教師能力與教學投影能力的分離：為什麼最強者未必是最佳教師

Separating Teacher Capability from Teaching Projection: Why the Strongest Expert May Not Be the Best Teacher

系列： 教師—認知底空間系列（Teacher-Conditioned Bottom-Space Series, TCBS）
Paper： 05 / 07
作者： Neo.K（核心命題與理論提出）
AI 協作整理： Aletheia / GPT-5.6 Sol
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-17
文件性質： 理論論文草稿／可證偽研究綱領
Evidence status： PROPOSED / THEORETICAL SYNTHESIS / NOT YET EMPIRICALLY VALIDATED
Canonical source： UTF-8 Markdown

摘要

教育中常存在一個隱含假設：某人在某領域越強，就越適合教該領域。然而，專家能力與教學能力並非同一變量。一名教師可能擁有極高的問題解決、證明、研究、跨域整合與模型生成能力，卻不一定能將自身高維、壓縮、快速且高度依賴先備知識的內部表示，投影為學生當下可理解、可驗證、可重建、可遷移的形式。

本文正式提出「教師能力—教學投影分離假說」（Teacher Capability–Teaching Projection Separation Hypothesis, CTPH）。本文將教師本身能力記為 $C_T$ ，將教師把自身能力轉換成 student-relative 可學習結構的能力記為 $P_{T\to S}$ ，並主張：

\boxed{ C_T \neq P_{T\to S} }

且學生的實際學習效果不能由 $C_T$ 單獨決定。

本文進一步提出「教學投影」不是簡單化、降難度或重新措辭，而是一個包含認知錨點重建、結構保真、壓縮率控制、學生模型估計、表示選擇、錯誤診斷與可重建性驗證的轉導過程。教師若過度壓縮，會出現 expert compression mismatch；若過度展開，則可能產生資訊洪水與認知負擔；若錯估學生現有 frame，則可能把正確內容投影成不可用形式。

本文建立六個核心概念：Teacher Capability、Teaching Projection、Anchor Reconstruction、Projection Fidelity、Projection Loss 與 Reconstructability。進一步提出低投影、過度投影、錯框投影、權威掩蔽與假理解等五類失敗模式。本文亦將此框架擴展到 AI teacher：AI 可比人類更頻繁地估計 student state、動態調整表示與難度，但也可能因錯誤 user model、過度迎合、過度生成與上下文幻覺而形成新的投影失真。

最後，本文提出 AI 對照實驗：固定 teacher capability，只改變 projection policy；以及固定 projection policy，只改變 teacher capability。若兩者對 student outcome 的影響可被實驗分離，即可直接檢驗「最強 expert 未必是最佳 teacher」這一命題。

本文的核心主張是：高階教師真正的稀缺能力，不只是知道更多，而是能把自己看見的結構轉換成學生當下能重新生成的結構。

1. 問題提出：知道很多，為什麼不一定教得好？

假設有兩位教師：

T_A,\quad T_B.

其中：

C_{T_A} > C_{T_B}.

也就是 $T_A$ 在該領域：

知識更深；
解題更快；
研究能力更強；
理論整合能力更高；
能看見更多高階結構。

直覺上似乎應有：

Outcome(T_A) > Outcome(T_B).

但這個推論缺少一個中介層：

\boxed{ \text{Teacher Internal Structure} \rightarrow \text{Student-Usable Representation} }

如果 $T_A$ 的高階能力無法有效投影給 student，則可能出現：

C_{T_A}\gg C_{T_B}

但：

P_{T_A\to S} < P_{T_B\to S}.

此時：

Outcome(T_A,S) < Outcome(T_B,S)

完全可能成立。

因此：

\boxed{ \text{Strongest Expert} \not\Rightarrow \text{Best Teacher}. }

2. 教師能力的定義

本文將教師能力記為：

C_T.

