本文選自A.J. Juliani《Focusing on “Evidence of Learning” in the Age of AI》一文，有刪節(jié)。

AI時(shí)代，教師正在遭遇的挑戰(zhàn)

在教育領(lǐng)域，證據(jù)對于學(xué)生的學(xué)習(xí)成果至關(guān)重要。傳統(tǒng)上，我們通過測驗(yàn)、作業(yè)、論文等方式來獲取學(xué)生的學(xué)習(xí)證據(jù)。然而，隨著技術(shù)的進(jìn)步，我們現(xiàn)在可以通過生成式人工智能在幾秒鐘內(nèi)創(chuàng)建“證據(jù)”。這為我們帶來了一個(gè)前所未有的機(jī)會，同時(shí)也引發(fā)了對于如何接受和使用這些學(xué)習(xí)證據(jù)的挑戰(zhàn)。

如果您希望讓學(xué)生在您的學(xué)習(xí)管理系統(tǒng)（LMS）中通過回答討論或測驗(yàn)問題來生成證據(jù)，那么Coursology.io這款A(yù)I驅(qū)動的Chrome擴(kuò)展程序可以為您的學(xué)生提供幫助。它可以快速回答和解決所有的問題，從而為學(xué)生提供有力的學(xué)習(xí)證據(jù)。

另外，如果您希望學(xué)生能夠撰寫一篇嚴(yán)謹(jǐn)?shù)难芯空撐?，并且正確引用來源等，那么Jenni.ai這款A(yù)I驅(qū)動的工具將是您學(xué)生的理想選擇。它可以將此類任務(wù)的完成速度和準(zhǔn)確性提高10倍，從而使學(xué)生能夠更加高效地學(xué)習(xí)和展示自己的技能。

此外，對于復(fù)雜的數(shù)學(xué)問題，Khanmigo和Photomath都可以提供即時(shí)的解答和幫助。而ChatGPT則可以為您生成科學(xué)實(shí)驗(yàn)室報(bào)告，讓您迅速完成報(bào)告撰寫。

綜上所述，隨著技術(shù)的不斷進(jìn)步和發(fā)展，我們已經(jīng)進(jìn)入了一個(gè)新的時(shí)代，其中生成式人工智能為今天的學(xué)生提供更多的機(jī)會和可能性。與之相對應(yīng)的，作為教育工作者，我們需要適應(yīng)這些新的挑戰(zhàn)和機(jī)遇，并利用它們來促進(jìn)學(xué)生的學(xué)習(xí)和發(fā)展。

隨著世界的變遷，我們肩負(fù)著新的挑戰(zhàn)，那就是在2023年及以后，我們需要具備足夠的適應(yīng)性和靈活性，以推動我們的實(shí)踐發(fā)展。

或許是一線希望

在所有這一切中，好的教育實(shí)踐仍然是好的教育實(shí)踐。

學(xué)習(xí)并沒有改變。然而，我們?nèi)绾我?guī)劃學(xué)習(xí)體驗(yàn)和收集學(xué)習(xí)證據(jù)將會有所不同。

本文旨在關(guān)注我們尋找學(xué)習(xí)證據(jù)的最大原因之一：知識遷移。

知識遷移是教育中最重要的話題之一，我們很少談?wù)摗Ｎ覀冎浪苤匾?，我們設(shè)計(jì)整個(gè)課程以實(shí)現(xiàn)知識遷移，但在日常教學(xué)和學(xué)習(xí)中，往往幾個(gè)月都沒有關(guān)于轉(zhuǎn)移的討論。

什么是知識遷移？這是作者朱莉·斯特恩、克里斯塔·法拉羅、凱拉·鄧肯和特雷弗·阿萊奧在他們的書《學(xué)習(xí)中的知識遷移：為不斷變化的世界設(shè)計(jì)課程》對其的界定。

學(xué)習(xí)的知識遷移：使用我們之前的學(xué)習(xí)來理解或解鎖一個(gè)全新的情況。

這通常是教育的目標(biāo)：不是“準(zhǔn)備”我們的學(xué)生去面對我們可以預(yù)見的情況，而是幫助他們?yōu)樽约簾o法預(yù)測的情況做好準(zhǔn)備。

我們真的能設(shè)計(jì)出能知識遷移的學(xué)習(xí)嗎？

答案是顯而易見的“是”。然而，即使有那個(gè)強(qiáng)烈的“是”，這項(xiàng)工作也只能有意識地進(jìn)行。作者認(rèn)為，我們不僅可以教授轉(zhuǎn)移，而且可以在教授“更少”的同時(shí)做到這一點(diǎn)：

