视频列表
24 个视频
12:041 - Swift Student Challenge 真正的评什么？
作者：11
Swift Student Challenge 对作品的所有约束，都是在奖励真正的聚焦：一个具体的人、一个有意义的问题，以及一个能改变用户理解或行动的交互。 如果我们只能让大家记住一件事，应该是学生用了什么框架，还是这个体验让某个人第一次获得了什么能力？
12:442 - 无障碍与包容性设计
作者：11
通过一个 Swift Student Challenge 2026 的优胜作品 Julu 看无障碍设计。无障碍设计是在一开始就要纳入考虑的，而不是做完作品之后的一个加分项。所以，对于每一个设计决策，我们都应该考虑： - 用户具象了么？ - 交互方式是不可替代的么？ - 技术判断完整么？
11:503 - 让抽象概念变得可以体验
作者：11
介绍一个抽象概念，是很多学生在参加 Swift Student Challenge 时容易想到的选题。也是最容易失败的一个选题。 我们用一个 Swift Student Challenge 2026 的获奖作品：Allergyzz，和大家分享面对儿童的时候，它是如何把过敏这个抽象知识的学习，变成一种体验的。 在这个过程中，亲身参与的过程，给了这个作品很多真实的细节。
8:254 - 设计一个表达当地文化的作品
作者：11
介绍一种文化，也是学生非常喜欢的一大类选题。然而，也是最容易做成 Keynote 类型的 app 的一类选题。我们通过 Swift Student Challenge 2026 的两个作品： Varai 和 Sargam 和大家分享这类 app 的设计思考： - 找到既个人又文化的切入点； - 让用户的参与替代知识的介绍； - 让学习的反馈及时； - 让学习体验闭环完整；
7:565 - 中学生 Swift Student Challenge 获奖作品分享 1
作者：11
判断一件作品是否“有判断力”，不必先看它像不像成人产品，也不必数它有多少功能。更值得问的是：它为谁而做？只解决哪一个关键困难？三分钟体验后，用户能多会一件什么事？ 所以，年龄不是关键。在这个视频里，我们和大家分享 13 岁的 Nicole 是如何把 ASL 练习收束为“做手势—看识别—再调整”这个过程的。
7:026 - 中学生 Swift Student Challenge 获奖作品分享 2
作者：11
这是接着上个视频的第二个获奖中学生 Ryan 的作品分享。 他把“别碰手机”变成一场黑客上传任务：触碰手机即失败，坚持到结束就获得统计、徽章和等级。 他用这种方式，让一个我们实际生活中的困难，变成了一个可见、可行动、可验证的作品。
10:177 - 优秀作品作出的六个共同的选择
作者：11
在每一年仔细分析了我们或者国外的获奖作品之后，我自己理解的是，优秀作品的都反复作出了六个相似的选择。 第一个选择，是面对**一个具体的人，而不是一群模糊的用户**。 第二个选择，是进入**一个真实场景，而不是停在宽泛的社会议题**。 第三个选择，是让用户在**三分钟内感受到一种变化**。 这个变化不一定很大。它可以是第一次说出一句话，第一次听见音高是否准确，第一次理解数据为什么要经过 DNS。重要的是，用户不能只听创作者说明作品有什么价值，而要在体验里亲自抵达那个结果。 第四个选择，是找到**与问题高度匹配的交互方式**。 第五个选择，是把**技术深度集中在核心体验上**。 第六个选择，是让**作品、学生经历与书面回答讲同一个故事**。 那接下来，我就把之前我们看过的 8 个作品，两两组织到一个表里。我们一起来看看，同样六个选择，是怎样在完全不同的主题中长成不同的体验的。
6:528 - 让抽象知识变成可感知的体验
作者：11