它不是單一分數，而可以表示為向量：

\mathbf C_T = [ K_T, R_T, G_T, V_T, X_T, M_T ]^T

其中：

$K_T$ ：知識深度與廣度；
$R_T$ ：問題解決能力；
$G_T$ ：問題生成能力；
$V_T$ ：驗證與反例能力；
$X_T$ ：跨域遷移能力；
$M_T$ ：模型與表示生成能力。

這些描述：

教師自己能做到什麼。

但它們還沒有回答：

student 能從教師那裡獲得多少。

3. 教學投影能力的定義

本文定義：

\boxed{ P_{T\to S} }

Teaching Projection Capability。

其意義是：

教師能否把自身高階認知結構，轉換成特定 student 在當前狀態下可理解、可驗證、可操作並可重新生成的學習表示。

因此：

P_{T\to S}

是 student-relative。

同一 teacher 對兩名 student：

S_1,\ S_2

可能：

P_{T\to S_1} \neq P_{T\to S_2}.

所以不存在完全脫離學生的：

P_T.

更完整地：

\boxed{ P_{T\to S}(t,d) }

還可能依：

時間 (t)；
領域 (d)；

變化。

4. 教學投影不是「講簡單一點」

最常見誤解是：

P_{T\to S} = \text{simplification}.

不是。

單純把字換簡單，可能完全沒有保留原結構。

真正的投影至少需要處理：

\boxed{ \text{Structure} + \text{Anchors} + \text{Resolution} + \text{Verification} + \text{Reconstruction} }

五個問題。

教師不能只問：

怎麼講比較簡單？

而要問：

什麼結構是這個概念不可刪掉的核心？

以及：

student 現在有哪些錨點可以承接它？

5. 教學投影的最小流程

本文提出最小投影鏈：

\boxed{ Z_T \rightarrow K^\ast \rightarrow A_S \rightarrow R_{T\to S} \rightarrow \widehat Z_S }

其中：

$Z_T$ ：teacher 內部高階知識／能力狀態；
$K^\ast$ ：必須保留的核心結構；
$A_S$ ：student 已有認知錨點；
$R_{T\to S}$ ：student-relative 教學表示；
$\widehat Z_S$ ：student 重建出的內部結構。

教學成功不是：

R_{T\to S}

看起來清楚。

而是：

\widehat Z_S

是否在關鍵結構上與 $K^\ast$ 足夠一致。

6. Anchor Reconstruction：認知錨點重建

專家最常犯的一種錯誤，是忘記自己已經有多少中間節點。

Teacher 可能從：

[ A ]

直接跳到：

[ D. ]

因為其內部已有：

A\rightarrow B\rightarrow C\rightarrow D

的壓縮。

對 student 而言：

[ B,C ]

可能根本不存在。

因此教師需要：

\boxed{ \operatorname{ReconstructAnchors}(S) }

先估計 student 當下擁有：

\mathcal A_S = \{a_1,a_2,\ldots,a_n\}.

再決定：

K^\ast

如何被投影。

7. Expert Compression Mismatch

隨著 expertise 上升，內部表示通常可能變得：

更壓縮；
更自動化；
更少顯式步驟；
更依賴 tacit structure。

因此 teacher 可能輸出：

r_T

對自己完全透明，

但 student 看到的是：

\text{jump}.

本文稱之為：

\boxed{ \text{Expert Compression Mismatch}. }

其核心是：

Compression_T > DecodeCapacity_S.

當：

Compression_T \gg DecodeCapacity_S,

即使內容正確：

Correct(r_T)=1,

student learning 仍可能接近零。

8. Projection Bandwidth

可以定義 student 在當前階段可承受的投影頻寬：

B_S.

Teacher 提供的信息結構複雜度為：

I_T.

