# 早期導師路徑依賴：為什麼同一個學生第一次遇到誰可能改變整條認知軌跡 ## Early Mentor Path Dependence: Why the First Teacher May Alter an Entire Cognitive Trajectory **系列：** 教師—認知底空間系列（Teacher-Conditioned Bottom-Space Series, TCBS） **Paper：** 02 / 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 / NOT YET EMPIRICALLY VALIDATED **Canonical source：** UTF-8 Markdown --- ## 摘要 如果兩名學習者具有近似的初始能力、好奇心、資源與學習時間，但在認知發展早期遇到不同類型的導師，他們日後是否可能形成系統性不同的認知軌跡？傳統教育研究通常以教師品質、學習成效、考試分數或短期知識獲取衡量教學效果，但這些指標可能低估一種更深的長期效應：教師在早期所引入的問題類型、表示方式、驗證習慣、權威結構與跨域視角，可能成為後續認知狀態的初始條件，進而改變學習者未來能看見什麼、會提出什麼問題、如何判斷錯誤，以及哪些認知路徑會變得容易或困難。 本文提出「**早期導師路徑依賴假說**」（Early Mentor Path-Dependence Hypothesis, EMPH）。其核心主張不是「越早遇到強老師越好」的單調命題，而是：在存在足夠可塑性、可理解投影與持續互動的條件下，早期導師所施加的結構性影響可能透過狀態依賴與自我增強機制被放大，使相同總量的教學介入在不同時間出現不同長期效應。 本文承接 TCBS Paper 01 的教師條件化選擇底空間模型，並將既有「選擇底空間論」中的路徑依賴、認知鎖定、可重審與恢復能力，以及「共同底空間擴張與範式天才產出瓶頸」中的動態生成軌跡、強導師引力井與教育可逆性整合進時間模型。本文進一步區分五種不同現象：早期放大、早期鎖定、晚期修復、晚期解鎖與導師切換效應。 本文並提出一組可由 AI student checkpoint 實驗直接測試的設計：固定 student architecture、起始權重、總 teacher interaction budget、訓練資料與 compute，只改變 teacher 介入時間、teacher type 與 teacher-switch schedule，並在移除 teacher 後測量自主成長、問題生成、表示多樣性、OOD 遷移、自我糾錯與獨立搜尋能力。若在總教師成本相同的前提下，早期介入組與晚期介入組仍呈現穩定長期差異，則「教師介入時間」本身可以被視為一個獨立認知發展變量。 本文不主張人類存在單一普遍「導師臨界期」，亦不主張早期教師效應不可逆。相反地，本文把可逆性、恢復成本與後期 Frame Lift 視為同等重要的研究對象。 --- # 1. 問題提出：同樣的老師，為什麼「何時遇到」可能不同？ TCBS Paper 01 已將教師寫成作用於學習者認知—選擇底空間的動態算子： \[ T: \mathfrak B_S(t) \rightarrow \mathfrak B_S(t+1). \] 但這仍隱含一個尚未展開的問題： \[ T(t_1) \overset{?}{=} T(t_2). \] 也就是： > 同一位老師、同樣的教學量、同樣的內容，如果在不同發展階段介入，效果是否相同？ 若學習者是完全無歷史的靜態系統，答案可以接近「相同」。 但真實學習者通常具有： - 先前知識； - 既有表示； - 習慣性問題形式； - 錯誤模式； - 自我效能感； - 權威關係； - 搜尋偏好； - 已形成的學科身份； - 已被刪除或提高成本的替代路徑。 因此： \[ State_S(t_1) \neq State_S(t_2). \] 即使 teacher 不變： \[ T=\text{constant}, \] 其實現效果仍可能： \[ \operatorname{Impact}(T\mid S(t_1)) \neq \operatorname{Impact}(T\mid S(t_2)). \] 這就是本文的起點。 --- # 2. 路徑依賴的最小形式 既有選擇底空間論已提出： \[ o_t \rightarrow \Omega^E(t+1) \] 表示早期選擇會改變後續有效選項集合。 在教育中，把單一步選擇 \(o_t\) 換成 teacher intervention： \[ T_t \rightarrow \mathfrak B_S(t+1). \] 而後續狀態又成為下一輪學習的輸入： \[ \mathfrak B_S(t+1) \rightarrow \mathfrak B_S(t+2). \] 因此有： \[ \boxed{ \mathfrak B_S(t+n) = F^{(n)} ( \mathfrak B_S(t), T_t, E_{t:t+n}, A_{t:t+n} ) } \] 其中： - \(T_t\)：當下教師條件； - \(E\)：環境； - \(A\)：學習者後續採取的行動； - \(F^{(n)}\)：多步狀態轉換。 