欢迎大家来到IT世界,在知识的湖畔探索吧!

本文选自A.J. Juliani《Focusing on “Evidence of Learning” in the Age of AI》一文，有删节。

AI时代，教师正在遭遇的挑战

在教育领域，证据对于学生的学习成果至关重要。传统上，我们通过测验、作业、论文等方式来获取学生的学习证据。然而，随着技术的进步，我们现在可以通过生成式人工智能在几秒钟内创建“证据”。这为我们带来了一个前所未有的机会，同时也引发了对于如何接受和使用这些学习证据的挑战。

如果您希望让学生在您的学习管理系统（LMS）中通过回答讨论或测验问题来生成证据，那么Coursology.io这款AI驱动的Chrome扩展程序可以为您的学生提供帮助。它可以快速回答和解决所有的问题，从而为学生提供有力的学习证据。

另外，如果您希望学生能够撰写一篇严谨的研究论文，并且正确引用来源等，那么Jenni.ai这款AI驱动的工具将是您学生的理想选择。它可以将此类任务的完成速度和准确性提高10倍，从而使学生能够更加高效地学习和展示自己的技能。

此外，对于复杂的数学问题，Khanmigo和Photomath都可以提供即时的解答和帮助。而ChatGPT则可以为您生成科学实验室报告，让您迅速完成报告撰写。

综上所述，随着技术的不断进步和发展，我们已经进入了一个新的时代，其中生成式人工智能为今天的学生提供更多的机会和可能性。与之相对应的，作为教育工作者，我们需要适应这些新的挑战和机遇，并利用它们来促进学生的学习和发展。

随着世界的变迁，我们肩负着新的挑战，那就是在2023年及以后，我们需要具备足够的适应性和灵活性，以推动我们的实践发展。

或许是一线希望

在所有这一切中，好的教育实践仍然是好的教育实践。

学习并没有改变。然而，我们如何规划学习体验和收集学习证据将会有所不同。

本文旨在关注我们寻找学习证据的最大原因之一：知识迁移。

知识迁移是教育中最重要的话题之一，我们很少谈论。我们知道它很重要，我们设计整个课程以实现知识迁移，但在日常教学和学习中，往往几个月都没有关于转移的讨论。

什么是知识迁移？这是作者朱莉·斯特恩、克里斯塔·法拉罗、凯拉·邓肯和特雷弗·阿莱奥在他们的书《学习中的知识迁移：为不断变化的世界设计课程》对其的界定。

学习的知识迁移：使用我们之前的学习来理解或解锁一个全新的情况。

这通常是教育的目标：不是“准备”我们的学生去面对我们可以预见的情况，而是帮助他们为自己无法预测的情况做好准备。

我们真的能设计出能知识迁移的学习吗？

答案是显而易见的“是”。然而，即使有那个强烈的“是”，这项工作也只能有意识地进行。作者认为，我们不仅可以教授转移，而且可以在教授“更少”的同时做到这一点：

如果我们从课程文件中选择最强大、最具可转移性的组织思想，并以这些概念为基础，那么我们探索的一切都会锚定在这些概念上呢？这可以帮助教育工作者关闭“覆盖”无尽目标清单的传送带，同时也确保学生在没有老师指导的情况下准备应对他们遇到的主题吗？是的，它可以。我们可以既教授更少，又为我们的学生准备更多。

要做到这一点，我们可以使用一个简单的框架来教授概念及其联系。

进入ACT：学习转移心理模型。

ACT是一种强大的方式来重新构建学习过程（所有图片均来自《学习转移》）。

步骤1：设计学习体验，帮助学生获得单个概念的知识。

步骤2：将这些概念联系起来。

步骤3：将这些概念和联系转移到新情况中。

我们可以使用哪些策略来促进转移？

作者在他们的书中出色地分解了一些我们可以问的问题，以开发转移策略：

1. 识别适用的概念：在这种情况下，哪些概念适用？

2. 参与概念关系的先前理解：关于这些概念之间的关系，我已经知道什么？我有什么具体例子支持我的理解？

3. 确定先前理解在多大程度上适用：这个新情况与我在其他学习中见过的情况有何不同？我对这些概念之间关系的理解是否适用于这个新情况？我的先前理解中哪些部分转移了，哪些没有？

4. 根据新情况修改和改进理解：将理解转移到这种情况如何改进或重塑了我的思考？（斯特恩等人，2017）

除了这些问题，我们还可以关注七个转变，这些转变也有助于在整个学习过程中发展转移：

在AI世界中，寻找学习的证据

作者Jay McTighe一直是倡导真实表现型评估的领军人物。从1998年、2008年、2013年甚至到2017年，McTighe提供了我们为什么要生成各种证据的真实原因：

传统的评估类型提供了足够的方法来衡量学生的知识和基本技能。例如，我们可以使用多项选择题或填空题来评估学生对历史或科学事实的了解。然而，要适当评估概念性理解、长期迁移和其他复杂技能，我们需要更广泛地使用真实表现型测量方法，其中学生被要求：

1）将学习应用于新情况

2）解释他们的思考，展示他们的推理，或证明他们的结论。

真实的任务就像体育运动中的比赛。虽然运动员必须具备知识（规则）和特定技能（运球），但比赛还涉及概念性理解（游戏策略）和迁移（在特定比赛情况下使用技能和策略）。评估重要内容必须包括评估“比赛”中的表现，而不仅仅是测试必要的知识和技能。

上面的粗体线可能并不适用于今天的世界，因为那些类型的低水平评估和任务正是人工智能喜欢回答的任务。这就是为什么“玩游戏”如此重要。

如果我指导一名篮球运动员，我可以看到他们在练习中是否能做运球练习、投篮练习、传球和篮板练习。然而，当他们在比赛中同时做所有这些事情时，我才真正了解他们的技能和理解水平。

同样，那个篮球运动员可以将他们在这些练习和比赛中学到的东西应用到其他运动中，如长曲棍球、足球或曲棍球——这将是迁移。McTighe进一步阐述了我们在这些类型的真实评估中寻找的，以增强学习的内容：

这份清单解释了我为什么（McTighe）是扩大学校中使用真实任务和项目的倡导者。这样的评估不仅提供了另一种衡量学生成就的方法。像体育运动中的比赛或戏剧中的表演一样，真实表现是激励学习者的。它们给学习带来相关性和目的，并强调练习的必要性。

真实任务还会影响教学。教练认识到，他们的工作不仅仅是“覆盖”比赛手册，逐场教授个人技能。他们明白知识和技能是为了更大的目标服务的，他们的角色是准备球员在比赛中进行真实的转移表现。所有学科中的表现导向型教师也明白这个角色。

未来我们还能做什么？

自从重新研究Stern和McTighe的工作以来，我重新认识到了一些重要的教训。

我们已经知道高质量的学习证据是什么样子的。10年前有效的东西今天仍然有效。不起作用的是那些从未促进迁移的、死记硬背的低水平任务和评估。

围绕AI的培训不应仅仅关注使用AI工具，或如何处理学生使用AI作弊的问题。我并不是说它不重要，但当我们专注于增强学习的真实任务和评估时，我们会更少担心AI的机器人化。