若：

I_T \ll B_S,

則可能：

過度簡化。

若：

I_T \gg B_S,

則：

過載。

理想區間：

\boxed{ I_T \approx B_S+\epsilon }

也就是略高於 student 現有可處理能力，使其產生可控成長。

9. Under-Projection：投影不足

若 teacher 為了「讓學生懂」刪除過多結構：

K^\ast \rightarrow R_S

但：

Fidelity(R_S,K^\ast) \downarrow,

可能產生：

假規則；
過度簡化；
例外被隱藏；
錯誤因果；
之後需要整套重學。

這稱為：

\boxed{ \text{Under-Projection}. }

例如：

用一句方便口訣取代真正結構。

短期分數可能很好，長期轉移卻變差。

10. Over-Projection：投影過量

反過來，teacher 可能一次展開：

所有例外；
所有歷史；
所有證明；
所有 notation；
所有跨域連結。

形式上：

I_T\gg B_S.

此時 student 不是缺知識，而是無法形成結構。

結果可能：

CognitiveLoad\uparrow,

Retention\downarrow,

Reconstruction\downarrow.

這稱為：

\boxed{ \text{Over-Projection}. }

11. Wrong-Frame Projection：錯框投影

Teacher 可能正確理解內容，但錯誤理解 student。

例如 student 的問題其實是：

\text{representation failure},

teacher 卻當成：

\text{knowledge gap}.

或 student 缺：

\text{confidence},

teacher 卻一直增加：

\text{difficulty}.

因此投影失敗可能不是內容錯，而是：

\boxed{ \widehat S_T \neq S }

其中：

\widehat S_T

是 teacher 對 student 的模型。

12. Student Model 是投影的必要條件

真正高階的 teacher 需要估計：

\widehat S_T(t)

包括：

student 已知什麼；
哪裡是假懂；
哪些表示最熟；
哪些錯誤重複出現；
哪種提示有效；
哪種權威壓力會抑制探索；
目前的 Frame 是什麼。

因此：

\boxed{ P_{T\to S} = f( C_T, \widehat S_T, R_T, Feedback ) }

而不是：

P_{T\to S}=f(C_T).

13. Projection Fidelity

定義：

F_P

Projection Fidelity。

它衡量 student 重建出的結構：

\widehat Z_S

在關鍵關係上保留：

K^\ast

多少。

概念上：

\boxed{ F_P = \operatorname{Sim}_{\mathrm{struct}} ( \widehat Z_S, K^\ast ) }

注意：

這不是逐字一致。

student 可以使用完全不同的語言或表示，只要保留：

關係；
邊界；
因果；
不變量；
驗證條件。

14. Projection Loss

定義：

L_P.

最簡形式：

\boxed{ L_P = 1-F_P. }

但更完整可拆：

L_P = \lambda_1L_{\mathrm{relation}} + \lambda_2L_{\mathrm{boundary}} + \lambda_3L_{\mathrm{causal}} + \lambda_4L_{\mathrm{uncertainty}} + \lambda_5L_{\mathrm{transfer}}.

其中：

relation loss；
boundary loss；
causal loss；
uncertainty loss；
transfer loss。

這比「student 能不能重複老師的句子」更嚴格。

15. Reconstructability：能否重新生成

本文認為教育成功最重要的條件之一是：

\boxed{ \text{Reconstructability}. }

student 不應只做到：

\text{recognize}.

而應能：

\text{rebuild}.

可測：

關掉 teacher；
移除原講義；
換一個新例子；
要求 student 重新推導；
要求 student 說出邊界；
要求 student 找反例。

若 student 仍能重建：

\widehat K^\ast,

才表示 projection 已被吸收。

16. 假理解

Teacher 投影最大的危險之一是：

\boxed{ \text{Illusion of Understanding}. }

student 可能：

能跟著；
能點頭；
能重複；
能套公式；
能在熟悉題型答對。

但一旦：

Context\rightarrow Context',

理解立刻崩解。

因此：

\text{Fluency} \neq \text{Reconstruction}.

而：

\text{Recognition} \neq \text{Transfer}.

17. 權威掩蔽投影失敗

如果 teacher authority：

A_T\gg0,

student 即使不懂，也可能：

P(\text{report confusion})\downarrow.