抽象知识，怎样才能变成可感知的体验？本期视频通过 WaveQuest 和 Ping 两个作品，探讨教育类 app 如何选择适合自身主题的交互方式。 WaveQuest 面对的是看过方程和曲线，却仍然难以对波形成直觉的学习者；Ping 面对的则是每天都在上网，却无法想象数据如何抵达另一台设备的初学者。两者的学习障碍，都不只是“没记住知识点”，而是关键的变化过程看不见。 为此，WaveQuest 让用户调整同一列波，同时看见、听见并通过触觉感受它的变化，把频率与振幅变成可以比较的感受；Ping 则让用户化身数据包，在可穿行的 3D 世界中经历网络节点、规则与阻碍，把隐藏的系统过程变成一段可以亲历的旅程。 我们将沿着具体用户、真实场景、三分钟内的变化、交互方式、技术取舍与故事一致性这六个角度，分析它们如何让多项技术共同服务于一个核心体验。 这组对照也提出了一个值得教师和学生共同思考的问题：要理解一项知识，用户最需要的是同时比较变化，还是按顺序经历过程？完成什么动作之后，用户才不只是“看过了”，而是真正形成了新的理解？
4:309 - 让用户在实践中了解文化
作者：11
文化传承类 app，如何从介绍文化走向让用户亲身参与？本期视频通过 Varai 和 Sargam 两个作品，探讨如何把文化学习变成一次具体、有反馈的练习。 Varai 面向会说泰米尔语、却逐渐远离其书写系统的离散社群学习者；Sargam 则面向刚开始练习印度古典音乐 swara、独自练唱时缺少反馈的学习者。他们与文化已有联系，真正缺少的是进入实践的路径。 两个作品选择的起点都很小。Varai 让用户跟随笔画写出一个字母，同时听见它的发音；Sargam 让用户唱出一个音，看见音高与稳定性的反馈，调整后再唱一次。它们不承诺让用户在三分钟内掌握一种文化，而是帮助用户完成一次属于这套文化的真实练习。 交互与技术也围绕练习本身展开。Varai 使用 Apple Pencil，将手的运动、笔画顺序、字形与发音联系起来；Sargam 则通过端侧音高检测，形成“听、唱、看反馈、调整、再唱”的完整过程。技术提供引导和反馈，让用户亲自完成书写与演唱。 这组对照也提出了文化类设计中一个重要的问题：技术是在帮助人参与一种传统，还是把传统简化成便于浏览的视觉符号？两个作品的一致性，都来自对文化自身实践方式的尊重。 对于教师和学生，这可以转化成一个直接的追问：除了介绍、展示和浏览，用户能不能真正写一次、唱一次、说一次或制作一次？系统如何提供反馈，同时保留用户亲自实践的空间？当设计从“看见文化”走向“进入文化”，文化主题才开始成为一种体验。
6:0910 - 为有挑战性的任务提供实时反馈
作者：11
练习与习惯养成类 app，如何帮助用户在行动中作出改变？本期视频通过两位少年创作者的作品 HandHearted 和 Focus Hack，探讨即时反馈如何支持不同的行为。 HandHearted 面向独自练习 ASL 字母、无法判断手型是否正确的初学者；Focus Hack 面向知道应该专注，却总忍不住拿起手机的学生。两者的困难都发生在行动当中，需要通过实践和反馈来解决。 HandHearted 将摄像头变成一面实时练习镜子：用户做出手势，看见预测字母与置信度，调整后再试。Focus Hack 则把反馈写进黑客上传任务的规则：不碰手机，上传继续；一旦触碰，任务失败。一种反馈帮助用户调整动作，另一种帮助用户坚持行为，共同点是让结果紧跟行动，让用户看懂两者的关系。 技术与创作者的个性也围绕这一核心展开。HandHearted 用亲自训练的模型提供即时识别，配合手绘字母表，让创作者的投入融入练习体验；Focus Hack 则将计时、触碰检测、统计与奖励组织成完整的行为循环，用黑客叙事强化“放下手机”的目标。 这组对照提醒我们：设计练习或习惯养成类作品时，应先问困难发生在哪个动作中，系统能否及时感知，以及反馈能否帮助用户下一次做得更好。只有任务结束后的总分，往往还不足以形成完整的学习过程。
6:5011 - 从个人触发点到体验闭环
作者：11
