教学理念

我的工作

完整的列表见关于我页面。这份教程是我从零开始设计的课程：它的各个阶段、练习以及我从教学中得到的体会，见学习Python；背后的理念，见Python哲学。那节微教学课讲排列与组合，是我用逆向设计准备的（幻灯片，PDF）；下文“授课”一节中概率论入门的例子，就来自这节课。授课老师的书面反馈肯定了以下几点（译自英文）：

• 开场的问题“是很好的引子，因为它建立在大家共有的已知内容上，是学生能够联系起来的具体事物”；
• 整节课都穿插着幽默；
• 我“让学生在整节课中都参与进来”。

一位同学写道，作为一个“不是数学型的人”，自己“学到了你想教给我们的东西”（译自英文）。

这些反馈也让我看到了要改进的地方。我低估了数学对其他专业同学的难度，这正是下文“反馈”一节说的专家盲点：15分钟里我安排了太多学习成果，用了他们不熟悉的术语，每张幻灯片上的内容也太多。现在我每节课安排更少的学习成果，先解释术语再使用，学生作答时让问题一直显示在屏幕上。

为什么教基础科学

我认为物理学是一门基础科学：它研究的是自然在最基本的层面上如何运作。但教物理不只是教它的理论及其应用。通过学习物理，学生学会从世界中提取、凝练、表达和运用信息——这个世界既包括自然，也包括人类社会。在信息时代，不可靠的信息随处可见，这种能力和批判性思维比以往任何时候都更重要。所以无论学生是否学物理专业，我的目标都是教给他们可迁移的技能，其中也包括物理学所需的数学和计算。

我过去认为教学是传授知识，现在则认为教学是帮助学生构建自己的知识；所以我的职责是让每位学生学得尽可能好，而不是展示我知道什么。学生迟早会面临选拔；在我的课堂上，我的目标是帮助每一位学生走得尽可能远。

授课

多媒体为学生提供了多种学习途径，但我仍然认为授课不可或缺，前提是学生不是被动的接受者。我用逆向设计（backward design）来规划每门课程：先确定课程目标，再把目标分解为学习成果，然后安排课堂活动来实现它们。我所教的科目通常由具体到抽象，而这一过渡正需要独立思考，所以我常把它作为一节课的学习成果。例如讲概率论入门时，我会着重强调把现实问题转化为数学语言。我的微教学课就以这样一个问题开场：四位歌手、四位吉他手、四位鼓手和四位贝斯手组成四支乐队演完第一场，第二场前随机重新组队，每支乐队仍是每种乐手各一人。没有人再与原来的队友同台的概率是多少？数一数组队的方式，问题就变成了算术：13,824种方式中只有24种，约0.17%。

在课堂上，我常用提问来引导学生。在我的Python课上，我请学生用自己的话解释示例代码，然后追问一些问题，帮助他们回忆已有的知识，找到正确的思路。例如，要交换两个变量的值，我会问他们：两只手各拿一样东西，怎样把它们交换过来？旁边也许还有一张桌子，可以先把其中一样放下——这张桌子，就相当于一步步交换时需要的临时变量。等他们独立做练习时，就从不会无从下手，总能写下自己的想法，这也让我有了可以回应的东西。

反馈

作为专家，我们很难想象新手不知道什么——这就是知识的诅咒（curse of knowledge），也叫专家盲点。我的对策是给出具体且有建设性的反馈。读博期间批改研究生量子力学作业时，我给每位学生写了详细的评语；每次作业批改完，我还会给全班写一封信，说明反复出现的错误以及如何纠正。

独立的思考者也应当能够判断自己的进展。我会经常安排简短的小测验，让学生对照我的反馈检查自己的学习情况。这样，他们学到的不只是知识，还有学习的方法，从而更加自信，也更愿意参与课堂互动。

学生的背景千差万别。我把这种多样性看作一种财富，因为每位学生都能为课堂带来些什么。我的Python教程的学生大多来自人文和社会科学、第一次学编程，所以我根据他们的反馈修订学习指南，并让每个人选择自己的项目；在正式的课程中，我会在开课时用简短的问卷了解大家，并提供多个层次的支持。

指导

指导研究也是我教学的一部分。刚接触科研的学生，也就是本科生和刚入学的研究生，最需要支持。在科研中，每个人都要面对未知，即使导师也不知道所有的答案。所以我会向学生说明科研是什么样子，帮助他们建立合理的预期，因为挫败感往往是初学者面临的最大障碍。而且无论多忙，我都会及时回复初学者的问题。我的目标是让学生从运行别人写的代码，走向为自己的研究编写工具。

我自己从法国文学转到计算机科学，再转到天文物理，所以特别乐于与背景不同寻常的学生合作。

如果你是学生、希望与我合作，请见与我合作；我提供的项目，见研究方向。

AI时代的教学

我认为学生可以实现这样一个目标：能做到某件事（用不用AI都行），而别人无论用不用AI，都不容易学会。对结果负责的是人，而不是工具；学生要对自己提交的东西负责。没有哪项作业能完全防住AI，所以我会尽早与学生讨论AI的使用规则，先讲为什么；用得好，AI可以成为耐心的辅导者，也可以成为课堂讨论的伙伴。关于AI在教学中、在我全部工作中的作用，更多看法见与AI合作。

一名教师的发展

高等教育随着社会和技术的发展不断变化，我的教学也是如此。我不断学习教学方法，关注新的教育技术，并向同事征求反馈。我不时去旁听其他学科的课，重温当新手的感觉，也从不同的视角中学习。教师永远是教学的学习者，我努力保持学生的心态。为“大学教学”这门课，我采访了我遇到过的最好的大学老师。这位老师通过学校的一个教学项目，在课堂上尝试了开卷的简短小测验，之后便采用了这种做法。这种有指导的试错，像做研究一样与同事一起进行，正是我希望在教学上不断成长的方式。

对我的教学影响较大的书：

• Susan A. Ambrose等，How Learning Works: Seven Research-Based Principles for Smart Teaching（2010年）
• Ken Bain，What the Best College Teachers Do（2004年）
• Grant Wiggins和Jay McTighe，Understanding by Design（第2版，2005年）
• James M. Lang，Cheating Lessons: Learning from Academic Dishonesty（2013年）
• John C. Bean，Engaging Ideas（第2版，2011年）
• Stephen D. Brookfield，Becoming a Critically Reflective Teacher（第2版，2017年）

我已准备好讲授的课程

本科生课程

• 天文学导论：恒星、星系与宇宙，面向专业或非专业学生
• 物理学核心课程，如力学、电磁学和量子力学
• 计算物理：数值方法与Python科学编程
• 物理科学中的数据分析与统计，包括如何核查机器学习和AI的结果

研究生课程

• 天文物理中的数值方法
• 宇宙学与大尺度结构，包括弱引力透镜
• 恒星结构与演化
• 天文图像：采样、点扩散函数、噪声与重建（专题课程）
• 面向物理科学研究者的机器学习，侧重验证
• 科学中的人工智能：在研究中使用AI工具，并核查它们的产出

计划与科普

在密歇根大学数据与人工智能研究院（Michigan Institute for Data and AI in Society，MIDAS），我希望为学生和研究人员开设一些简短的工作坊，内容包括高性能Python、Git工作流程以及机器学习中的良好实践；也希望指导学生在某一学科与AI的交叉处开展研究。我把文档完善的开源软件也看作一种普及工作，因为它让各地的研究人员都能参与大型空间任务。

给学生的札记

• 申请博士后的心得