只要： \[ \frac{\partial F}{\partial \mathfrak B_S}\neq0, \] 就意味前一階段的狀態會影響下一階段。 此時，一次早期介入可能透過多步遞推被放大。 --- # 3. 早期差異不需要一開始很大 考慮兩個幾乎相同的學生： \[ S_0^{(A)}\approx S_0^{(B)}. \] A 組早期遇到普通教師： \[ T_A. \] B 組早期遇到全域型教師： \[ T_B. \] 第一階段差距可能只是： \[ \|\Delta S_1\| = \|S_1^{(A)}-S_1^{(B)}\| = \epsilon. \] 若後續狀態對前一狀態敏感： \[ S_{t+1}=F(S_t), \] 則差距可變成： \[ \epsilon \rightarrow \epsilon_2 \rightarrow \epsilon_3 \rightarrow \cdots \] 這裡不要求混沌式指數爆炸。 只要某些教師效應具有自我增強性即可。 例如： \[ \text{更早會問問題} \rightarrow \text{獲得更多高品質回答} \rightarrow \text{形成更多概念錨點} \rightarrow \text{更容易理解下一個高階問題}. \] 或： \[ \text{更早習慣反例} \rightarrow \text{較少把第一答案當最終答案} \rightarrow \text{更常修正模型} \rightarrow \text{長期錯誤累積下降}. \] 因此早期教師效應可能具有： \[ \boxed{ \text{Small Initial Difference} \rightarrow \text{Repeated Structural Advantage} } \] 的形式。 --- # 4. 早期導師路徑依賴假說 本文正式提出： ## 假說 H1 — Early Mentor Path Dependence 在固定總教師互動量、總訓練資料與總 compute 的條件下，若 teacher 在高可塑性且 student 能有效理解其投影的早期階段介入，則可能存在： \[ \boxed{ \operatorname{LongTermImpact} ( T_{\mathrm{early}} ) > \operatorname{LongTermImpact} ( T_{\mathrm{late}} ) } \] 但此關係不是普遍定律，而是條件式命題。 其成立至少需要： \[ P_{T\to S}(t)>0, \] 即 teacher 投影對當時 student 可理解； 以及： \[ Plasticity_S(t) \] 仍允許既有框架被低成本改寫。 若 teacher 過早而 student 尚無必要錨點，則可能出現： \[ \operatorname{Impact}(T_{\mathrm{early}}) < \operatorname{Impact}(T_{\mathrm{mid}}). \] 所以本文不使用單純的「越早越好」。 更合理的是： \[ \boxed{ I_T(t) = f( Plasticity_S(t), Anchors_S(t), P_{T\to S}(t), Authority_T, Task_t ) } \] --- # 5. 教師敏感窗，而不是固定臨界期 本文暫稱： \[ W_T \] 為教師敏感窗（Teacher-Sensitive Window）。 它不是生物學上已證實的普遍 critical period，而是一個研究構造： > 在某個學習階段內，教師介入對後續認知底空間的邊際影響較高。 定義： \[ W_T = \{t: \frac{\partial \mathcal V_{\mathfrak B}}{\partial T} \text{ relatively high} \}. \] 其中： \[ \mathcal V_{\mathfrak B} \] 表示底空間有效體積或更一般的結構指標。 敏感窗可能依能力不同而不同： - 語言錨點； - 數學直觀； - 錯誤態度； - 權威關係； - 問題生成； - 跨域遷移； - 自我驗證。 因此： \[ W_{T,\text{math}} \neq W_{T,\text{research}} \neq W_{T,\text{metacognition}}. \] 本文不假設存在單一「黃金年齡」。 --- # 6. 早期導師究竟可能植入什麼？ 早期教師不是只把更多知識塞入 student。 至少可能植入六類長期狀態。 ## 6.1 問題格式 學生習慣問： > 答案是什麼？ 或： > 這個問題的前提對嗎？ 這兩者會產生不同的後續學習軌跡。 --- ## 6.2 錯誤模型 錯誤可以被理解為： \[ \text{failure} \] 或： \[ \text{diagnostic signal}. \] 若早期教師把錯誤視為羞恥或服從問題，student 可能逐漸降低： \[ P(\text{expose uncertainty}). \] 若早期教師將錯誤視為可分類訊號，則可能提高： \[ P(\text{self-correction}). \] --- ## 6.3 表示習慣 學生可能形成： \[ \text{text-only} \] 或： \[ \text{text} + \text{diagram} + \text{symbol} + \text{counterexample} + \text{simulation} \] 的多表示習慣。 --- ## 6.4 權威模型 教師可能讓 student 形成： \[ \text{Teacher says} \Rightarrow \text{True} \] 或： \[ \text{Teacher proposes} \Rightarrow \text{Testable candidate}. \] 這種差異可長期改變： \[ D_T \] 與： \[ \Omega_{\mathrm{independent}}. \] --- ## 6.5 搜尋策略 學生可能習慣： - 直接求答案； - 先列假設； - 先找反例； - 先重寫表示； - 先問邊界； - 先尋找不變量。 這些不是知識點，而是： \[ \boxed{ \text{Search Operators} } \] --- ## 6.6 可見世界 最深一層是 student 是否知道： > 原來世界可以這樣問。 也就是： \[ K_S(o):0\rightarrow1. \] 這一類影響直接作用於： \[ \Omega^K_S \] 甚至： \[ \Phi_S. \] --- # 7. 普通、強、全域教師的早期分叉模型 設三個教師： \[ T_O=\text{Ordinary}, \] \[ T_S=\text{Strong}, \] \[ T_G=\text{Global}. \] 三者教同一名義內容。 ### Ordinary 主要提高： \[ K_S \] 與： \[ R_S, \] 即知識與回答能力。 ### Strong 除了以上，還提高： \[ A_S, \quad V_S, \] 即操作集合與驗證能力。 ### Global 除了以上，還可能提高： \[ F_S, \quad X_S, \quad Q_S, \] 即 Frame Lift、跨域探索與問題生成。 因此早期學生可能形成： \[ \mathfrak B_O(t), \quad \mathfrak B_S(t), \quad \mathfrak B_G(t). \] 真正需要測的不是： \[ Score_G>Score_O \] 是否成立，而是： \[ \boxed{ Topology( \mathfrak B_G ) \neq Topology( \mathfrak B_O ) } \] 是否成立。 例如： - 節點更多； - 連通度更高； - 平均跨域成本更低； - 可用操作更多； - 分叉能力更高； - 恢復能力更高。 --- # 8. 早期教師效應的五種不同機制 本文區分五種不能混在一起的機制。 ## 8.1 Early Amplification 早期正向差異被後續重複利用。 \[ \epsilon_t \rightarrow \epsilon_{t+1} > \epsilon_t. \] --- ## 8.2 Early Lock-In 早期教師使某些替代路徑成本快速上升。 \[ C_{\mathrm{switch}}(t+1) > C_{\mathrm{switch}}(t). \] 這可能是： - 方法鎖定； - 學派鎖定； - 身份鎖定； - 語言鎖定； - 權威鎖定。 --- ## 8.3 Late Repair 後來遇到更高品質教師，可以修補： - 基礎錯誤； - 缺失錨點； - 驗證習慣； - 問題重構能力。 即： \[ \mathfrak B_t \rightarrow \mathfrak B'_{t+1} \] 仍可能發生。 --- ## 8.4 Late Unlock 後期 teacher 不一定只「補課」。 若能進行： \[ \Phi_t \rightarrow \Phi'_{t+1}, \] 則可能解鎖整片先前不可見問題空間。 --- ## 8.5 Teacher Switching student 從： \[ T_1 \] 轉向： \[ T_2 \] 時，可能產生： - 表示衝突； - 權威衝突； - 方法互補； - Frame Lift； - 認知震盪； - 解鎖； - 混亂。 因此 teacher switching 本身是獨立研究變量。 --- # 9. 為什麼晚遇到更好的老師不一定能完全追回？ 假設 early teacher 已經使 student 形成： \[ \Phi_1. \] 多年後遇到： \[ T_2. \] 若 \(T_2\) 只是添加知識： \[ K\uparrow, \] 但沒有改變： \[ \Phi_1, \] 則 student 可能只是： > 在舊框架內學得更強。 真正追回早期差異，可能需要： \[ \boxed{ \text{Repair} + \text{Frame Lift} + \text{Cost Reduction} } \] 共同作用。 