叶曲炜 · 专著筹备中 · 在线伴读

AI时代的问题力

六环提问、探究学习与教学智能体

开始六环提问查看全书主线比较酒店预测方案 English

全书主线

问题力是发现、界定、探究并回应重要问题的能力。书稿拟从个体的提问出发，逐步走到项目、证据与教学系统设计。

问题力
AI 可以迅速给出答案，人怎样决定什么值得问？
六环提问
带着真实情境练习提问，把初问改成可以继续探究的问题。
问题导向与项目化学习
用 PBL 组织探究，用 PjBL 组织协作、交付与迭代。
智能体与证据
用 WorkBuddy 委托任务，检查来源、过程、边界和成果。
教师进阶
把方法用于课堂与社会培训，用教学智能体设计任务、量规和审核节点。

01 · 提问练习

拿一个真实问题来练六环

从今天遇到的一个疑问出发，按需要在记、思、问、行、复、化六环之间往返。保留初问、修订版和修改理由。尝试行动后，把实际反馈补回记录。

进入六环提问实践

02 · WorkBuddy 入门实操

酒店订单取消预测

用八条虚构订单记录判断一笔新订单会不会取消。先自己作判断，再用 WorkBuddy 协助复核，最后说明证据能支持什么判断。

打开课堂练习，进入酒店订单案例 H1，写下自己的预测与理由。
在 WorkBuddy 中粘贴下方委托，把课堂样例数据交给它。先审阅计划，再检查计算和交付。
回到课堂练习查看程序投票，再到 H3 先预测后揭晓真实结果。记录你的判断是否改变，以及原因。

验收记录应包括自己的初判、三位近邻及其投票、与课堂程序的对照，以及一条关于样例局限的说明。

打开订单预测练习打开 WorkBuddy 官网

查看 ABC 智能酒店课程

03 · 教师进阶

AIP–TDA–MAS 问题力实操平台

学生可在项目引导和课程实验中练习提出问题、检验证据和协作。教师可输入课程或单元，生成并审阅包含 PBL、PjBL 和 SEL 的教学草案。

查看架构与治理规则

打开问题力实操平台

PBL-002 · v1.0.0

酒店订单取消预测：准确率相同，怎么选方案

从原有 KNN 入门练习的单笔预测出发，用一组独立的虚构测试订单比较两种方案。先做预测，再揭晓结果，判断漏报和误报会怎样改变你的选择。

固定规则

只用下单时已经知道的提前预订天数预测订单是否取消。取消时间戳在下单时不可用，纳入模型会造成数据泄漏。
训练集 H01–H08 来自原有课堂练习。测试集 T01–T08 独立固定，预测前保持标签隐藏，不能用来选参数。
KNN 固定 k=3，按提前天数的绝对距离取近邻，距离相同按训练订单编号排序，再多数投票。
对照方案预先规定每笔都判为不取消。训练集中正负标签各半。

对应专著主题

问题设计 · 教师在环 · 多智能体 · 过程证据

先预测，再核对

先选 T03 和 T06 手算，写下三个近邻、各自标签和预测。再完成八笔测试订单的两组预测。
固定预测后揭晓标签，对照逐单结果，填写 TP、FP、TN、FN。比较准确率、召回率和精确率。
解释漏报与误报的代价。下一轮先约定用途与判断标准，再用独立样本检查结果。

回看 KNN 单笔订单练习

训练样例（已知标签）

订单	提前预订天数	真实标签
H01	2	0
H02	4	0
H03	7	1
H04	10	0
H05	16	1
H06	20	1
H07	24	0
H08	28	1

独立测试订单（标签待揭晓）

订单	提前预订天数
T01	3
T02	6
T03	8
T04	10
T05	12
T06	17
T07	22
T08	27

1 = 取消，0 = 不取消。数据均为教学模拟。

用 WorkBuddy 专家团分工复核

打开 WorkBuddy，召唤已配置的「六环成长协作团」。先提交不含测试标签的任务包，保存预测后，再提交带标签的 JSON。如果已安装 daily-compounding-sixloop，可用它记录初问、方案选择理由与下一轮要验证的问题。

