本章的判断
真正的学习不是反应更多，不是表现更稳，也不是遇到变化便立即调整，而是一次经验生成了可重构敏感域：对无关扰动保持不变，对结构性差异及时变轨，并在持续残差中重画“什么值得响应”的边界。
提要 课堂常用稳定正确、抗干扰表现、快速纠错和灵活变通证明学生已经真正学会。然而，这四类证据都可能同时出现于一种更隐蔽的失败：学生在熟悉范围内表现稳定，遇到表面变化能够维持原方法，出现错误时也会根据反馈调整，却仍然不知道哪些变化只是噪声，哪些变化已经使原有规则失效。他可能对无关差异过度反应，也可能对结构性异常保持惊人的稳定。本章从物理学、心理学与工程学三种彼此不能相互替代的判断出发，重新追问“何谓真正的学习”。物理学把系统状态显露在其对扰动的响应谱中；心理学表明经验会重新分配注意、线索显著性与可联结性；工程学则揭示，控制系统必须在跟踪目标与抑制扰动之间配置敏感性，而且不可能对一切变化同时保持最佳响应。三门学科共同暴露出一个通常被预先设定的前提：哪些变化是信号、哪些变化是噪声，似乎在学习开始之前就已经确定。文章建立“选择性不变×判据可重写”二维辨别格，提出三项过程指标、六组可证伪预测及研究设计，并与知觉学习、注意学习、预测加工、元认知、适应性专长、认知灵活性、迁移与鲁棒性逐一划界。
一名学生已经熟练掌握“路程＝速度×时间”。教师把数字换掉，他会；把人物换成汽车，他会；把单位从千米换成米，他也会。后来题目变成两辆车相向而行，他仍然机械地寻找一辆车的速度和时间；再后来变成流水行船，他继续把所有速度放进同一个乘法式。教师发现他“迁移得很稳定”，却没有发现这种稳定本身就是问题：他能抵抗表面变化，也能抵抗结构变化。
另一名学生恰好相反。题目换一个字体、图形换一个方向、教师改一种问法，他就觉得“这是一种新题”。他拥有大量局部方法，却无法辨认哪些变化不影响关系。每一次新包装都迫使他重新开始。
这两名学生看起来完全不同：一个太僵，一个太乱。但他们缺少的是同一种东西——对变化的层级判断。前者把本应触发变轨的差异当作噪声，后者把本应忽略的差异当作信号。
课堂评价通常更容易发现第二类学生。题目一变就不会，错误明显，教师自然会说“没有真正理解”。第一类学生却常被视为掌握扎实，因为他正确、稳定、熟练、抗干扰。只有当真正的边界条件被改变，他才暴露出一种刚性：不是他没有学会保持，而是他没有学会何时不该保持。
因此，真正学习不能只由“能否在变化中保持表现”来定义。学习需要稳定，但稳定不总是优点；学习需要灵活，但灵活也可能只是被表面差异牵着走。更严格的问题是：
学习以后，一个人能否重新决定，哪些变化值得回应，哪些变化必须忽略？
这是本章要回答的问题。
本书What篇第一章提出“再生形式”：真正学习的结果能够穿过材料变化，重新发现差异、组织行动，并把结果写回未来经验。它回答的是一次学习有没有后代——过去形成的东西，能否在陌生世界里重新长出来。
但“能够继续生成”仍然留下一个问题：什么会被允许进入生成过程？
偏见同样能够跨材料繁殖。一个学生一旦形成“数学题都有固定题型”的判断，就会在分数、几何、函数和概率中反复寻找题型标签；一个人一旦相信“成功完全取决于努力”，就会忽略资源、制度、运气和身体差异。它们都能继续生成，也都能回写未来判断。
因此，真正学习不能只看形式能否再生，还要看再生过程怎样选择差异。一个系统若对所有差异都同样敏感，会被噪声拖走；若对所有差异都同样迟钝，会把反例吞掉。学习需要形成一种有层次的敏感性：有些变化只改变外观，有些变化改变适用条件，有些变化说明执行出了偏差，还有些变化说明整套判断标准需要重写。
第一章追问：这次经验以后还能生成什么？
本章追问：未来经验中的什么变化，能够进入并改变这套生成过程？
两者不能互相替代。再生形式强而敏感域失准，会形成强大的偏见；敏感域较准而再生能力不足，学习者能够察觉边界，却还不能在新材料中组织出有效行动。真正学习需要两者相互约束，但本章只集中处理第二个对象。
在物理学中，一个系统“是什么”，不能只看静止照片。外观相同的两个系统，受到同样微小扰动时可能作出完全不同的响应；看似不同的系统，也可能在某一尺度和某一类变换下表现出相同规律。
线性响应理论提供了一个严格例子。Kubo把系统在微小外场作用下的响应与其内部涨落联系起来，响应函数和广义磁化率、导电率等物理量由此成为描述系统状态的重要方式（Kubo,1957）。Callen与Welton的涨落—耗散关系也说明，系统自身的波动与它对外部扰动的响应不是两件孤立的事（Callen&Welton,1951）。
物理学由此给出第一个判断：
一个系统的状态，不只显露在它当前呈现什么，还显露在它对不同扰动怎样响应。
一块材料在常温下保持形状，并不足以说明它的性质。要改变温度、压力、外场、频率和载荷，观察它在哪些方向上几乎不变，在哪些方向上迅速变化，在哪个阈值附近发生相变。所谓“稳定”，从来不是对一切变化都不响应，而是在特定扰动范围内维持某种组织。
这对学习定义具有直接约束。学生在一道题上给出正确答案，只是一个状态截面；真正需要观察的是，当数字、表征、情境、提示、时间压力和关键条件分别变化时，他的判断如何变化。若表面数字改变就换方法，说明系统对无关扰动过敏；若问题的对象关系已经改变却仍坚持原方法，说明系统对结构扰动迟钝。
