01 / READ BEFORE WRITING
没有读过大学原课的教学内容,
就不应开始写这一讲。
数学地图的各学科页面已经列出对应的大学原始课程与课时来源,但这些目录只是查询入口,不是可以直接拿来生成正文的全部证据。
数学地图现有的学科名称、课程大纲中的学科/课程名称与先后顺序、单元与课次名称及顺序、参考大学及其课程目录的原始名称和链接,均是已经校对好的既定资料。编写新讲义时一律只读和沿用,不得自行替换、翻译重命名、重排、增删或改绑网址。AI 的任务是根据这些既有条目调查大学的实际教学内容,再写本站原创讲义、交互与练习,而不是重建课程目录。
本站新讲义的正式中文标题(页面主标题、浏览器标题、课程入口标题、范文名称)必须与已校对的课次目录中文名称完全一致,不允许只取一个知识点当正式标题。尤其不要将 YouTube 视频标题替换成已经校对的课程目录名称,也不要把大学原始目录链接替换成某一集视频地址。大学目录、课程视频、本站课程是三种不同资料:视频或讲义可作为新增参考资料单独记录,本站课程则通过阅读链接挂到相应的既有课次,不改变原条目的标题与来源。
若真的发现目录信息有错误,先记录证据、列出拟修改字段和影响范围,取得站长明确批准后才能调整;不能因为某份视频或第三方资料写法不同就直接覆盖。
中文、英文名称与既有归属保持不变,不因当前写作主题更名。
保持既有章节标题、学科教学次序、课程和课次编号,不自作主张插入、删除或调整。
原有大学名称、课程名称、课次来源标题、目录 URL 原样保留。视频、PDF 与练习链接独立补充,不覆盖原始目录。
可以编写本讲正文、选择题、课后题、交互及来源审校记录,并将已验收讲义挂到既有课次。
以已校对的学科、Unit、Session 编号、名称、顺序及目录网址为固定输入,核对它们对应的实际教学内容;不得修改这些已有字段。
优先阅读视频或文字稿、讲义摘要、板书与配套阅读;不能访问某份资料,就记录缺口,不能假装看过。
整理它考查的运算、理解、证明和误区,校准我们题目的深度与学习目标;禁止照搬题目原文、数据和解答。
每个主要知识点都对应某份真实资料及页码、段落或讲解时段;超出该讲的延伸必须单独标注。
从学生真正会的知识出发,严格推出新概念。交互值必须可用公式复算;每个选择题应检验该讲确实讲过的内容。
核对数学与题目答案、来源链接、真实课次映射、移动端和无 JS 阅读;未验收绝不挂“已上线”。
禁止仅看标题写课、把不同大学课程合并成一个假 Lecture、将没有读过的 PDF 标成“已核对”、照搬大学习题或把本站原创内容冒充 MIT 官方授课。大学教师真正用了哪些内容,要有可复查的证据。
02 / A REAL SOURCE-REVIEWED EXAMPLE
以哈佛 STAT 110 第 4 讲为例,
逐条对应教材之外的实际授课与练习。
官方课程目录把贝叶斯定理列在 Lecture 4: Conditional Probability 之内,同一讲还有独立性、Newton–Pepys 问题和条件概率。我们核对了 官方视频条目、官方练习与答案中第二、第三组对应内容,并参考清楚标注为第三方的第 4 讲笔记。未声称完整观看官方视频或取得官方逐字讲稿。
用独立事件的交集计算与 Newton–Pepys 的经典问题建立前提,避免把“互不影响”误解为“不能同时发生”。对应第 1 节和 Q1、E1。
严格区分 P(A|B) 与 P(B|A),从同一交集的两种计算方式导出乘法法则。对应第 2 节和 Q2。
从条件概率的定义推导贝叶斯公式,列出假设与其补集两条产生证据的路径;利用 10,000 个样本的误报实验检查低基准率。对应第 3–4 节和 Q3–Q4。
赔率形式的证明与两次条件独立测试,标明属于哈佛配套练习的深化,而不虚构为第 4 讲正式授课的新章节。对应第 5–6 节和 Q5–Q6。
关注概率方向、先验和后验、独立与条件独立的区别、数学证明与反例。本站自主设定数字、叙述、答案与交互,形成 8 道分层练习。
本课目录名称为《独立性、条件概率与贝叶斯公式》,对应哈佛原视频标题为 Lecture 4: Conditional Probability,两者属于不同元数据,不能彼此替代。
现在的主范文是 《独立性、条件概率与贝叶斯公式》:重点详讲贝叶斯定理,并有 逐节来源与测验对应记录 ↗。它代表编写程序,而不是要求其他学科复制“警报实验”或相同题量。
一元微积分第一章前四讲严格沿用已校对的 MIT 原始课次名称和顺序,而不是重新命名目录。它们分别展示“从几何直觉建立定义”“用定义证明计算公式”“联系真实变化率与单位”“用极限和反例检验定理”四种写法;每讲都有原创数学交互、随堂题、课后题以及来源审校记录:
02 · 导数计算实例(1/x、幂函数与尖点) · 来源审校
03 · 导数作为变化率(物理单位与误差) · 来源审校
04 · 极限与连续性(左右极限与严格证明) · 来源审校