分析完四组作品，我们可以归纳出一条设计决策顺序：个人触发点 → 具体用户 → 关键困难 → 核心交互 → 即时反馈 → 技术证明，最后将它们连成三分钟内可以走通的体验闭环。这条顺序帮助学生在想法不断扩张时，判断下一步应该先决定什么，同时保留每个项目自身的特点。 项目从个人经历、家人需要、课堂观察或长期练习出发，再找到一个处境明确的具体用户。接下来，选择一个最值得改变、也能在作品中验证的关键困难，让设计有清晰的依据和边界。 核心交互回答的是：用户必须亲自做什么，才能跨过这个困难？即时反馈则让用户知道行动产生了什么结果，并帮助他们理解、调整和再次尝试。技术选择建立在这些判断之上，需要说明它如何让交互与反馈成为可能，或变得更及时、可靠、易用。 最终，用户应能在三分钟内理解目标、开始行动、获得反馈、作出调整，并抵达一个有意义的结尾。作品本身就应表达出这些设计判断，无需创作者在旁补充解释。 教学中，可以每周验证其中一个连接：经历是否指向这个用户，困难是否决定了交互，反馈是否帮助调整，技术是否发挥了必要作用。这个过程帮助项目保持真实、聚焦，并且能够完成。接下来，我们将分享课堂上如何陪伴学生从观察走到原型。
13:2412 - 从观察到原型的六个步骤
作者：11
前面的设计决策顺序，可以转化为课堂中的六步流程，让每一次实现都有可以验证的理由。 1. **收集十个亲眼见过的问题。** 请学生用一周记录身边真实发生的困惑、等待、误解或障碍，从具体的人物、动作和情境出发。 2. **选择一个具体的人和场景。** 优先选择能够持续接触用户、验证想法的问题。例如，把“帮助老人”聚焦为“帮助听力下降的奶奶，在嘈杂的公交车里看懂下一站”。 3. **明确体验结束后的能力变化。** 用“辨认、判断、写出、唱准、找到、完成”等可观察的动作描述结果，让它成为取舍功能的依据。 4. **设计一个核心交互和反馈循环。** 先用纸、幻灯片或简单原型，验证用户如何行动、系统如何回应，以及用户如何据此调整。 5. **交互清楚后，再选择技术。** 根据体验的实际需要评估技术，让每一项技术都承担明确的作用，保持实现的必要与简洁。 6. **每周测试，记录反馈带来的改变。** 从早期原型开始，观察用户在哪里停住、哪些假设需要修改，并记录设计如何随反馈演进。这些记录也能为书面回答提供有力证据。 六步流程可以反复循环。测试可能促使学生重新定义用户或调整问题，这意味着设计正在接近真实需求。教师的关键作用，是帮助学生守住决策顺序：先观察与聚焦，再明确变化、设计交互，随后选择技术，并持续用真实反馈修正。 接下来，我们将讨论课堂上常见的两种偏离：选题不断扩大，以及技术开始主导选题，看看教师如何通过提问，把学生带回核心体验。
18:1713 - 两个在讨论创意初期易犯的错误
作者：11
当学生把项目的价值等同于规模时，教师可以先问：“如果评委只能记住一个变化，你最希望是哪一个？”找到这个核心时刻后，再删去无法支持它的内容。把“帮助所有人减压”聚焦为“让考试前睡不着的同学完成一次三分钟呼吸练习”，就能明确用户、场景、动作与结果。聚焦让理想落到用户真正能够感受到的一步，也让功能取舍有了依据。 当技术开始牵着选题走，教师可以暂时拿掉项目介绍中的框架与 API 名称，再问：“这个想法本身还重要吗？它为谁解决了什么困难？”技术实验需要与真实需求建立联系，才能成为有意义的作品。让学生分别写下技术能够可靠完成什么，以及具体用户在特定场景中需要什么，再检查二者是否真正对应，有助于判断技术是否必要、是否适合。 这两种介入都在帮助学生保持聚焦：将宏大选题拉回一个具体时刻，将技术选择放回用户需要之中。在持续时间较长的项目里，教师还需要定期确认项目进展，区分已有证据的判断与尚待验证的设想，并选出下一步最值得改进的地方，让教学与设计过程都围绕核心体验持续推进。
10:0014 - 量表 01：问题是否具体、可信？
作者：11