物理学中的对称性进一步揭示了“不变”的价值。一条规律的力量，常常表现为某些变换不会改变它。旋转坐标、平移位置或重新选择表示方式后，关系仍然成立，说明我们抓住的不是偶然外观，而是结构。然而，对称性破缺也同样重要：系统在某些条件下会从多种可能中选择一种新的有序状态。Anderson指出，复杂系统的宏观组织会出现微观描述中没有直接给出的新原则，“更多”并不只是数量增加，而可能意味着新的层次出现（Anderson,1972）。
学习也必须同时拥有这两种能力：知道什么变了仍然等价，也知道什么一变就不再是原问题。
物理学还提供了一条更尖锐的材料：滞后与路径记忆。某些磁性或无序系统当前的状态不仅由当前外场决定，还与它怎样走到这里有关。Sethna等人研究的无序驱动相变表现出滞后、雪崩和返回点记忆：系统经历过的扰动路径会留在后续响应中（Sethnaetal.,1993）。这提醒我们，学习不是简单地把输入映射成输出；同一个任务对不同经历的学生不是同一个扰动，因为他们已经拥有不同的响应历史。
但物理学有一个不能独自解决的困难。物理扰动本身没有“重要”或“不重要”的教育意义。频率、温度、外场只是变量；哪些变化应当被学习者忽略，哪些变化应当改变策略，不能由响应函数自动决定。物理学可以测量敏感性，却不能单独规定什么值得敏感。
心理学对学习的早期解释常把重点放在联结强度：刺激与结果反复配对，联系逐渐增强；预测与结果之间出现误差，联结据此更新。Rescorla—Wagner模型把预测误差放进学习变化中，解释了阻塞、过度预期等现象，推动学习研究从“只要相邻就会学习”走向“只有未被预测的结果才推动更新”（Rescorla&Wagner,1972）。
但后来一系列注意模型发现，变化的不只是“学到了多少”，还有“这个线索以后还会不会被学习”。
Mackintosh提出，能较好预测结果的刺激会获得更多注意，而较差预测者的可联结性下降（Mackintosh,1975）。Pearce与Hall从另一个方向提出，预测不确定、结果仍令人意外的刺激更能维持可联结性；一旦结果被稳定预测，刺激的学习效能会下降（Pearce&Hall,1980）。两种模型在方向上并不完全相同，却共同打破了一条朴素假设：刺激的显著性不是固定属性，经验会改变一个线索以后有多大资格进入学习。
Dayan、Kakade与Montague进一步把选择性注意与不确定性、预测可靠性联系起来，指出学习系统需要区别可靠线索与不可靠线索，而不是平均处理所有输入（Dayanetal.,2000）。Kruschke则尝试在联结学习与分类学习中统一注意变化，说明类别学习不仅建立反应，还重新分配输入维度的权重（Kruschke,2001）。
心理学由此给出第二个判断：
学习会改变差异进入心智的权重。
一个刚学几何的孩子看见三角形，首先注意颜色和朝向；经历一系列变式后，他逐渐忽略这些外观，开始注意边、角、平行与垂直。一个初学阅读的人被生词吸引，成熟读者却可能更敏感于叙述视角、证据缺口和语气转折。变化的不只是他“知道了什么”，而是哪些信息会自动占据前景，哪些信息退入背景。
EleanorGibson把知觉学习理解为分化和信息提取能力的发展：经验使学习者能够辨认以前混在一起的差异，也能发现环境中原本没有被利用的不变量（Gibson,1963）。Goldstone总结知觉学习研究时指出，练习可以带来注意加权、刺激印刻、分化与单元化等变化（Goldstone,1998）。专家常常不是看得更多，而是更快忽略无关部分，并把初学者看作多个零件的东西看成一个功能单位。
然而，注意学习同样会形成病理。偏见、恐惧条件化和刻板分类会让某些线索获得过高权重，让其他信息长期无法进入。一个学生曾因公开回答出错而受嘲笑，后来教师只是停顿片刻，他就把停顿识别为否定；一个人习惯通过分数判断能力，面对兴趣、努力方式和身体状态时仍然只看到成绩。心理系统并不天然把注意分配给“真正重要”的差异，它只会根据历史、奖惩与预测结构形成选择。
预测加工理论把这件事推得更远。Feldman与Friston把注意理解为对感觉信息精度的估计：不仅预测内容需要优化，预测误差本身的可信度也需要被加权（Feldman&Friston,2010）。这意味着同一个偏差可以被当作可靠证据，也可以被当作噪声；系统学习的不只是预测，还包括“哪些误差值得相信”。
但心理学也无法独自定义真正学习。一个线索获得更多注意，不等于它值得注意；一个人更善于分辨，不等于分辨会改善行动；预测误差被放大，也可能导致焦虑、过拟合与迷信。心理学揭示了敏感性的形成，却没有自动提供敏感性应如何服务目标、怎样在稳定与调整之间取得约束。
工程系统必须面对两类看似相反的要求。
一方面，它要对目标变化及时响应。恒温系统必须跟踪设定温度，飞行控制系统必须根据指令改变姿态，放大器必须忠实传递有用信号。
另一方面，它又要抑制扰动。环境噪声、传感器误差、模型不确定性、材料波动和外部冲击不能让系统随意偏离目标。一个系统若对任何输入都迅速反应，看起来很灵敏，实际上可能极不稳定。
负反馈工程的经典工作正是在这一矛盾中形成。Black通过反馈降低放大器增益的波动和失真，提高系统稳定性（Black,1934）。反馈不是让系统“反应更多”，而是把输出与目标比较，用偏差组织下一步动作。