Teacher 因此誤以為：

P_{T\to S}

很高。

student 又因 teacher 很強而認為：

一定是自己太笨。

這形成：

\boxed{ \text{Authority-Masked Projection Failure}. }

所以高能力 teacher 尤其需要：

主動檢查理解；
要求 student 重建；
鼓勵指出不懂；
不把 confusion 等同低能力。

18. 教師能力—教學投影分離假說

本文正式提出：

假說 H1 — Capability–Projection Separation

存在教師：

T_1,T_2

使：

C_{T_1}>C_{T_2}

但：

P_{T_1\to S}<P_{T_2\to S}.

因此：

\boxed{ Outcome(T_1,S) < Outcome(T_2,S) }

在某些 student、某些階段可成立。

19. 教師排序是 student-relative 的

若：

P_{T\to S_1} > P_{U\to S_1}

不代表：

P_{T\to S_2} > P_{U\to S_2}.

因此不存在單一普遍：

\text{BestTeacherRank}.

更合理的是：

\boxed{ T^\ast(S,t,d) = \arg\max_T P_{T\to S}(t,d) }

subject to：

F_P>\theta_F,

Autonomy_S>\theta_A.

20. 最佳教師不是最低難度教師

若 teacher 只最大化：

[ Ease. ]

可能導致：

Challenge\rightarrow0.

student 不需要建立新結構。

因此：

\boxed{ \text{Good Projection} \neq \text{Maximum Ease}. }

理想 projection 應位於：

\text{Understandable} + \text{Stretching} + \text{Verifiable}

的交界。

21. 最佳教師也不是最高資訊密度教師

同理：

InformationDensity\uparrow

不等於：

Learning\uparrow.

Teacher 需要選擇：

\text{what not to say}.

這是 projection 的重要能力。

可以定義：

SelectiveCompression_T.

高階教師可能知道一百條相關知識，但只輸出當下真正能支撐：

\Delta \mathfrak B_S>0

的那幾條。

22. 教學投影的六個核心子能力

本文將 $P_{T\to S}$ 拆成：

\boxed{ P_{T\to S} = \Psi( A_R, C_R, R_S, E_D, F_C, V_R ) }

其中：

$A_R$ — Anchor Reconstruction

重建 student 錨點。

$C_R$ — Compression Regulation

調節壓縮程度。

$R_S$ — Representation Selection

選擇適合表示。

$E_D$ — Error Diagnosis

診斷錯誤來源。

$F_C$ — Frame Compatibility

知道 student 當前 frame。

$V_R$ — Verification of Reconstruction

檢查 student 是否真的重建。

23. AI teacher 為什麼特別有潛力？

AI teacher 可以高頻率估計：

\widehat S_T(t).

並根據：

conversation history；
errors；
response latency；
repeated misconceptions；
preferred representation；
prior successful hints；

動態調整 projection。

因此理論上：

P_{AI\to S}(t)

可以持續自適應。

這是傳統一對多教師很難做到的。

24. 但 AI teacher 也有新的投影風險

24.1 False Student Model

AI 可能錯估 student：

\widehat S_{AI}\neq S.

24.2 Over-Personalization

過度配合 student 既有偏好，可能：

FrameDiversity\downarrow.

24.3 Fluent Misprojection

AI 說得非常流暢，但結構保真低：

Fluency\uparrow, \quad F_P\downarrow.

24.4 Context Hallucination

AI 以為 student 已經懂某件事，實際沒有。

24.5 Infinite Explanation Trap

AI 可以永遠繼續講，造成：

[ OverProjection. ]

25. Adaptive Pedagogical Projection

本文提出：

\boxed{ APP = \text{Adaptive Pedagogical Projection}. }

流程：

\widehat S_t \rightarrow SelectAnchors \rightarrow ChooseRepresentation \rightarrow Project \rightarrow TestReconstruction \rightarrow Update\ \widehat S_{t+1}.

形成閉環：

\boxed{ S \leftrightarrow T. }

而不是單向：

T\rightarrow S.

26. Projection 應該保留不確定性

Teacher 常會把：

\text{complex uncertainty}

為了教學簡化成：

\text{simple certainty}.

這可能形成：

L_{\mathrm{uncertainty}}\uparrow.