可以定義恢復成本： \[ C_{\mathrm{recover}} ( \Phi_1 \rightarrow \Phi_2 ). \] 若： \[ C_{\mathrm{recover}}\uparrow \] 隨時間增加，則早期教師影響具有 path dependence。 但若高品質 later teacher 能使： \[ C_{\mathrm{recover}}\downarrow, \] 則「早期錯過好老師」並非不可逆。 --- # 10. 恢復能力是模型的一部分 本文不把 path dependence 誤寫成宿命論。 沿用選擇底空間中的恢復能力： \[ \mathcal R_S \] 表示 student 能否： - 返回； - 重學； - 重建； - 換表示； - 換學派； - 換導師； - 恢復被壓縮的探索空間。 因此同樣的早期導師效應，在： \[ \mathcal R_S^{high} \] 與： \[ \mathcal R_S^{low} \] 的學生身上可能差異很大。 更完整模型： \[ \boxed{ LongTermImpact = f( T, t, Plasticity, Anchors, Recovery, Environment ) } \] --- # 11. 導師引力井在早期可能更強 若早期 student： - 高度信任老師； - 缺少其他比較來源； - 缺乏反例能力； - 尚未建立獨立驗證習慣； 則 teacher authority： \[ A_T \] 可能具有更高權重。 若 teacher 本身極強： \[ C_T\gg0, \] 學生會更容易得到高品質成果。 但也更容易形成： \[ \boxed{ \text{Competence Gain} + \text{Search Dependence} } \] 並存。 因此早期全域教師理想上必須同時具有： \[ C_T\uparrow \] 與： \[ D_T\uparrow. \] 即： > 能帶得很遠，也允許學生離開。 --- # 12. 早期全域教師的悖論 如果全域教師真的能看到大量高階結構，他可能犯一個特殊錯誤： > 太早替 student 看完。 若 teacher 不斷： - 替學生選問題； - 替學生選表示； - 替學生排除錯誤； - 替學生做驗證； - 替學生做跨域映射； 則： \[ Q_{\mathrm{teacher-assisted}}\uparrow, \] 但： \[ Q_{\mathrm{student-autonomous}} \] 未必上升。 所以全域 teacher 的最佳策略可能不是最大 intervention，而是： \[ \boxed{ \text{Minimum Sufficient Intervention} } \] 使 student 自己完成： \[ Search \rightarrow Failure \rightarrow Repair \rightarrow Generalize. \] 這將在後續 Paper 04「強導師引力井」中展開。 --- # 13. AI 實驗：第一次可以真正複製同一個學生 人類教育難以回答本問題，因為不存在兩個完全相同的人。 AI 則可以。 固定 checkpoint： \[ S_0. \] 複製： \[ S_0^{A}, S_0^{B}, S_0^{C}, S_0^{D}. \] 固定： - architecture； - parameter count； - optimizer； - task distribution； - data budget； - total training FLOPs； - teacher token budget； - teacher compute budget； - evaluation seeds。 只改 teacher schedule。 --- # 14. 最小四組時間對照 ## Group A — No Teacher \[ S_0 \rightarrow SelfLearn. \] --- ## Group B — Early Teacher teacher 在： \[ t\in[0,\tau_T] \] 介入。 之後完全移除。 --- ## Group C — Late Teacher teacher 在： \[ t\in[\tau_L,\tau_L+\tau_T] \] 介入。 其中： \[ \tau_L>\tau_T. \] 總 teacher interaction budget 與 Group B 完全相同。 --- ## Group D — Split Teacher 一半 intervention 在早期，一半在晚期。 --- # 15. 更強的 teacher-type × time 矩陣 真正完整實驗可做： \[ 4\times3 \] 矩陣。 Teacher type： 1. ordinary； 2. strong； 3. global； 4. no teacher。 Intervention time： 1. early； 2. middle； 3. late。 