但反馈也不是免费午餐。Bode的频域分析表明，反馈系统的敏感性受到基本限制：在某些频率范围内压低扰动影响，往往会在其他范围付出更高敏感性的代价。工程师后来把这种现象形象地称为“水床效应”——这里压下去，别处会鼓起来。Doyle关于LQG调节器的研究更尖锐地显示，一个在模型中表现优异的最优控制器，可能缺少足够鲁棒裕度，对未建模变化极其脆弱（Doyle,1978）。
工程学因此给出第三个判断：
良好系统不是对变化更敏感或更迟钝，而是把敏感性配置到正确位置。
这对课堂极其重要。很多教学把“会变通”理解为遇到变化就换方法，把“掌握扎实”理解为遇到变化仍保持方法。工程学告诉我们，两者都不够。关键是系统是否跟踪真正目标、抑制无关扰动，并保留发现模型失效的通道。
故障诊断进一步说明，输出偏差有不同来源。Isermann总结基于模型与估计的故障检测方法时指出，可以利用过程模型、状态估计和残差监测，早于传统限值检查发现系统参数与不可测状态的异常（Isermann,1984）。一个偏差可能是传感器噪声，可能是执行器故障，可能是模型参数漂移，也可能意味着原模型根本不再适用。若所有偏差都用同一种纠正动作处理，系统不是鲁棒，而是失明。
自适应控制则允许系统根据运行数据估计模型参数并调整控制律。Åström与Wittenmark的自整定调节器把参数估计与控制器计算结合起来（Åström&Wittenmark,1973）；Åström后来系统总结了自适应控制的理论与应用（Åström,1983）。但经典自适应控制仍然保留一个外部给定物：参考目标、误差通道和可接受性能通常由设计者预先规定。系统可以调整“怎样达到目标”，却未必能重写“什么算偏离目标”。
这正是工程学的边界。工程系统需要明确目标才能设计，而教育中的学习者最终必须参与目标和判据的形成。如果教师永远替学生标注“这次变化重要”“这个错误只是粗心”“这里必须换方法”，学生可以成为一个性能优秀的闭环系统，却仍然没有获得自己的判差权。
把前三部分简单相加，我们会得到一句安全而空泛的话：真正学习需要理解系统状态、形成正确注意并根据反馈灵活调整。任何课堂都可以声称自己正在这样做，任何失败也都可以被解释成某个条件不足。
真正的困难在于，三门学科对“差异是什么”给出了彼此不能互相代替的答案。
物理学说，差异是外部扰动与系统响应之间的关系。它不预先承诺某个扰动有意义，系统状态由响应谱显露。
心理学说，差异是否进入学习，取决于注意、预测误差、可联结性和历史。相同刺激对不同学习者不是相同信息。
工程学说，差异必须相对于目标、模型和容许范围被解释。没有参考值，就没有控制意义上的误差；没有设计约束，也无法决定应当抑制还是放大。
三者放在同一个课堂事件上，会给出不同判断。
学生在比例问题中因数字变大而换方法。物理学会问：数字放大是否改变了关系结构？心理学会问：为什么数值大小获得了过高注意权重？工程学会问：学生究竟在跟踪什么目标，他的误差判据把“数变大”误认成了“模型改变”吗？
另一个学生面对“不成比例”的反例仍坚持倍数法。物理学会说关键边界条件已改变；心理学会说既有线索权重压制了反例；工程学会说控制器在熟悉范围内鲁棒，却没有故障诊断通道。
这三种解释不能靠判谁正确来解决。它们分别处在状态、差异选择和目标关系三个不同位置。只有把三者连起来，才能看见课堂通常漏掉的对象：学生不是单纯缺知识、缺注意或缺反馈，而是没有形成一套能够自己组织敏感性的结构。
物理实验必须先指定要施加什么外场、测量什么变量；心理实验必须先定义刺激、线索和结果；工程系统必须先给出参考目标、扰动通道与性能指标。三个领域虽然研究不同对象，却通常共享一个操作前提：哪些差异可能重要，已经由研究者或设计者提前选定。
课堂也沿用这套前提。
教材用标题告诉学生本节重点；教师用语气告诉学生哪一句重要；题目用图形和关键词提示该调用什么方法；批改用红笔标出哪里算错；考试范围决定哪些变化值得准备。学生当然在学习，但大量“判差工作”已经由外部系统完成。
这会制造一种很高水平的假学习。学生能够在标注清晰的任务中快速响应，对教师定义的误差进行修正，对规定范围内的变化保持稳定。可是，一旦关键差异没有被命名，他就没有入口；一旦无关差异被刻意放大，他就容易被带走；一旦原有判据失效，他仍然等待外部系统宣布“现在换方法”。
三门学科自己的材料却在内部动摇了“信号与噪声预先分好”这一前提。
物理学中的相变与涌现说明，宏观上真正起组织作用的变量未必能从微观清单中直接指定。系统进入新状态后，原本微小的扰动可能成为决定方向的涨落，原本显眼的局部变化反而被宏观秩序平均掉。什么是有效变量，与系统所处状态共同生成。
心理学的注意学习更直接：线索的可联结性会因经验改变。学习不是在固定刺激上增加联系，而是在改变什么以后有资格成为刺激。信号与噪声的边界本身属于学习结果。
工程学中的鲁棒性与故障诊断也说明，设计时认定的噪声可能后来成为故障早期信号；被模型当作随机残差的东西，积累到一定模式后会迫使工程师修改模型。若系统只会按原阈值过滤，它会把新故障消音。
因此，共同前提必须被推翻：
真正学习不是在既定信号上形成更好反应，而是形成能够重新划分信号与噪声的结
构。
本章把真正学习所生成的这一对象称为可重构敏感域。