下载 WorkBuddy 任务包（不含测试标签）下载课堂输入 JSON（不含测试标签）打开 WorkBuddy 官网

查看可复制任务全文

PBL-002 · v1.0.0
酒店订单取消预测：准确率相同，怎么选方案
1 = 取消，0 = 不取消。数据均为教学模拟。
只用下单时已经知道的提前预订天数预测订单是否取消。取消时间戳在下单时不可用，纳入模型会造成数据泄漏。
训练集 H01–H08 来自原有课堂练习。测试集 T01–T08 独立固定，预测前保持标签隐藏，不能用来选参数。
KNN 固定 k=3，按提前天数的绝对距离取近邻，距离相同按训练订单编号排序，再多数投票。
对照方案预先规定每笔都判为不取消。训练集中正负标签各半。

训练样例（已知标签）
订单, 提前预订天数, 真实标签
H01, 2, 0
H02, 4, 0
H03, 7, 1
H04, 10, 0
H05, 16, 1
H06, 20, 1
H07, 24, 0
H08, 28, 1

独立测试订单（标签待揭晓）
订单, 提前预订天数
T01, 3
T02, 6
T03, 8
T04, 10
T05, 12
T06, 17
T07, 22
T08, 27

用 WorkBuddy 专家团分工复核
打开 WorkBuddy，召唤已配置的「六环成长协作团」。先提交不含测试标签的任务包，保存预测后，再提交带标签的 JSON。
如果已安装 daily-compounding-sixloop，可用它记录初问、方案选择理由与下一轮要验证的问题。
1. 主理人先复述问题、验收标准和分工。问题教练明确预测的使用场景，以及误报与漏报各自意味着什么。
2. 行动学习设计师用上述固定规则计算两套预测，返回逐笔预测、KNN 近邻、计算方法。证据核查员独立检查拆分、时间点和距离排序。请在预测保存前等待，不读取测试标签。
3. 收到带标签的 JSON 后，证据核查员用已经保存的预测计算混淆矩阵和指标。没有预测正例时，精确率标为未定义。不得修改第一阶段预测或重新选 k。
4. 主理人保留独立回传和分歧，交教师审阅。教师检查数据泄漏、训练与测试分离、误报漏报的取舍、下一轮评估方案，以及哪些结论仅限模拟练习。

https://www.treeye.cn/zh/problem-competency#pbl-002

我的预测已记录，揭晓标签与计算结果

TP 是正确找出的取消订单，FP 是误报取消，TN 是正确识别的不取消，FN 是漏报取消。准确率按全部订单计，召回率按真实取消计，精确率按预测取消计。

订单	提前预订天数	真实标签	三个近邻（编号、距离、标签）	KNN
T01	3	0	H01 (1, 0), H02 (1, 0), H03 (4, 1)	0
T02	6	0	H03 (1, 1), H02 (2, 0), H01 (4, 0)	0
T03	8	1	H03 (1, 1), H04 (2, 0), H02 (4, 0)	0
T04	10	0	H04 (0, 0), H03 (3, 1), H02 (6, 0)	0
T05	12	1	H04 (2, 0), H05 (4, 1), H03 (5, 1)	1
T06	17	0	H05 (1, 1), H06 (3, 1), H04 (7, 0)	1
T07	22	1	H06 (2, 1), H07 (2, 0), H05 (6, 1)	1
T08	27	0	H08 (1, 1), H07 (3, 0), H06 (7, 1)	1

方案	TP	FP	TN	FN	准确率	召回率	精确率
KNN	2	2	3	1	5/8	2/3	2/4
全判不取消	0	0	5	3	5/8	0/3	未定义（无预测正例）

KNN 多找出了可能取消的订单，同时增加误报。若只是安排人工核查，先确定核查量能承受多少误报，再用新的独立样本评估。此练习未验证真实酒店业务效果。

下载完整数据 JSON（含测试标签）

Coze 在线教学设计样例

此环境尚未开启 Coze 样例。上面的数据、计算和 WorkBuddy 任务均可独立使用。