形成： | Teacher | Early | Middle | Late | |---|---:|---:|---:| | None | baseline | baseline | baseline | | Ordinary | O-E | O-M | O-L | | Strong | S-E | S-M | S-L | | Global | G-E | G-M | G-L | 這能測： \[ TeacherQuality \times InterventionTime \] 交互作用。 --- # 16. Teacher Switching Experiment 另設： \[ T_1 \rightarrow T_2. \] 例如： 1. Ordinary → Global； 2. Global → Ordinary； 3. Strong → Global； 4. Global → Strong； 5. Global → Self； 6. Strong → Self。 測量切換後： \[ \Delta Q, \quad \Delta F, \quad \Delta X, \quad \Delta C_{\mathrm{switch}}. \] 如果： \[ Global\rightarrow Self \] 仍保持高 autonomous growth，則 global teacher 可能真正建立了可遷移搜尋能力。 如果一移除 global teacher 就崩落，則可能只是 dependency。 --- # 17. 評測不能只看最終正確率 最終 accuracy 可能掩蓋底空間差異。 本文提出至少八項指標。 ## 17.1 Learning Speed \[ v_L = \frac{dQ}{dt}. \] --- ## 17.2 Sample Efficiency 達到相同品質所需資料量： \[ N_{\mathrm{sample}}. \] --- ## 17.3 OOD Generalization \[ Q_{\mathrm{OOD}}. \] --- ## 17.4 Self-Correction 在無 teacher 時，能否： - 發現矛盾； - 重算； - 找反例； - 修改假設。 --- ## 17.5 Question Generation 測： \[ Q_G = \text{novel useful questions generated}. \] --- ## 17.6 Representation Diversity 對同一問題是否能建立： \[ R_1,R_2,\ldots,R_k. \] --- ## 17.7 Independent Search teacher 不在時，能否自主： \[ Explore \rightarrow Verify \rightarrow Revise. \] --- ## 17.8 Post-Teacher Growth Rate 教師移除後： \[ g_{\mathrm{post}} = \frac{dQ_{\mathrm{autonomous}}}{dt}. \] 這可能是本系列最關鍵的指標之一。 --- # 18. 什麼結果才支持早期導師路徑依賴？ 最弱證據： \[ Q_{\mathrm{early}} > Q_{\mathrm{late}} \] 在 teacher 移除後仍維持。 更強證據： \[ g_{\mathrm{post,early}} > g_{\mathrm{post,late}}. \] 也就是早期 teacher 不只留下知識，而留下： > 更高後續自主成長率。 更強： \[ Q_{\mathrm{OOD,early}} > Q_{\mathrm{OOD,late}}. \] 最強之一： \[ \Phi_{\mathrm{early}} \] 呈現可測量的更高： - frame diversity； - problem generation； - autonomous representation rewrite； - cross-domain transfer。 此時才有理由說： > 早期 teacher 改變了可達認知世界，而不只是讓 student 提前學會既定內容。 --- # 19. 什麼結果會反駁本假說？ 本文必須保留明確失敗條件。 若 matched budget 下： \[ Q_{\mathrm{early}} \approx Q_{\mathrm{late}} \] 且： \[ g_{\mathrm{post,early}} \approx g_{\mathrm{post,late}}, \] 並且所有結構指標皆無穩定差異，則： > 早期介入並沒有顯著獨立價值。 另一種反駁： \[ Q_{\mathrm{late}} > Q_{\mathrm{early}}. \] 若多次重現，可能表示： > student 必須先形成足夠錨點，強 teacher 才能有效投影。 又或者： \[ Q_{\mathrm{early,global}} < Q_{\mathrm{early,strong}}, \] 代表過早全域化導致： - 過載； - 依賴； - 表示失配； - 搜尋被替代。 這些都是理論本身應接受的結果。 --- # 20. 人類教育：真正值得問的不是「哪個老師最好」 將 AI 實驗轉回人類時，不應直接問： > 哪位老師最好？ 