“敏感域”不是指一个人情绪敏感，也不是笼统的观察力。它指的是一套差异配置：在某一类任务和材料中，哪些变化会被忽略，哪些变化会被放大，哪些偏差只需要修正执行，哪些偏差会迫使学习者更换表征、规则或目标。
“可重构”意味着这套配置不是永久固定。它能够在新的证据、持续残差、材料阻力和行动后果中修改自己。真正学习者不是永远坚持最初学到的重点，也不是每遇到例外都推翻一切，而是能判断什么时候扩大适用域，什么时候缩小适用域，什么时候重新定义问题。
可以把核心判断压缩为一句三重否定式：
真正的学习不是反应更多，不是表现更稳，也不是遇到变化便立即调整，而是一次
经验生成了可重构敏感域：对无关扰动保持不变，对结构性差异及时变轨，并在持
续残差中重画“什么值得响应”的边界。
它至少包含五个必要性质。1.选择性不变
学习者能辨认哪些变化不改变核心关系。数字、字体、方向、人物、媒介和表达方式变化后，他不必重新学习一遍。
选择性不变不是僵化。它必须说明保持的究竟是什么，而不是因为只会一种方法而拒绝改变。2.结构性灵敏
当边界条件、对象关系、证据性质或目标发生变化时，学习者能及时改变路径。变化不一定很大，甚至可能只是一个小条件，却足以使原规则失效。
结构性灵敏也不是追逐新奇。真正重要的差异由它对后续关系的影响决定，而不是由外观醒目程度决定。3.残差分解
学习者不会把所有错误都归为“粗心”，也不会把每次失败都归为“方法不对”。他能够区分：执行偏差、信息不足、测量噪声、局部例外、参数变化与模型失效。
这种分解决定下一步是再算一次、补一条信息、调整参数，还是重构整个问题。4.判据重写
当异常持续出现，学习者允许经验反过来修改自己的判断标准。他不仅用规则评判材料，也让材料评判规则。
判据重写是本概念最关键的性质。没有它，所谓敏感性只是固定滤镜；拥有它，学习才不会把成熟变成封闭。5.领域边界
可重构敏感域不是无限通用能力。一个人在代数中能区分结构变化，不代表他在历史证据、社会关系和审美判断中自动拥有同样能力。敏感域由具体实践、材料和反馈形成，跨领域扩展需要重新校准。
五者缺一，真正学习都会退化。只有不变性，容易成为刚性；只有灵敏性，容易被噪声牵引；只有残差分析而不能改写判据，只是在旧模型里精细修补；只有不断改写而没有稳定域，则无法积累任何结构。
为了把可重构敏感域变成可观察结构，可以使用两条轴。
第一条轴是选择性不变：面对不改变核心关系的表面扰动，学习者能否维持判断与行动结构。
第二条轴是判据可重写：当关键条件改变、异常持续积累或原模型反复失效时，学习者能否修改“什么算重要差异”的标准。
| 选择性不变 | 判据可重写低 | 判据可重写高 |
|---|---|---|
| 低 | 噪声牵引型：表面变化不断触发方法切换，知识碎片化，学习者无法保持核心结构。 | 漂移适应型：愿意不断调整，却缺少稳定原则，每次反馈都可能重写标准。 |
| 高 | 刚性稳态型：在熟悉范围内表现稳定、抗干扰、正确率高，却把结构性异常也当作噪声。 （本章靶格） | 校准学习型：无关变化不扰动核心判断，关键差异能够触发变轨，持续残差还能修改判差边界。 |
传统课堂最容易识别的是“噪声牵引型”。学生换一道题就不会，教师自然会增加变式、归类和结构讲解。
真正危险的是“刚性稳态型”。它能够通过大多数形式审查：
它唯一缺少的是：当变化已经触及模型边界时，学习者仍然没有新的响应。稳定遮蔽了失效。
因此，本章的零情态词判据是：
取消教师提示，加入若干无关变化，再加入一个会使原规则失效的关键变化，学习
者是否对前者保持不变，并因后者主动重设判断规则？
这个判据不需要评价学生是否“深刻”“有智慧”或“真正理解”。它可以被写进任务序列、课堂录像、草稿修订、眼动记录、口头解释和操作选择。
学生学习正比例后，能够熟练判断“一个量扩大几倍，另一个量也扩大几倍”。教师更换果汁、地图、单价和路程情境，他都能迅速列式。
后来出现问题：“出租车起步价8元，超过3千米后每千米2元。路程扩大2倍，车费也扩大2倍吗？”
有些学生仍然寻找倍数。他们不是不会计算，而是把“两个量同时变化”当成了足够信号，把固定起步价当成了可以忽略的细节。原来的敏感域放大了倍数，压低了截距。
真正学习不表现为再做十道正比例题，而表现为敏感域重新校准：
当学生后来看到手机套餐、阶梯电价和打车计费时，主动寻找固定费用、区间和阈值，判差结构才真正发生变化。
学生背熟牛顿第二定律F＝ma，做水平面、斜面和连接体题都很稳定。教师换质量、换角度、换受力图，他仍能列式。
一道题改为电梯加速上升时测体重，学生仍然把支持力等同于重力；另一题改为变质量系统，他继续机械使用固定质量形式。公式记得越牢，越容易把适用条件压成背景。
真正学习需要形成两种相反能力。
第一，坐标方向、物体颜色和图形摆放变化，不应改变基本分析。
第二，研究对象边界、参考系、质量是否恒定、相互作用是否完整等变化，必须触发模型重建。
学生若每次都等待教师说“这里要换系统”，敏感域仍由外部持有。只有当他自己先问“我选的对象是什么”“哪些力来自系统外”“这个量在过程中是否保持”，公式才不再是一条答案通道，而成为带有失效边界的物理模型。
学生学会通过首尾句、反复出现的关键词和段落结构概括中心思想。这些方法在说明文和议论文中很有效，也能提高考试成绩。
后来阅读一篇不可靠叙述者的小说。人物口中反复强调自己无辜，文章开头和结尾都重复同一判断。学生按照稳定策略，把重复最多的话当作主题，却忽略细节中的矛盾、沉默与行动证据。