因此高品質投影應保留：

哪些已知；
哪些近似；
哪些未定；
哪些只是模型；
哪些條件下失效。

即：

\boxed{ \text{Pedagogical Simplicity} \neq \text{False Certainty}. }

27. Projection Fidelity 與 Frame Lift 的關係

Paper 03 關心：

\Phi\rightarrow\Phi'.

但 Frame Lift 若投影失敗，student 可能只得到：

奇怪的新說法。

而沒有真正理解：

\mathcal P_{\Phi'}.

所以：

F_T\uparrow

必須搭配：

P_{T\to S}\uparrow.

否則 teacher 能看到很多 frame，student 卻只看到噪音。

28. Projection 與 Mentor Gravity Well 的關係

Paper 04 指出強 teacher 可能形成依賴。

Paper 05 再加一層：

如果：

P_{T\to S}\ll C_T,

student 可能永遠需要 teacher 作為外部 decoder。

即：

Teacher = \text{Permanent Cognitive Translator}.

此時 teacher 很強，但 student 沒有真正把結構內化。

因此降低 Mentor Gravity Well 的方法之一，是提高：

\boxed{ Reconstructability. }

29. Teacher Capability 與 Projection Capability 的二維圖

可以使用：

(C_T,P_{T\to S})

建立二維分類。

Quadrant I — 低能力／低投影

低效果。

Quadrant II — 低至中能力／高投影

可能是非常好的初階教師。

Quadrant III — 高能力／低投影

典型：

強 expert，弱 teacher。

Quadrant IV — 高能力／高投影

高潛力 teacher。

但即使 Quadrant IV，仍需檢查：

[ MentorGravityWell. ]

30. 能力上限問題

一位 teacher 不可能投影自己沒有的結構。

因此一般：

P_{T\to S} \le g(C_T).

但：

C_T

只是上界條件之一。

高 $C_T$ 提供：

\text{possible teaching ceiling},

不提供：

\text{realized teaching value}.

即：

\boxed{ C_T = \text{capacity ceiling}, \quad P_{T\to S} = \text{transfer realization}. }

31. Teaching Projection Efficiency

定義：

\eta_P = \frac{ \Delta Q_S }{ C_{\mathrm{teacher}} }

只是最簡效率。

更完整可寫：

\eta_P^\ast = \frac{ \Delta Q_S + \alpha\Delta Transfer_S + \beta\Delta Reconstructability_S }{ C_{\mathrm{teacher}} + C_{\mathrm{student}} }.

這樣才能避免：

teacher 花十倍資源，student 只提升一點。

32. 第一個 AI 實驗：固定 Teacher Capability

固定同一 teacher model：

T^\ast.

只改 projection policy。

Lane A — Raw Expert

直接輸出 expert answer。

Lane B — Simplified Expert

只做語言簡化。

Lane C — Anchor-Aware

先估 student anchors。

Lane D — Adaptive Projection

動態調整表示與難度。

Lane E — Reconstruction-Gated

每一階段要求 student 重新生成、反例與遷移。

如果：

Outcome_E>Outcome_A,

則可以直接支持：

同一 teacher capability 下，projection policy 本身具有獨立效果。

33. 第二個 AI 實驗：固定 Projection Policy

反過來，固定完全相同的 projection framework：

P^\ast.

換不同 teacher capability：

T_1<T_2<T_3.

若：

[ Outcome ]

隨 $C_T$ 上升，則：

teacher capability 仍有獨立效果。

這使：

C_T

與：

P_{T\to S}

可以被因果拆分。

34. 2×2 最小因果設計

最小可以做：

	Low Projection	High Projection
Lower Capability	A	B
Higher Capability	C	D

測：

\text{main effect of capability},

\text{main effect of projection},

以及：

\text{interaction}.