当学生带着作品寻求反馈时，教师需要帮助他们看清：哪些判断已有依据，哪些仍待验证，下一步最值得改什么。这张评价量表将作品中的关键判断分为六个维度，每项四级，让讨论从页面和动画的完成度，深入到设计决策的质量。第一项关注“问题是否具体、可信”，可以先请学生放下方案与技术，回答：“谁，在什么情境下，遇到了什么困难？” 以“食堂过敏原提示”为例，四级是具体且有证据：明确指出对花生过敏的新生在午餐排队时无法判断菜品是否安全，并有菜单观察或访谈支持；三级是用户、场景和困难清楚，但缺少第一手证据；二级是问题宽泛、主要依靠推测，例如从“学生不知道吃什么”直接跳到 AI 午餐推荐；一级则只有方案和宏大目标，例如“用 AI 识别食物，帮助所有人健康饮食”。等级差异在于设计依据是否具体、可信，以及是否足以支持后续取舍。 教师反馈时，应记录学生的原话和已有证据，再给出能够执行的验证建议。例如，学生说清了用户与场景，却没有观察过菜单，下一步就可以收集真实菜单标识，请目标用户说明哪些信息能帮助判断、哪些仍然不清楚。评价的重点，是确认这个困难真实存在，学生能够持续接近用户，并让观察与反馈切实影响设计。
8:1815 - 量表 02：学生是否与问题存在真实连接？
作者：11
第二项量表关注学生与问题的真实连接：为什么是这位学生注意到它？他们掌握了哪些一般搜索无法获得的细节？以“帮奶奶听清公交报站”为例，四级是持续陪伴乘车、观察具体困难并测试方案；三级是个人联系可信，但缺少现场观察；二级主要依靠二手内容和一般性共情；一级则为了迎合热点或竞赛叙事而选题。判断依据是接触的深度、细节的真实性，以及这些发现是否影响了设计。 真实连接也可以通过志愿服务、课堂研究和认真访谈建立，无需学生公开沉重的私人经历。个人故事应落实为设计选择，例如回应车厢噪声、字幕出现时机和实际使用中的困难。教师可以请学生对照记录“我原来以为”和“观察或访谈后改变了什么”，帮助他们把自己的视角转化成设计证据。这一项珍视的，是学生认真看见身边容易被忽略的问题，并据此作出判断。
8:0916 - 量表 03：三分钟体验是否形成完整闭环？
作者：11
第三项量表关注三分钟体验是否形成完整闭环：首次使用的用户能否独立理解目标、开始行动、获得反馈、调整或重试，并抵达有意义的结尾。以“成为数据包，穿越互联网”为例，四级是选择路线、获得反馈、调整并抵达服务器的过程自然衔接；三级是能够完成任务，但缺少重试或学习总结；二级是浏览知识页面，依赖创作者解释它们的关系；一级则只有动画展示，没有目标和行动。判断的关键在于，用户的行动、系统的反馈与最终结果之间，是否形成了清楚的因果关系。 测试时，教师应保持安静，观察作品能否独立引导用户，并把创作者必须补充的口头说明作为改进线索。建议应针对体验中断的位置，例如允许失败后立即换路重试，并在结尾解释不同路线为何产生不同结果。这样的修改能让行动与反馈连接起来，单纯增加知识页面未必有效。三分钟的约束，帮助学生明确最能体现项目价值的一次行动及其结果。
10:4617 - 量表 04：交互是否带来理解或能力变化？
作者：11
第四项量表关注交互是否带来理解或能力的变化：经过行动与反馈，用户比体验前多理解了什么、能够判断什么，或学会做什么？以“识别钓鱼短信”为例，四级是用户作出判断、指出可疑线索、获得解释，再通过更难的新情境检验所学；三级是判断与解析有意义，但缺少重试和迁移验证；二级是点击热点查看知识卡片，无需主动判断；一级则是观看视频、点击下一页。等级的差别在于，用户是否通过行动表达理解，反馈是否回应其判断，以及后续任务能否验证能力变化。 教师可以用一句话检查核心交互：“用户通过什么行动学习什么，系统根据什么行为提供反馈，下一次任务如何检验调整？”如果只能描述为“点击按钮查看知识”，就还需要继续设计用户的实践过程。同时，有意义的交互可以有不同形式：Juru 帮助用户完成表达，Varai 让用户亲手写出字母，Sargam 帮助用户调整音高。关键是让用户亲自练习作品希望培养的能力，并通过反馈逐步改进。
8:1718 - 量表 05：技术选择是否必要且完成可靠？
作者：11
