人成为 “个性化学习同伴”
当然，这个研究还有可以延伸的地方。比如，未来的机器人能不能根据学生的实时反应，调整 “错误难度”？如果学生很快发现机器人的错误，就给出更隐蔽的错误解法；如果学生没看懂，就放慢反思速度，甚至补充更多中间步骤。
但无论如何，这项研究已经证明了一个核心：教育的关键不是 “避免失败”，而是 “如何让失败变得有益”。机器人的价值，就是成为学生 “安全失败” 的载体 —— 让学生在没有心理负担的情况下，学会从错误中学习。
或许未来的课堂上，我们会看到更多这样的场景：机器人和学生一起 “做题”、一起 “犯错”、一起讨论。而老师，则从知识传授者变成错误分析的引导者。这可能就是科技赋能教育的真正意义：不是用机器替代人，而是用机器创造更友好、更有效的学习环境。
来源：具身智能大讲堂