如果：

B>C,

則會出現非常有力的結果：

較弱 teacher + 高投影，比較強 teacher + 低投影教得更好。

35. 評測不能只看 immediate accuracy

至少需要：

Q_{\mathrm{ID}},

Q_{\mathrm{OOD}},

Q_{\mathrm{transfer}},

Q_{\mathrm{reconstruct}},

Q_{\mathrm{self-correct}},

Q_{\mathrm{frame-lift}},

Q_{\mathrm{post-teacher}}.

尤其：

Q_{\mathrm{reconstruct}}

是本篇關鍵。

36. Reconstructability Test

Teacher 教完後：

清空原解釋；
換問題表面；
移除 teacher；
要 student 自己解釋核心結構；
找失效條件；
建立反例；
轉換表示；
教給另一個 student。

最後一項尤其有趣：

\boxed{ \text{Student-as-Teacher Test}. }

如果 student 真懂，理論上應能進行二次投影。

37. 二次投影鏈

若：

T\rightarrow S_1

成功，

再測：

S_1\rightarrow S_2.

如果結構快速崩壞：

F_P^{(2)}\ll F_P^{(1)},

表示第一輪可能只是表面模仿。

若：

F_P^{(2)}

仍高，則可能代表 student 已形成穩定可傳遞結構。

這可以成為：

\boxed{ \text{Projection Depth Test}. }

38. 教師是否需要「懂學生」到什麼程度？

完全知道 student 內部狀態不現實。

因此 teacher 只能建立：

\widehat S_T.

重點不是：

\widehat S_T=S

完全成立。

而是：

\widehat S_T

足以支持有效 projection。

這可稱為：

\boxed{ \text{Pedagogical Sufficiency}. }

即：

\widehat S_T \text{ is sufficient for teaching task } \tau.

這與完整心理建模不同。

39. 學生也會改變投影通道

Projection 不是 teacher 單方面能力。

student 若提升：

提問；
元認知；
自我暴露錯誤；
表示轉換；
驗證；

則：

P_{T\to S}\uparrow.

因此：

\boxed{ \text{Teaching Projection} }

其實是一種耦合量。

更完整：

P_{TS} = f(T,S,\text{interface},t).

40. 學習者的「教師使用能力」

可以定義：

LTC_S

Learner Teacher-Use Competence。

包括：

會問老師；
會指出不懂；
會要求反例；
會要求換表示；
會檢查老師；
會把老師輸出內化後再重建。

因此：

P_{TS}^{\mathrm{real}}

可能由：

C_T, P_T, LTC_S

共同決定。

這與既有人機耦合中：

Potential \neq Realized

的結構一致。

41. AI 時代的特殊優勢：可變教師投影

傳統人類 teacher 往往只能提供一套主要教學風格。

AI teacher 可以動態生成：

r_1,r_2,\ldots,r_n.

對同一概念：

圖像；
比喻；
形式化；
程式；
反例；
模擬；
歷史；
口語；
極簡；
嚴格證明。

這使：

\operatorname{SearchRepresentation}

可以成為 teacher runtime 的一部分。

42. 但「多表示」本身不是答案

如果 AI 一次提供十種說法：

n\uparrow

不代表：

P_{T\to S}\uparrow.

因為 student 還需要：

\operatorname{SelectUsefulRepresentation}.

因此 AI teacher 不應：

全部丟給學生自己選。

而應根據：

\widehat S_T

控制候選數與順序。

43. 教學投影的最佳目標不是忠實複製 teacher

如果 teacher internal structure：

Z_T

非常龐大，

student 不需要：

\widehat Z_S=Z_T.

真正目標應是：

\boxed{ \widehat Z_S \sim_{\tau} K^\ast }

即在任務 $\tau$ 所需結構上足夠等價。

所以：

\text{Projection Fidelity}

必須是 task-relative。

44. 投影成功後 student 應能超越 teacher representation

真正成功的教育不要求：

R_S=R_T.

student 可能找到：

R_S'

比 teacher 原表示更適合自己。

甚至：

R_S'

可能反過來改善 teacher。

因此最終理想不是：

T\rightarrow S.

