教育者如何陷入综合判断
教育尚未解决悖论。
作为教育者，我们有责任满足每个学习者的个人需求，但是我们的许多判断都是基于我们认为对学生群体有效的判断。 无论我们是为30名学生计划一堂课的老师，还是比较两个学习者的研究人员，还是要求进行最新一轮国家评估的政策制定者，我们的智慧通常都植根于该群体的需求。
为小组服务时，以牺牲小组内单个学习者的利益为代价，就产生了悖论。 考虑一下以下赌注，该赌注由心理学家Paul Samuelson于1960年代首次提出：
我们将掷一枚硬币，您可以认为这是公平的。 如果它落在头上，您将赢得$ 200。 尾巴，您会损失$ 100。 您准备好下注了吗？
可以理解的是，大多数人都不愿意承受50％的机会失去100美元，因此拒绝下注。
现在让我提出相同的选择，只是这次我们将硬币掷出100次。 我们对每次翻转的获胜/失败金额进行累加，然后您会得到（或处罚）净差额。
这次你愿意下注吗？ 萨缪尔森（Samuelson）的实验很容易与一群朋友复制，证实了许多拒绝原始赌注的人在提出替代选择时会改变主意。 通过100次翻转，我们可以预期会损失50％的时间，但每次获胜都包括两次亏损的事实使我们感到不安，因此我们赔钱的总体机率很小-足以使风险看起来值得的机会。
从纯理性的角度来看，使该投注有趣的是，您在两种情况下的选择不应有所不同。 从数学上说，您应该像单双翻牌那样愿意单双翻牌投注（Samuelson使用简单的归纳参数就显示了很多）。
尽管这是非理性的，但我们倾向于保守主义，以保护自己免受单一损失的影响，但是当他们将自己的损失埋葬在一系列事件中时，他们愿意接受。 换句话说，我们评估单个选择的方式取决于该选择是孤立的还是大集合的一部分。
各专业之间也存在类似的差异。 例如，在医疗保健领域，医生会高兴地发布适用于不同患者群体的指令，例如，建议对表现出某些症状的患者进行手术。 然而，当面对一个活着且呼吸良好的患者时，同一位医生会拒绝接受他们自己的综合判断，即手术是最好的治疗方法，并且要保持患者的生存和呼吸，将进行更深入的研究-订购更多的测试并检查患者的病史，然后再进行手术最后的电话。 不一致并不能使他们成为坏医生，而只是不一致。 我们大多数人都欢迎医生放弃这种综合判断而倾向于对每个患者最有效的判断的趋势。 的确，仅仅因为我们的错误诊断在一系列病例中“错位”，我们就证明将个别患者置于危险之中是不合理的。
在教育领域，我们努力摆脱自己的直觉，以牺牲团体中的个人为代价来满足团体的需求。 甚至是个性化学习的方法，EdTech和渐进式教育的替代子，也可以替代“一刀切”的教学方法，也容易陷入旨在避免的“平均”习惯。
个性化学习的重点是每个学习者都有自己独特的需求和偏好，并且他们的教育经历也应如此。 意图虽然高尚，但往往在我们如何设计，实施和评估个性化学习技术的细节中迷失了。 除了满足学习者的个人需求外，我们还不愿退却，迎合了神话般的“普通”学生的判断。 一些例子：
·机器学习算法-为智能辅导系统提供动力的算法-根据系统上其他学习者的表现向用户推荐课程。 这些系统通过假定每个学生与他人相似来“学习”每个学生。
·学校的实施指南，例如建议的每周使用量，通常基于所有学校观察到的平均进度。 对于大量的学习者来说，这样的指导方针粗略地假设了相似的进步速度。
·根据汇总的性能指标（例如平均通过率和平均任务时间）确定内容改进的优先级。 个体学习者的个体斗争很容易在噪音中迷失。
·旨在评估个性化学习影响的功效研究旨在衡量对学生学习成果的平均影响。 如果平均而言，我们认为干预是成功的，则放弃了为什么它对某些学生可能比其他学生更有用的微妙之处，以及在何种程度上起作用。
所有这些情况都可能破坏我们致力于解决每个学习者需求的承诺。 可以通过遵循医生的榜样来克服所有问题：探究每个学习者的需求，并根据需要调整我们的工具。 绝不能容忍一个学生的学习潜力下降，只是因为其他学生的进步弥补了这一潜力。 寻找平均水平的替代处方。
替代方案更难获得，并且在实践中仍然难以应用。 它们将在单独的帖子中介绍。 目前，我们应该反思我们的个性化学习理想是否在我们的技术设计和实施中保持不变。 我怀疑还有更多工作要做。