问题不是方法错误，而是敏感域没有区分文本类型与证据地位。首尾重复在一种文本中是结构信号，在另一种文本中可能恰好是需要被怀疑的对象。
真正学习的迹象是：学生保留“寻找结构线索”的不变性，同时让“谁在说、为什么这样说、文本是否要求读者怀疑表层陈述”进入新的判差边界。方法仍然存在，却不再拥有无条件的统治权。
学生用纸张设计一座桥。第一次承重不足，他不断增加纸层，最终能承受更多砝码。教师表扬他通过迭代提高了结构强度。
但下一次测试把静态砝码改成周期性轻敲，桥很快在连接处破坏。学生仍然继续加厚桥面，没有注意破坏来自应力集中和反复载荷，而不是材料总量不足。
这是一种工程式的刚性稳态：系统对原测试条件越来越鲁棒，却没有形成故障分类。真正学习要求学生区分：
如果每次失败都只触发“做得更结实”，反馈回路虽然闭合，判据却没有更新。只有当残差能够迫使学生修改模型，迭代才成为学习，而不是盲目优化。
学生把一道题交给AI。模型指出“这里忽略了定义域”，学生立即补上；下一道题模型说“需要分类讨论”，学生又照做。几轮之后，他的答案明显完整，错误越来越少。
但定义域和分类讨论的重要性仍由AI标注。学生只是在响应外部误差信号，并没有获得判差结构。
另一种误用恰好相反。学生发现AI偶尔出错，于是形成“AI答案都不可信”的稳定态度，无论模型提供什么证据都拒绝采用。他从过度信任变成过度抑制，仍然没有校准。
真正学习中的人机协作应把判差权逐步交还学生。例如：1.学生先说明哪些条件可能改变方法；2.AI只提供一个无关变化和一个结构变化，让学生分类；3.AI故意给出一条局部正确但适用域错误的建议；4.学生必须判断错误来自计算、前提还是模型；5.下一轮由学生重新定义检查标准。
AI的价值不是持续告诉学生哪里错，而是帮助他形成一套最终能够质疑AI、也能质疑自己的敏感域。
知觉学习是本章最接近的心理学概念之一。Gibson强调分化与不变量提取，Goldstone总结的注意加权、分化和单元化，都说明经验会改变人看见什么。
可重构敏感域若只是“更高级的知觉学习”，就没有新命名的必要。
两者的分离线在于：知觉学习可以在不改变判差责任的情况下发生。一个放射科医生能够辨认更细微的阴影，一个音乐学习者能听出更小的音高差，一个学生能看出两种函数图像的局部不同，这些都属于知觉分化。
但真正学习还要求判断：哪些差异应改变模型，哪些差异只是个体波动或测量噪声；当既有分类不断失效时，是否重写分类标准。
判决性预测是：在知觉辨别准确率相同的学习者中，具有可重构敏感域者应更能处理“细节差异很大但结构相同”与“外观差异很小但结构改变”的交叉任务。若知觉学习指标已经完全预测这种表现，本概念可被其吸收。
Mackintosh、Pearce—Hall和Kruschke等模型都允许经验改变线索的可联结性或注意权重。它们与可重构敏感域共享最重要的判断：学习改变的不是答案强度，而是什么能够推动后续学习。
差别在于，注意学习模型通常描述线索权重怎样随预测与强化历史变化；可重构敏感域还追踪学习者能否把权重分配本身变成可修订对象。
一个学生因长期考试训练而高度注意关键词，忽略题目关系。这种选择性注意非常稳定，也确实由经验学习而来；但它不是本章意义上的真正学习，因为它不能在关键词反复误导后重写自己的判差制度。
若注意学习模型加入高阶结构学习，能够同时预测选择性不变、结构性变轨和判据重写，那么“可重构敏感域”应退回注意学习框架，而不能只靠教育语言维持独立性。
预测加工与自由能框架比一般注意理论更接近本章，因为它不仅处理预测，还处理误差精度。系统会估计哪些感觉输入可靠，哪些偏差值得赋予更高权重。
本章不能假装这片理论空地无人占据。
分离线只能写得更硬：许多预测加工模型仍以给定层级、感知通道和生成模型家族为起点，学习发生为模型参数、隐变量和精度估计的更新；可重构敏感域关注课堂中一条更具体的事件——学习者能否把原本不在误差通道中的差异提升为模型失败证据，或者把原本高权重的差异降为无关扰动。
例如，学生不断在含参数方程中算错。预测误差可以推动他提高计算注意；但只有当他发现错误集中发生在参数改变解的个数时，并把“先判断参数如何改变结构”写成新的入口，误差制度才被重构。
若一个明确的预测加工模型能够预先给出这种误差通道重建，并在课堂数据上比本章三个指标解释得更好，本概念应被吸收。本章不是要与完整脑理论竞争，而是提出一个可以在教育事件序列中直接编码的对象。
Nelson与Narens把元认知组织为监控与控制：学习者对自身认知状态作出判断，并据此分配时间、选择策略或停止行动（Nelson&Narens,1990）。元认知当然是真正学习的重要组成。
但一个人可以拥有准确的信心监控，却仍然使用错误的判差边界。
学生知道自己对几何证明“不太有把握”，会多检查两遍；他也能准确预测哪类题容易错。这是元认知监控。可是，他始终把困难归为“定理记得不熟”，没有意识到真正问题是不会选择研究对象和构造关系。监控正确，误差解释仍然错误。
反过来，一些敏感域变化并不需要被清楚言说。学生可能说不出为什么，却在材料变化时自动忽略无关特征，并在关键条件改变时换表征。它可以是默会的，而元认知通常强调对认知状态的二阶判断。