而是：

\boxed{ T \leftrightarrow S. }

教師投影，學生重建，學生再生成新表示，teacher 也可更新。

45. 本文核心命題

命題 A — 能力／投影分離

\boxed{ C_T \neq P_{T\to S}. }

命題 B — Student Relativity

P_{T\to S_1} \neq P_{T\to S_2}

一般可能成立。

命題 C — 壓縮失配

若：

Compression_T \gg DecodeCapacity_S,

則：

Learning\downarrow.

命題 D — 投影保真

教育成功需要：

F_P>\theta.

命題 E — 可重建性

Recognition \not\Rightarrow Reconstructability.

命題 F — 最強 Expert 未必最佳 Teacher

存在：

C_{T_1}>C_{T_2}

但：

Outcome(T_1,S) < Outcome(T_2,S).

46. 與前四篇的統一

Paper 01：

[ T ]

改變底空間。

Paper 02：

[ T ]

在不同時間介入效果不同。

Paper 03：

[ T ]

可以誘發 Frame Lift。

Paper 04：

[ T ]

太強且介入過深可能形成 Mentor Gravity Well。

Paper 05 新增：

\boxed{ T\text{ 自己很強} \neq T\text{ 能把強大能力教出去}. }

因此 TCBS 的 teacher 模型至少應包含：

\boxed{ T= ( C_T, P_{T\to S}, F_T, A_T, D_T, I_T ). }

47. 結論

本文的核心問題看似簡單：

為什麼最強的人不一定最會教？

但真正答案不是：

因為有人比較會講話。

而是：

\boxed{ \text{Teaching is a projection problem.} }

教師內部高階結構：

Z_T

與 student 當前可用認知結構：

Z_S

之間存在：

\text{representation gap},

\text{anchor gap},

\text{compression gap},

\text{frame gap}.

真正的高階 teacher 必須能把：

Z_T

轉換成：

R_{T\to S}

使 student 最終形成：

\widehat Z_S

而不是只讓 student 聽懂當下那句話。

因此：

\boxed{ \text{最強的教師能力，不只是知道更多， 而是知道如何讓另一個認知載體真正重新生成那個結構。} }

若此命題成立，教育選擇就不能再只以：

學歷；
研究排名；
名氣；
解題速度；
專家地位；

推論教學品質。

而應額外測：

\boxed{ P_{T\to S}. }

這也使 AI teacher 出現一個特別重要的研究方向：

未來最強的 AI 教師，不一定是單純能力最高的模型，而可能是最能動態建模 student、控制投影頻寬、保留結構保真、誘發自主重建，並知道何時停止解釋的系統。

附錄 A：最小符號表

符號	意義
$C_T$	Teacher Capability
$P_{T\to S}$	Teaching Projection Capability
$Z_T$	Teacher internal knowledge/capability state
$K^\ast$	必須保留的核心結構
$A_S$	Student cognitive anchors
$R_{T\to S}$	Student-relative teaching representation
$\widehat Z_S$	Student reconstructed structure
$B_S$	Student projection bandwidth
$F_P$	Projection Fidelity
$L_P$	Projection Loss
$LTC_S$	Learner Teacher-Use Competence
APP	Adaptive Pedagogical Projection

附錄 B：最小 AI 實驗設計

Experiment 1 — Fixed Teacher Capability

Same teacher model

A Raw Expert
B Simplified Expert
C Anchor-Aware
D Adaptive Projection
E Reconstruction-Gated

測：

ID accuracy
OOD
transfer
reconstructability
self-correction
post-teacher growth

Experiment 2 — Fixed Projection Policy

Same pedagogical controller
Different teacher capability levels

測 capability 主效應。

Experiment 3 — 2×2

Lower capability / low projection
Lower capability / high projection
Higher capability / low projection
Higher capability / high projection

檢驗：

Capability effect
Projection effect
Interaction

附錄 C：Paper 06 接口

《AI 教 AI 的教師品質對照實驗：從自學、同級教師、強教師到全域教師》

將把 Paper 01–05 的理論變量正式落成一組可執行實驗。

核心將比較：

T_0=\text{Self},

T_1=\text{Peer},

T_2=\text{Strong},

T_3=\text{Global}.