而應拆成： \[ T= ( C_T, P_{T\to S}, F_T, A_T, D_T ). \] 並研究不同學生： \[ S_i \] 與 teacher 的匹配： \[ Match(T,S_i,t). \] 因此： \[ \boxed{ \text{Best Teacher} } \] 可能不是普遍常數。 更合理的是： \[ \boxed{ T^\ast = \arg\max_T LongTermExpansion(T,S,t). } \] 同一老師可能： - 對 A 學生極好； - 對 B 學生過度抽象； - 對 C 學生權威太強； - 對 D 學生剛好形成 Frame Lift。 --- # 21. 教育評價必須從終局分數轉向動態軌跡 如果早期導師效應是路徑依賴問題，單次考試很難觀察。 需要追蹤： \[ \Gamma_S(t). \] 至少包括： \[ Q_S(t) \] 問題生成； \[ D_S(t) \] 問題重定義； \[ R_S(t) \] 自我修正； \[ X_S(t) \] 跨域遷移； \[ F_S(t) \] Frame Lift； \[ I_S(t) \] 獨立搜尋。 真正重要的不只是： \[ Score(t_0), \] 而是： \[ \boxed{ \frac{d\Gamma_S}{dt}. } \] --- # 22. 早期老師與「天才」問題 本文不採： \[ \text{Great Teacher} \Rightarrow \text{Genius}. \] 而採更弱且可證偽的形式： \[ \boxed{ P( G_k \mid T^\ast_{\mathrm{early}} ) > P( G_k \mid T_{\mathrm{baseline}} ) } \] 可能在某些類型的高階學習者上成立。 也就是： > 好老師不保證產生某個人，但可能改變某類發展軌跡的出現概率。 這與「範式天才可教育性光譜」一致： - 越接近高階問題解決者，可教育性較高； - 越接近完全顛覆型問題空間創造者，可預定性下降； - 但教育仍可能提高產生條件。 --- # 23. 歷史反事實的正確用法 歷史人物常被問： > 如果某人早年遇到更好的老師，會不會變得更強？ 本文認為這類問題可以提出，但不能被當成可直接驗證的歷史事實。 正確用途是： \[ \text{Counterfactual Generator}. \] 用來生成可驗證機制： - 是否存在早期表示效應？ - 是否存在權威鎖定？ - 是否存在導師切換成本？ - 是否存在晚期恢復？ - 是否存在 Frame-Lift 解鎖？ 然後交由 AI 或現代教育實驗測試。 歷史人物只是： \[ \text{hypothesis inspiration}, \] 不是因果證明。 --- # 24. 與 TCBS Paper 01 的關係 Paper 01 提出： \[ (\mathfrak B_{t+1},\Phi_{t+1},L_{t+1}) = \mathcal F( \mathfrak B_t, \Phi_t, L_t, T_t, E_t ). \] 本文新增時間位置： \[ \boxed{ T_t \neq T_{t+k} } \] 不是教師身份改變，而是： > 同一 teacher operator 作用於不同 student state，可能產生不同長期效果。 因此完整式變為： \[ \boxed{ \mathfrak B_{t+1} = \mathcal F( \mathfrak B_t, \Phi_t, L_t, T, \tau_T, E_t ) } \] 其中： \[ \tau_T \] 表示 teacher intervention timing。 --- # 25. 本文核心命題 ## 命題 A — 時間非交換性 一般情況下可能： \[ \boxed{ T\circ L_t \neq L_t\circ T } \] 也就是： > 先被教師改變再自行學習，與先自行學習再接受同一教師，不一定得到同一結果。 --- ## 命題 B — 早期放大 若 teacher 介入提升可重用搜尋算子，則： \[ \Delta_0 \rightarrow \Delta_t \] 可隨後續學習擴大。 --- ## 命題 C — 早期鎖定 若 teacher 權威過高且偏離容許度低，則： \[ C_{\mathrm{switch}}(t)\uparrow. \] --- ## 命題 D — 晚期恢復 早期不良路徑不必不可逆： \[ \mathcal R_S>0. \] --- ## 命題 E — Frame-Lift 解鎖 後期高品質 teacher 若能： \[ \Phi \rightarrow \Phi', \] 可能打破既有認知鎖定。 --- ## 命題 F — Teacher Timing × Teacher Quality Interaction \[ \boxed{ Effect \neq f(T)+f(t) } \] 而可能是： \[ Effect = f(T,t,T\times t). \] 即 teacher quality 與介入時間具有交互效應。 --- # 26. 