判决性预测是：控制信心校准、学习时间分配和策略知识后，结构性变轨率与判据重写率仍应独立预测边界任务表现。若元认知指标已经完全覆盖这些差异，本概念没有必要。
适应性专长强调在效率之外保持创新和调整能力；认知灵活性强调切换规则、视角和任务集合。这些理论都反对机械僵化。
但“换得快”并不是可重构敏感域的充分条件。
一个学生面对每道新题都尝试不同方法，可能表现出高切换频率，却没有稳定结构；另一个学生在教师提示“这道题需要换思路”后迅速改变，也可能具有良好灵活性，却没有自主发现边界变化。
本章关心的是切换的选择性：
适应性专长若已经包含问题发现、边界辨认与切换判据重建，就可以吸收本章；若它主要测量收到陌生任务后能否创新解决，两者仍有分离空间。
迁移研究关心已有知识能否进入新情境；鲁棒性关心系统在扰动、噪声和不确定性下能否维持性能。可重构敏感域与二者都高度相关。
但迁移与鲁棒性通常更容易奖励“保持”。只要旧知识在新场景中继续有效，或输出在扰动下仍然稳定，系统就表现良好。
本章专门处理保持的边界。
学生在不同情境中始终使用同一方法，可能表现出强迁移；系统在多种输入下维持同一输出，可能表现出高鲁棒性。若新情境已经改变原理适用条件，这种成功反而是失败。
工程学中的鲁棒设计本身也知道这一点：系统只能在某个不确定集合和运行包线内谈鲁棒，超出边界需要故障检测、重构或安全降级。真正学习不是无限鲁棒，而是知道鲁棒承诺到哪里结束。
判决性预测是：在近迁移和常规扰动任务成绩相同的学生中，可重构敏感域更强者应在“结构突变任务”中更早停止旧策略，并能说明原方法的失效条件。若迁移距离和一般鲁棒表现已经完全解释这一差异，本概念可被吸收。
可重构敏感域不能由一次考试直接测量，需要把无关扰动、结构扰动和持续残差放进同一任务序列。本章提出三个研究性指标。1.无关扰动保持率
在不改变核心关系的变化中，学习者保持正确表征、策略和判断原则的比例。
变化可以包括数字、方向、媒介、表面情境、无关信息和表达顺序。重点不是答案是否相同，而是学生能否说明为什么这些变化不值得改道。2.结构突变变轨率
当关键条件使原规则失效时，学习者在没有外部提示的情况下停止旧策略并重构路径的比例。
“及时”很重要。最终在教师提示后改正，不等于敏感域已经形成。研究需要记录第一个主动变轨事件发生在何时、由什么差异触发。3.判差重写率
当同一类残差持续出现时，学习者修改注意权重、适用边界、错误分类或检查规则的事件比例。
最强证据不是他说“我以后会认真”，而是下一轮入口发生结构改变：先检查固定量，先确认研究对象，先区分文本声音，先验证模型假设，或主动增加一个能推翻自己的测试。
三个指标应当联合使用。无关扰动保持率高而结构突变变轨率低，意味着刚性稳态；变轨率高而保持率低，意味着漂移适应；两者都高但判差重写率低，可能只是教师已经教会一套更复杂的固定分类。
这些指标只能用于研究与课堂诊断，不得直接用于学生分层和教师排名。指标一旦进入高风险评价，学校最容易制造的是“表演性变轨”：教师预设一个明显反例，学生按口令说“原方法失效”，教案再记录“学生自主重构”。
预测一：同样会做，扰动指纹不同
在即时成绩、保持成绩和近迁移成绩相同的学生中，可重构敏感域更强者应表现出独特的扰动指纹：对无关变化反应小，对结构变化反应大。
若所有扰动反应都可由一般能力、熟练度和题目难度解释，本章核心对象没有增量价值。预测二：注意权重变化早于策略变化
当敏感域正在形成，学生对关键差异的注视、提及、标记或操作应先发生变化，随后才出现策略变轨和成绩改善。
若策略改善总是先于注意与判差变化，心理学维度受挫。预测三：刚性稳态伴随高信心
刚性稳态型学生在熟悉任务和表面变式中表现稳定，因此可能比噪声牵引型学生更自信；但在结构突变任务中，他们会更晚停止旧方法。
若高稳定、高信心学生并不更容易忽略结构突变，靶格需要修改。预测四：增加变式数量不一定改善敏感域
若变式只改变表面材料而不要求学生区分“可忽略变化”与“使模型失效的变化”，练习数量增加可能提高保持率，却不提高变轨率。
若单纯增加多样练习即可稳定提高判差重写率，本章关于边界重构的主张受挫。预测五：错误分类干预优于通用纠错
在总反馈时间相同的条件下，要求学生把偏差分类为执行错误、信息缺失、参数变化或模型失效，应比直接提供正确步骤更能提高后续结构突变变轨率。
若两种反馈在边界任务上没有差异，工程学的残差分解机制受挫。预测六：敏感性存在配置代价
强化学生对某一线索的敏感性，可能降低他对竞争线索的注意。长期用关键词训练题型识别，可能提高常规速度，却让关系变化更难进入；持续强调反例，也可能让学生对正常波动过度怀疑。
若敏感性能够在所有维度上同时无成本提高，工程学的配置约束不成立。
最强竞争解释是：本章三个指标只是一般智力、先前知识、元认知、注意控制、认知灵活性或教师质量的代理。研究必须控制这些因素。控制后若无关扰动保持率、结构突变变轨率和判差重写率不能独立预测边界任务与未来学习，本理论为伪。
可以在同一学校、同一年级、同一学科中选择至少六个班级，连续观察一个完整单元。每个核心概念都设计三类任务。
第一类是基准任务：测量当堂掌握、步骤准确和解释质量。
第二类是无关扰动任务：改变数字、背景、表示方式、方向和非关键条件，但保持核心关系。
第三类是结构突变任务：外观尽量相似，只改变一个足以使原方法失效的条件。