第五项量表同时检查技术的必要性与可靠性：这项技术让什么成为可能，核心体验能否离线、稳定地完成？以“帮助低视力同学辨认教室门牌”为例，四级是端侧 OCR 能离线识别并朗读，失败时提供调整提示和手动放大；三级是正常条件下可用，但尚未验证弱光、倾斜和识别失败等情况；二级是加入 AR 等技术，却没有比简单方案提供更多必要价值；一级则依赖不稳定的联网识别，难以可靠完成任务。技术深度体现在它如何支持用户完成目标，以及失败后能否帮助用户继续操作。 教师可以通过三类测试提供具体反馈：用更简单的方法替代，检查技术是否必要；断开网络或拒绝权限，检查核心路径能否继续；模拟模糊输入、弱光和低置信度，检查用户能否知道下一步怎么办。评分时，应分别判断必要性与可靠性：技术可能选得正确，但实现仍需打磨；也可能运行流畅，却没有实际必要。将两者分开，才能明确下一步应简化技术，还是改善稳定性与失败后的恢复方式。
15:4419 - 量表 06：是否尊重无障碍、隐私与离线约束？
作者：11
第六项量表关注无障碍、隐私和离线约束是否真正进入设计：哪些用户可能被排除，哪些数据无需收集，权限或网络不可用时能否继续完成任务？以“寻找校园里的安静自习区”为例，四级是无需注册、不上传精确位置，支持离线地图、多种状态表达和手动选楼层；三级是主要措施已经落实，但缺少大字体、对比度等测试；二级是口头承诺保护隐私，实际仍依赖不必要的登录、联网或单一颜色提示；一级则暴露姓名与精确位置，并因缺少离线支持和屏幕阅读器标签造成障碍。判断的关键，是这些约束是否切实影响了数据、信息表达和操作路径的设计。 教师可以安排一次“约束测试日”：打开大字体和 VoiceOver，关闭网络与定位，拒绝非必要权限，让学生亲自发现哪些数据可以删除、哪些信息需要多一种表达方式、哪些失败需要替代路径。无障碍、隐私和离线共同检验作品能否在不同能力、设备条件和用户意愿下，仍然支持核心任务。至此，六个维度形成整体：从真实而具体的问题出发，通过完整体验、有意义的交互和可靠技术带来能力变化，并让更多用户能够获得这种能力。
12:5820 - AI fluency 中的 4D 模型
作者：11
当学生借助 AI 做出 App，却用“AI 说的”解释设计选择时，教师可以帮助他们进一步理解自己的作品：它在帮助谁，为什么这样设计，哪些判断还需要验证。以 MoonLab 为例，通过追问“谁会使用它，使用后能多理解什么”，学生将“介绍月亮”的宽泛想法，收窄为帮助同学理解月相变化的原因。AI Fluency 就从这样的协作开始：借助 AI 推进工作，同时核查信息、说明使用方式，并对最终作品负责。 同一个项目可以采用三种 AI 协作方式：Automation 让 AI 完成要求明确的任务；Augmentation 通过来回讨论共同完善方案；Agency 则让 AI 在明确范围、标准和停止条件下自主推进部分工作。选择取决于任务是否清楚、可以交给 AI 多大自主空间，以及谁能发现偏差。构思阶段应为学生保留讨论和选择的空间，目标明确后，再交出适合委托的工作。 4D 框架将这些协作判断归纳为四项能力：Delegation 决定谁来做什么，Description 说清目标与要求，Discernment 判断结果是否准确、合适，Diligence 则关注工具与信息的使用、AI 参与的说明，以及对交付结果的责任。四项能力会反复交织：发现问题后，可能需要重新分工、核实来源并修改内容。面对整个项目，应先明确问题、了解 AI 的实际能力，再拆分任务、安排协作。
24:2921 - AI - 如何“正确地”把工作交给 AI
作者：11
Delegation 要先走完三个步骤：理解问题（Problem Awareness）、确认工具能力（Platform Awareness），再分配具体任务（Task Delegation）。学生需要先明确作品要帮助谁、解决什么困难，再核实当前 AI 能读取、生成、运行和检查哪些内容。AI 可以起草问题、整理资料和提出方案；学生则需要提供真实经历、观察用户、作出选择，并与教师一起核查结果。分工应落实到具体任务，并说明为什么这样安排。 MoonLab 通过持续对话，将“介绍月相”的想法收窄为帮助同学理解太阳照明、月球位置与地球观察视角之间的关系，并整理成项目简报。核心体验是“探索—预测—提示—验证”：移动月球、对照双视角、预测月相，再借助渐进提示调整并验证。成功标准是用户能够判断哪一边亮、辨认下弦月，并用自己的话解释原因；这些理解需要通过真实试用来检验。 确认简报后，再划定首版范围、列出尚未决定的条件，并拆分科学核查、技术选择、交互草图、预测题和用户测试等工作。每项任务都应明确谁参与、谁决定、谁检查，以及 AI 做到哪里应停下来询问。简报为这些分工提供共同依据，也防止 AI 擅自扩展功能或补全未确认的要求。确定“谁来做”之后，下一步便是 Description：把任务、步骤和协作方式说清楚。