系列中的位置 TCBS 系列目前： 1. **Paper 01：教師條件化選擇底空間** 2. **Paper 02：早期導師路徑依賴** ← 本文 3. Paper 03：Frame-Lift 教育 4. Paper 04：強導師引力井 5. Paper 05：教師能力與教學投影能力分離 6. Paper 06：AI 教 AI 的教師品質對照實驗 7. Paper 07：從 AI 教師實驗回到人類教育 Paper 02 的功能是： > 把 Paper 01 的靜態教師差異，轉成動態時間路徑問題。 --- # 27. 結論 本文的核心問題可以壓縮成： \[ \boxed{ \text{同一個人，第一次遇到誰，可能改變後來能成為誰。} } \] 但此句不能被理解為宿命論。 更精確的是： \[ \boxed{ \text{Early Teacher} \rightarrow \text{Early Cognitive State} \rightarrow \text{Future Reachability Distribution}. } \] 教師不是直接決定終點，而是改變： - 可見道路； - 路徑成本； - 搜尋算子； - 問題框架； - 錯誤態度； - 權威模型； - 自主探索能力。 因此： \[ \boxed{ \text{Teacher Timing} } \] 本身應被視為教育學與 AI learning science 中的獨立變量。 而真正最值得測量的不是： \[ \text{早學了多少} \] 而是： \[ \boxed{ \text{教師離開之後，學生是否仍然學得更快、問得更深、走得更遠。} } \] 如果答案為是，那麼早期導師的作用就不只是「提前輸入知識」。 它改變的是： \[ \boxed{ \text{未來可達認知世界的生成規則。} } \] --- # 附錄 A：最小符號表 | 符號 | 意義 | |---|---| | \(S\) | Student / 學習者 | | \(T\) | Teacher / 教師 | | \(\mathfrak B_S(t)\) | 時間 \(t\) 的認知—選擇底空間 | | \(\Phi_S\) | 學習者問題框架 | | \(W_T\) | 教師敏感窗 | | \(P_{T\to S}\) | 教師對 student 的投影能力 | | \(A_T\) | 教師權威強度 | | \(D_T\) | 偏離容許度 | | \(\mathcal R_S\) | 恢復能力 | | \(C_{\mathrm{switch}}\) | 導師／框架切換成本 | | \(g_{\mathrm{post}}\) | teacher 移除後自主成長率 | --- # 附錄 B：最小 AI 預註冊模板 ```text Student checkpoint: Architecture: Parameter count: Optimizer: Training budget: Teacher model: Teacher revision/hash: Teacher token budget: Teacher compute budget: Groups: A no teacher B early teacher C late teacher D split teacher Primary outcomes: - post-teacher autonomous growth - OOD generalization - self-correction - question generation - representation diversity - independent search Secondary outcomes: - training accuracy - sample efficiency - calibration - failure rate Stop conditions: - budget exhausted - predefined evaluation interval complete Falsification: - no stable early/late difference - late teacher consistently dominates early teacher - teacher effects disappear after teacher removal ``` --- # 附錄 C：Paper 03 接口 下一篇： ## 《Frame-Lift 教育：老師真正改變的可能不是答案，而是可問問題集合》 將正式區分： \[ \text{Knowledge Transfer} \] \[ \text{Search Operator Transfer} \] \[ \text{Representation Change} \] \[ \boxed{ \text{Frame Lift} } \] 並研究教師如何改變： \[ P_\Phi, \quad \mathcal A_\Phi, \quad \mathcal G_\Phi, \quad C_\Phi. \] Paper 03 的核心問題是： > **老師最強的教學行為，是否不是「告訴學生答案」，而是讓學生第一次意識到原來還可以問另一種問題？**