並分離：

C_T, \quad P_{T\to S}, \quad F_T, \quad A_T, \quad D_T, \quad I_T.

主要目標不只測：

\text{student final score},

而是測：

\boxed{ \text{teacher removal 後， student 的自主成長率與可達認知世界是否仍然不同。} }

教師能力與教學投影能力的分離：為什麼最強者未必是最佳教師

教師能力與教學投影能力的分離：為什麼最強者未必是最佳教師

Separating Teacher Capability from Teaching Projection: Why the Strongest Expert May Not Be the Best Teacher

摘要

1. 問題提出：知道很多，為什麼不一定教得好？

2. 教師能力的定義

3. 教學投影能力的定義

4. 教學投影不是「講簡單一點」

5. 教學投影的最小流程

6. Anchor Reconstruction：認知錨點重建

7. Expert Compression Mismatch

8. Projection Bandwidth

9. Under-Projection：投影不足

10. Over-Projection：投影過量

11. Wrong-Frame Projection：錯框投影

12. Student Model 是投影的必要條件

13. Projection Fidelity

14. Projection Loss

15. Reconstructability：能否重新生成

16. 假理解

17. 權威掩蔽投影失敗

18. 教師能力—教學投影分離假說

假說 H1 — Capability–Projection Separation

19. 教師排序是 student-relative 的

20. 最佳教師不是最低難度教師

21. 最佳教師也不是最高資訊密度教師

22. 教學投影的六個核心子能力

ARA_RAR​ — Anchor Reconstruction

CRC_RCR​ — Compression Regulation

RSR_SRS​ — Representation Selection

EDE_DED​ — Error Diagnosis

FCF_CFC​ — Frame Compatibility

VRV_RVR​ — Verification of Reconstruction

23. AI teacher 為什麼特別有潛力？

24. 但 AI teacher 也有新的投影風險

24.1 False Student Model

24.2 Over-Personalization

24.3 Fluent Misprojection

24.4 Context Hallucination

24.5 Infinite Explanation Trap

25. Adaptive Pedagogical Projection

26. Projection 應該保留不確定性

27. Projection Fidelity 與 Frame Lift 的關係

28. Projection 與 Mentor Gravity Well 的關係

29. Teacher Capability 與 Projection Capability 的二維圖

Quadrant I — 低能力／低投影

Quadrant II — 低至中能力／高投影

Quadrant III — 高能力／低投影

Quadrant IV — 高能力／高投影

30. 能力上限問題

31. Teaching Projection Efficiency

32. 第一個 AI 實驗：固定 Teacher Capability

Lane A — Raw Expert

Lane B — Simplified Expert

Lane C — Anchor-Aware

Lane D — Adaptive Projection

Lane E — Reconstruction-Gated

33. 第二個 AI 實驗：固定 Projection Policy

34. 2×2 最小因果設計

35. 評測不能只看 immediate accuracy

36. Reconstructability Test

37. 二次投影鏈

38. 教師是否需要「懂學生」到什麼程度？

39. 學生也會改變投影通道

40. 學習者的「教師使用能力」

41. AI 時代的特殊優勢：可變教師投影

42. 但「多表示」本身不是答案

43. 教學投影的最佳目標不是忠實複製 teacher

44. 投影成功後 student 應能超越 teacher representation

45. 本文核心命題

命題 A — 能力／投影分離

命題 B — Student Relativity

命題 C — 壓縮失配

命題 D — 投影保真

命題 E — 可重建性

命題 F — 最強 Expert 未必最佳 Teacher

46. 與前四篇的統一

47. 結論

附錄 A：最小符號表

附錄 B：最小 AI 實驗設計

$A_R$ — Anchor Reconstruction

$C_R$ — Compression Regulation

$R_S$ — Representation Selection

$E_D$ — Error Diagnosis

$F_C$ — Frame Compatibility

$V_R$ — Verification of Reconstruction