12:0122 - 如何向 AI 清晰描述工作
作者：11
Description 帮助学生把“帮我设计一下”变成清楚的协作请求。首先，Product Description 说明 AI 应交回什么成果，包括形式、内容与边界。以 MoonLab 为例，需要一组相连的交互草图，呈现 3D 轨道、地球视角、视角切换，以及探索、预测、提示和验证的不同状态，让要求能够与成果逐项对应。 Process Description 约定工作顺序与确认点：先明确交互规则，再比较并排对照与悬浮小窗两种方案，等学生选择后继续展开。Performance Description 则约定 AI 如何协作：像设计教练一样，在缺少信息时提问，解释建议与取舍，并保留尚未确认的条件。这样的安排让学生有机会比较方案、说明理由，并持续参与决策。 一条完整的请求，应结合项目背景，同时说清交付成果、推进步骤和协作方式。教师可以沿着这三个角度检查请求中的缺口，帮助学生减少误解，也避免 AI 擅自作出尚未确认的决定。拿到结果后，还需要检验成果、过程与协作表现是否符合约定，这就进入了下一项能力：Discernment。
12:0923 - Discernment - 如何评审 AI 的工作结果
作者：11
Discernment 从成果、过程和协作三个层面，判断先前提出的要求是否兑现。Product Discernment 检查成果是否服务于目标。以 MoonLab 为例，预测阶段的地球视角窗口如果直接显示答案，用户选对也不能证明理解。修改后，需要实际检查预测和重试时是否隐藏答案、验证时是否恢复双视角，以及切换位置后状态是否正确重置，并通过用户表现判断提示是否有效。 Process Discernment 追问结论如何得出：检查方法能否回答问题，重要情况是否遗漏，证据是否足够。只测试答对路径，无法证明整个预测流程通过；按钮能够操作，也无法证明用户已经理解。Performance Discernment 则检查 AI 是否遵守协作约定，包括先比较方案、等待学生选择、不擅自扩展范围，以及收到反馈后是否完成调整并保留已有要求。判断应依据实际行为和结果。 评审中的发现可以写回下一轮 Description：成果问题转化为具体修改，过程遗漏转化为补充检查，协作偏离转化为更清楚的角色与确认点。这样，Description 与 Discernment 形成持续循环，每条反馈都有依据，也能在下一轮复查。学生始终负责决定保留什么、修改什么，以及何时需要更多证据。
6:5324 - Diligence - 从设计、开发到交付，对 AI 结果负责
作者：11
Diligence 将责任贯穿制作与交付：Creation Diligence 关注工具选择、资料处理和使用方式，例如去除访谈中不必要的身份信息；Transparency Diligence 要求具体说明 AI 的贡献与学生自己的决定；Deployment Diligence 则检查内容准确性、素材使用权限和作品限制。学生可以围绕工具与贡献、核查过程、证据与限制、最终责任，写出真实的 AI 使用说明，明确哪些已经验证、哪些仍待确认，并保留相关记录。 回看 MoonLab，学生从一个宽泛主题走向有边界的目标，从草稿走向有依据的改进，再到能够负责地说明成果如何形成。这体现了四项能力的持续配合：Delegation 安排分工，Description 说清要求，Discernment 检查成果与过程，Diligence 落实透明与责任。AI Fluency 最终体现为学生既能借助 AI 推进作品，也能理解自己的工作、解释选择、承认不确定性，并逐渐形成独立判断。