例如在比例单元中，无关扰动可以更换物品、数值和图表；结构突变可以加入固定费用、非零截距、分段关系或饱和上限。研究重点不是第三类更难，而是两类变化对学生产生的响应方向是否不同。
每个学生还需要经历一个残差序列。研究者不立即告诉他错误原因，而是连续提供三到五个能够区分执行失误与模型失效的结果，观察他何时修改错误分类和检查顺序。
数据至少包括：1.首次注视或主动提及的差异；2.是否保持原策略；3.首次变轨时间；4.对错误来源的分类；5.下一任务开始前的自发检查动作；6.延迟一周后的边界任务表现。
正式研究应优先采用教师内比较，减少“好教师什么都做得好”的选择偏差。还可以进行随机化微干预：同一教师在部分任务中直接纠错，在另一部分任务中要求学生先判断偏差属于哪一层，再选择动作。两组总时间和提示量保持接近。
至少两名编码者应独立判断扰动类别、变轨时点和判据重写事件，并在不知道延迟成绩的条件下完成首轮编码。研究必须主动寻找两类反例：高保持、高变轨却低学习；低指标却高未来学习。前者可能说明学生在错误目标上形成了精密敏感域，后者可能揭示身体、默会或群体层面的判差过程。
机制证伪条件可以写得更硬：控制先前知识、一般推理、注意控制、元认知准确度、教师经验和总练习量后，若三个指标不能预测结构突变任务及未来学习，或者刚性稳态与校准学习在边界任务上没有差异，则“可重构敏感域”没有独立理论地位。
本章还写下一项时间赌注：到2030年12月31日之前，若在同一制度环境内完成不少于十二个班级、连续两个以上单元的研究，结果显示常规迁移成绩和元认知校准已经完全解释结构突变表现，而判差重写率没有任何增量预测力，则本章核心命题应被判失败。仅有学生自报“我会看条件”、教案中出现“关注变化”、或教师主观评价学生更灵活，都不算命中。
物理学的限制：响应理论不能被直接当作心智定律
Kubo公式、磁化率、相变和滞后具有严格物理量纲，课堂中的注意、理解和策略不能直接等同于外场、能量或序参量。物理学在本章中提供的是形式约束：状态需要通过扰动响应辨认，不是为学习建立一套伪物理公式。
此外，线性响应只适用于足够小的扰动范围。课堂中的重大身份冲突、创伤经验和价值转变可能具有高度非线性，不能用“小扰动测试”概括。心理学的限制：被学会的敏感性未必正确
注意加权能够形成专业判断，也能形成恐惧、成见和迷信。一个学生对教师皱眉极其敏感，对证据矛盾却迟钝，这仍然是经验塑造的敏感域。
因此，可重构只是学习成立的条件，不是知识正当性的保证。敏感域还必须接受证据质量、公共检验、伦理与领域规范的约束。工程学的限制：学生不是等待被控制的装置
工程系统的目标通常由设计者给定，人的学习目标却可能在活动中生成。若把学生当作“被反馈调节的对象”，教师很容易用更精密的数据系统接管学生的判差权。
课堂真正需要的不是控制器越来越强，而是学生逐步参与决定参考目标、容许范围和失效判据。工程学只能帮助我们看见反馈与鲁棒性的结构，不能授权学校把学习者工程化。
三条限制共同缩小本理论的适用范围。它主要解释需要概念边界、模型选择、证据判断和迁移的学习，不替代基础记忆、早期动作模仿和安全规范训练。
可重构敏感域需要结构突变、异常与模型失效才能被观察，这很容易诱导一种危险做法：为了看学生会不会调整，教师故意制造持续挫败、欺骗性反馈或高压冲突。
这种做法不可接受。
第一，安全关键教学中，教师必须立即阻止危险动作，不能为了观察学生是否自主变轨而延迟纠正。实验室、体育保护、医疗操作和应急程序优先保证安全。
第二，身份、家庭经验和价值立场不应被当作可随意扰动的实验变量。结构突变任务应落在知识与模型层，而不是用羞辱、公开失败或关系威胁制造“心理误差”。
第三，任何过程指标都不得直接用于给学生贴上“僵化”“过敏”或“缺乏真正学习”的标签。指标描述的是某一任务位置中的响应结构，不是人格。
第四，已经依据这些指标作出不利安排的学校，必须公开编码规则、边界案例和复核渠道。学生和教师有权知道自己为何被判定，并提供反证。
任何可观察的教育概念一旦进入考核，都会生产仿制品。
学校可以规定每节课必须有“无关变式”和“关键变式”，教师便预先设计一个明显的表面变化和一个明显的结构变化；学生学会在第二类题出现时齐声说“原方法失效”。表面上，选择性不变和结构性变轨都发生了，实际上判差边界仍由教师持有。
平台也可以自动给每道题打标签：噪声、参数变化、模型失效。学生根据标签选择策略，正确率会提高，但敏感域没有内生。
更隐蔽的反噬是“过度怀疑”。为了证明自己会重写判据，学生可能对每个异常都推翻规则，对每个数据都追问模型，课堂无法形成任何稳定知识。可重构不是永不信任，而是让怀疑也具有阈值和证据责任。
目前没有彻底出口。降低考核风险、抽样查看原始任务序列、让学生解释为什么某次不变或变轨、允许教师记录“本轮不适合开放判差”，只能减少表演，不能消除。
因此，可重构敏感域最适合用于共同备课、课堂研究和学习诊断，不适合生成学校排名、教师奖金和学生分层。
按照本章自己的判断，读者记住“可重构敏感域”这个词，不能证明真正学习发生。甚至读者以后在每节课中都寻找“信号与噪声”，也可能只是形成一种新的关键词偏见。
文章只有在三种情况下开始产生学习：
第一，读者看到学生稳定正确时，不再自动赞美“掌握扎实”，而会设计一个无关扰动和一个结构扰动，比较两种响应。
