推出 HN：Bloomy (YC S26) – AI 驱动的 K-12 掌握学习

大家好，HN，我是 Alex Southmayd，Bloomy (https://bloomylearning.com) 的创始人，这是一个面向 K-12 学生的人工智能掌握学习平台。 Bloomy 为学生提供人工智能导师以及适应性课程（目前是数学、英语语言艺术和写作）。工作原理：我们诊断学生的技能差距，将他们置于个性化的学习路径上，并为他们提供符合标准的课程和苏格拉底式人工智能导师，在不给出答案的情况下支撑他们的学习。目标是用 AI 解决 Bloom 2-sigma 问题 (https://en.wikipedia.org/wiki/Bloom%27s_2_sigma_problem)。简短的发布视频：https://tinyurl.com/bloomylearning 较长的产品演示：https://youtu.be/XHvoKt6qMeo Bloomy 的家庭访问：https://bloomylearning.com/families 我最初是一名教师。我在 Teach For America 教 7 年级英语和写作，每天我都努力为 30 名具有 30 种不同需求的学生提供差异化​​的教学。有些学生需要补救，有些学生需要加速，还有许多学生需要坐在他们旁边的导师帮助他们推理下一步。本杰明·布鲁姆的二西格玛结果——一对一辅导可以产生比传统课堂教学更好的结果——对我来说总是直觉上真实的。困难的部分是让每个孩子都能负担得起并获得这种关注。然后人工智能改变了成本曲线。当我看到像 Alpha 这样的学校围绕掌握程度而不是座位时间来组织学术时，这个模型就被采纳了。如果您听说过 Alpha School，那么这正是启发我们的定向学习模式。但我一直在思考已经存在的家庭和学校：家庭学校、微型学校、混合学校以及当今大多数孩子所在的普通教室。大多数学生和老师都以错误的方式看待学习差距。他们获得成绩、百分位数、基准分数或广泛标准，而不是“这是学生应该学习的下一个技能”。现有的个性化学习产品通常感觉就像数字工作表：它们提供了大量的练习，但没有太多的诊断或教学。很少有人工智能导师提供核心指导。 Bloomy 从诊断开始——我们与第三方评估相结合并提供我们自己的评估——并为每个学生创建一条学习路径。学生一次学习一项技能，接受简短的课程，以适应性难度进行练习，只有在表现出至少 90% 的掌握程度后才能继续前进。学习路径会随着学生的表现和我们的技能先决条件知识图（与 Learning Commons / Chan Zuckerberg Initiative 合作构建）而更新。每个技能分为三个阶段。 Base Camp 通过实例教授这一概念。 Climb 提供指导性练习和苏格拉底式支持。 Summit 是一项独立的十个问题掌握程度评估，没有提示或人工智能帮助。学生需要在峰会上达到 90% 才能晋级。如果他们太挣扎，他们就会被引导到更适合他们水平的不同技能。 BloomyBot 不是一个空白的聊天窗口，而是一个实时、互动且善于观察的数字导师。在练习过程中，它接收活跃的段落或问题、问题、学生的尝试、书面解释以及相关的误解背景。它遵循一个脚手架式的辅导阶梯：首先询问学生尝试了什么，然后指出概念，提出策略，一起完成一个步骤，只有在学生遇到困难后才提供更重的脚手架，一路适应学生并向学生学习。学生可以打断它，我们已经开始推出对西班牙语、法语和客户要求的其他一些更小众语言的多语言支持。目前，我们为 BloomyBot 使用各种 Anthropic 和 OpenAI 模型。导师仅限于当前课程、重定向不相关的问题、限制对话长度，并且在掌握情况评估期间无法使用。语言模型并不选择课程或决定学生是否掌握了某项技能。这种分离很重要。传统上“有帮助”的人工智能反应可能是一个糟糕的辅导反应：如果它泄露了答案，学生就完成了任务，但可能不会学到任何东西。我们的目标不是构建一个回答作业的聊天机器人。它将人工智能置于诊断、指导、实践、反馈和独立掌握的结构化循环中。法学硕士仍然可能是错误的，我们并不声称我们的限制消除了这一点。我们通过将 BloomyBot 融入编写的课程内容、保持主题、记录对话并将其从评估中删除来减少表面积。教师和家长可以审查辅导活动，学生可以报告问题，安全信号会触发人工警报和备份审核。我们也不认为 Bloomy 可以替代老师、家长或人类导师。一个好的人类导师更好。我们正在测试的更窄的问题是，d