这些范文核对了 MIT 官方课次页、教学笔记、例题与答案;没有完整观看全部官方视频,因此不能写成“逐分钟复刻原课”。可借鉴教学质量和验证流程,但各学科的章节数、题量与图形不必相同。
完整单元案例:MIT 18.01SC Unit 1 的既有 22 个条目现已依次配有中文内容:Session 1–20 是教学课,21 是第一次考试复习,22 是官方考试资料入口与原创自测。后续 18 个条目核对了 MIT 官方课次页及 62 份原始 PDF 中实际可读取的讲义、例题和答案(每份至多读取前三页文字;不是完整观看视频或逐页审校插图)。从微积分 Unit 1 目录按顺序学习全部 22 个条目 ↗。每讲配有以对应课次命名的独立来源审校记录(例如第5讲)↗,并在页面列出 MIT 原始资料。后续 Agent 可以学习不同授课主题怎样组织推导和练习,但不得把22节粗暴套用为统一模板,更不能修改大学课程目录名称与顺序。
03 / TEACH ORIGINAL CHINESE MATH
看过原课之后,
才决定自己怎样教。
AI 要将大学的概念顺序与难度作为边界,用自己的文字重新组织学生能够理解的推理。正文应该从一个有意义的问题开始,清楚写出对象、条件、推导、例子和反例;每个新符号出现时解释其作用。
交互必须表达真实数学关系。范文把先验比例、检出率和误报率放进同一个贝叶斯实验。滑块改变时,样本人数、真实警报数、误报数和后验概率必须用同一模型重新计算;不能只更改展示数字。
大学实际讲了独立性、条件概率与贝叶斯定理,本站却只给一个孤立公式;或者把后续的全概率与条件独立课时冒充第 4 讲内容。
能指出知识点在讲义哪一页、视频哪一段、习题测什么;学生最终能独立推理。
04 / ASSESS THE REAL LECTURE
选择题和课后练习,
必须考这一讲真正教过的东西。
先从大学配套的题型与学习要求反推能力,再原创构造不同的数值、例子和选项。好的错误选项不是随机的,而是对应学生可能出现的数学错误:混淆 P(A|B) 与 P(B|A)、忘记基准率、遗漏误报分支、把概率误当赔率、没有说明条件独立就直接平方似然比。
随堂选择题紧跟关键讲解,每个选项都必须解释错因;课后练习覆盖独立性、条件概率、公式证明、基准率、后验赔率、连续更新及条件独立反例,并提供逐步解析。必须先验证题目数值与正确答案,不能让页面脚本替错误数学背书。题量根据原课内容定,不硬套固定模块数量。
可以借鉴正规大学的概念范围、讲授先后与被考查的能力,但不能将高校的讲稿、图片、例题或原题直接复制到本站并称为原创。引用官方资料要列出来源;必须遵守各个高校自己的许可条件。
05 / REVIEW BEFORE RELEASE
只有通过内容审校,
才能发布“本站授课”。
确认实际看过视频/文字稿、讲义、习题、答案,记录可打开的具体链接和覆盖范围。
课程现有的学科、课程、单元、课次名称及排序和大学原始目录链接必须逐项保持一致;若大学资料呈现差异,只写入审校备注,不得擅改已校对字段。
逐式核查公式、代回、图像坐标、所有选择题答案与详细解析。
先修知识足够,误区得到解释,图形不替代证明,题目测的是本讲已讲内容。
320、360、390、430、768、1024、1440 px 屏宽,键盘操作、焦点、无 JS 可读、无外部强依赖。
限定范围增量发布,复核线上 URL;没做截图就写明没做。未完成审校的讲次不显示阅读入口。
06 / THE ASSIGNMENT TO ANOTHER AI
可执行的 AI 写课任务书。
请先在 JACKNOTE / MATH 数学地图选中一条既有大学课次。现有学科名称、中英文课程名称、大纲章节与课时名称及排序、参考大学及其课程目录原始名称和 URL 均已校对,属于不可擅改的只读数据。任何新视频、PDF、第三方讲义只能另作参考资料记录;不得用它们改写大学目录字段或原始链接。若怀疑现有数据错误,须先提供证据并获得站长明确批准。不要擅自改变 Course → Unit → Lecture 映射。打开其大学原始目录,尽可能阅读该讲的授课视频或文字稿、讲义、配套例题、问题及答案,形成一份“官方来源 → 教学目标 → 原创讲授章节 → 即时检查 → 课后题”的对照记录。对访问失败或欠缺材料的部分明确标注,不得猜测。根据课次本身的实际讲授范围设计通俗但严谨的中文课文、能复算的数学交互、针对性错因反馈,以及有完整解析的原创课后习题。不得复制大学原题或未经授权的教学图片,不得将别人的讲授冒充本站原创。不超出本讲边界,除非额外注明延伸。先通过数学、链接、无 JS、手机端与映射一致性检查,按网站发布规范增量上线,未完成的讲次保持不可点击。
主范文:《独立性、条件概率与贝叶斯公式》
Harvard Statistics 110 · Lecture 4: Conditional Probability。讲授独立性、条件概率、贝叶斯定理的推导与现实误报问题,并将赔率和连续证据更新明确标为哈佛配套练习的进阶内容。可交互计算、逐项错因反馈、证明与分层练习均有来源与数学验收。
阅读新的深度范文课程 ↗