第二，读者看到学生错误时，不再立即归因于粗心或不会，而会区分执行偏差、信息不足、参数变化和模型失效。
第三，读者发现本章的判据无法解释某类课堂事件时，愿意修改概念，而不是把反例重新命名为“隐性敏感域”。
本章目前仍有四个洞。
其一，集体课堂中的敏感域属于谁？一个学生发现关键变化，教师据此改变任务，其他学生被动跟随，敏感域究竟形成在个人、群体还是课堂关系中？
其二，情绪与身体信号如何进入判差结构？焦虑、疲劳和兴趣有时是噪声，有时又是任务超载与身份威胁的重要信号，不能被简单过滤。
其三，某些专家判断依赖多年默会经验，研究者难以从语言中重建其敏感域。若只记录可说出的条件，会再次奖励善于表达者。
其四，预测加工、注意学习和自适应控制已经拥有强大模型。若它们的现有变量能够更低成本地解释本章全部预测，“可重构敏感域”应被撤回，而不是靠跨学科修辞维持。
同属What篇，第一章的“再生形式”是第二章最必须正面处理的概念。
两者可以同时出现，也可以彼此分离。情形一：再生强，敏感域失准
一个学生形成“所有社会问题都由个人努力决定”的形式。它能穿过教育、贫困、健康和就业材料反复生成，也会改变他以后注意什么。再生形式很强，但他把结构性证据当作噪声，敏感域失准。情形二：敏感域较准，再生能力不足
另一个学生能够发现某道题改变了关键条件，也知道原方法不再适用，却无法组织出新方法。他对边界敏感，但形式尚不能跨材料再生。情形三：两者同时成立
学习者既能在材料变化中重建核心关系，又能区分哪些变化不影响形式、哪些变化迫使形式修改；生成结果还能反过来校准未来敏感域。
两者的判决性对照是：
立而本章判断不成立；
分成立而第一章判断不成立；
这一区分保证九篇专著不是九组学科词汇，而是在同一核心问题上形成彼此可裁决的不同理论对象。
可重构敏感域首先是一个解释对象，不是一套固定教法。但它会改变教师设计任务的顺序。1.同时准备两类变化
每个核心概念至少需要一组无关变化和一组结构变化。只做表面变式，学生只会学会保持；只做反例，学生可能对一切变化都过度警惕。
教师要让学生明确比较：哪些变化可以穿过，哪些变化必须停下。2.不先公布变化类型
若题目直接标注“易错点”“特殊情况”“方法失效”，判差仍由教材完成。任务应尽量让两类变化在外观上交叉：表面差异大的题可能结构相同，表面相似的题可能结构改变。3.让学生先分类错误，再选择动作
面对错误，不立即告诉正确步骤，而先问：
错误分类会直接改变后续行动。4.保存连续残差，而不是一次纠正完毕
一次异常容易被解释为偶然。课堂可以保存几次同类失败，让学生观察模式何时足以推翻原判断。这样既避免一见反例就全盘否定，也避免把所有反例都当作粗心。5.要求规则写出自己的失效条件
学生每形成一条方法，都要同时回答：
一条没有边界的规则，只是等待扩张的教条。6.逐步转移判差权
初期教师可以示范差异层级，中期让学生比较，后期由学生设计“无关变化”和“致命变化”来测试同伴。最终证据不是学生会回答教师的边界题，而是他能主动制造一个检验自己规则的扰动。
这六个动作形成一条课堂检查链：
什么可以变而关系不变？——什么一变就必须换模型？——当前偏差属于哪一层？
——积累到什么程度应当重写判据？——下一次由谁先发现？
本章提出如下赌注：
在 2031 年 12 月 31 日之前，若有预注册研究在同一位教师的不同课时之间随机分配两种反馈方式——一种直接提供正确步骤，另一种要求学生先把偏差分类为执行错误、信息缺失、测量噪声、参数变化或模型失效——并使两组的总反馈时间、提示准确度与任务难度相同，那么两组的即时成绩可以接近，但结构突变变轨率与判差重写率应当显著分化，且分化在边界任务上大于在常规任务上。
以下现象不算命中：学生自称“更细心了”；错题本更整齐；变式题数量增加；教师自报“重视错因分析”；只比较有反馈与无反馈两组；分类环节由教师代为完成而学生只是确认。
只有在学生自己完成偏差分类、并因此在原规则失效时主动停止旧策略的情况下，才算本章的机制发生。
若两种反馈在边界任务上没有差异，或差异完全可由反馈时长解释，本章关于残差分解的主张应被撤回。
何谓真正的学习？
它不是反应更多。对所有变化都有反应的人，会被噪声支配。
它不是表现更稳。对所有变化都保持稳定的人，会把反例消音。
它不是更会纠错。只会根据外部红笔修正的人，仍然没有自己的误差制度。
它也不是遇到新情境便立即变通。没有稳定原则的灵活，只是漂移。
物理学告诉我们，系统状态要通过扰动响应来辨认；真正的结构既包含对某些变化的不变，也包含在阈值处发生的状态转换。心理学告诉我们，经验会改变注意和线索权重，学习决定什么以后有资格进入学习。工程学告诉我们，敏感性必须配置，反馈必须区分目标、扰动和故障，而且任何鲁棒性都有运行边界。
三者共同逼出的判断是：
真正的学习，是一次经验生成了可重构敏感域。
它让学习者对无关变化保持结构，对关键变化及时变轨；让他不把每个错误都叫粗心，也不把每个例外都叫推翻；让过去学到的规则带着自己的适用边界，并允许未来经验重新描画这条边界。
因此，检验学习最锋利的问题，不只是“题目变了他还会不会”，而是：
当世界同时加入噪声与反例时，他能不能知道，哪一个不值得动，哪一个足以让自
己改变？
课堂的智慧，不在于替学生消灭所有不确定，而在于让他逐渐获得决定什么值得响应的权力。