如果我們從課程文件中選擇最強(qiáng)大、最具可轉(zhuǎn)移性的組織思想，并以這些概念為基礎(chǔ)，那么我們探索的一切都會錨定在這些概念上呢？這可以幫助教育工作者關(guān)閉“覆蓋”無盡目標(biāo)清單的傳送帶，同時(shí)也確保學(xué)生在沒有老師指導(dǎo)的情況下準(zhǔn)備應(yīng)對他們遇到的主題嗎？是的，它可以。我們可以既教授更少，又為我們的學(xué)生準(zhǔn)備更多。

要做到這一點(diǎn)，我們可以使用一個(gè)簡單的框架來教授概念及其聯(lián)系。

進(jìn)入ACT：學(xué)習(xí)轉(zhuǎn)移心理模型。

ACT是一種強(qiáng)大的方式來重新構(gòu)建學(xué)習(xí)過程（所有圖片均來自《學(xué)習(xí)轉(zhuǎn)移》）。

步驟1：設(shè)計(jì)學(xué)習(xí)體驗(yàn)，幫助學(xué)生獲得單個(gè)概念的知識。

步驟2：將這些概念聯(lián)系起來。

步驟3：將這些概念和聯(lián)系轉(zhuǎn)移到新情況中。

我們可以使用哪些策略來促進(jìn)轉(zhuǎn)移？

作者在他們的書中出色地分解了一些我們可以問的問題，以開發(fā)轉(zhuǎn)移策略：

1. 識別適用的概念：在這種情況下，哪些概念適用？

2. 參與概念關(guān)系的先前理解：關(guān)于這些概念之間的關(guān)系，我已經(jīng)知道什么？我有什么具體例子支持我的理解？

3. 確定先前理解在多大程度上適用：這個(gè)新情況與我在其他學(xué)習(xí)中見過的情況有何不同？我對這些概念之間關(guān)系的理解是否適用于這個(gè)新情況？我的先前理解中哪些部分轉(zhuǎn)移了，哪些沒有？

4. 根據(jù)新情況修改和改進(jìn)理解：將理解轉(zhuǎn)移到這種情況如何改進(jìn)或重塑了我的思考？（斯特恩等人，2017）

除了這些問題，我們還可以關(guān)注七個(gè)轉(zhuǎn)變，這些轉(zhuǎn)變也有助于在整個(gè)學(xué)習(xí)過程中發(fā)展轉(zhuǎn)移：

在AI世界中，尋找學(xué)習(xí)的證據(jù)

作者Jay McTighe一直是倡導(dǎo)真實(shí)表現(xiàn)型評估的領(lǐng)軍人物。從1998年、2008年、2013年甚至到2017年，McTighe提供了我們?yōu)槭裁匆筛鞣N證據(jù)的真實(shí)原因：

傳統(tǒng)的評估類型提供了足夠的方法來衡量學(xué)生的知識和基本技能。例如，我們可以使用多項(xiàng)選擇題或填空題來評估學(xué)生對歷史或科學(xué)事實(shí)的了解。然而，要適當(dāng)評估概念性理解、長期遷移和其他復(fù)雜技能，我們需要更廣泛地使用真實(shí)表現(xiàn)型測量方法，其中學(xué)生被要求：

1）將學(xué)習(xí)應(yīng)用于新情況

2）解釋他們的思考，展示他們的推理，或證明他們的結(jié)論。

真實(shí)的任務(wù)就像體育運(yùn)動中的比賽。雖然運(yùn)動員必須具備知識（規(guī)則）和特定技能（運(yùn)球），但比賽還涉及概念性理解（游戲策略）和遷移（在特定比賽情況下使用技能和策略）。評估重要內(nèi)容必須包括評估“比賽”中的表現(xiàn)，而不僅僅是測試必要的知識和技能。

上面的粗體線可能并不適用于今天的世界，因?yàn)槟切╊愋偷牡退皆u估和任務(wù)正是人工智能喜歡回答的任務(wù)。這就是為什么“玩游戲”如此重要。

如果我指導(dǎo)一名籃球運(yùn)動員，我可以看到他們在練習(xí)中是否能做運(yùn)球練習(xí)、投籃練習(xí)、傳球和籃板練習(xí)。然而，當(dāng)他們在比賽中同時(shí)做所有這些事情時(shí)，我才真正了解他們的技能和理解水平。

同樣，那個(gè)籃球運(yùn)動員可以將他們在這些練習(xí)和比賽中學(xué)到的東西應(yīng)用到其他運(yùn)動中，如長曲棍球、足球或曲棍球——這將是遷移。McTighe進(jìn)一步闡述了我們在這些類型的真實(shí)評估中尋找的，以增強(qiáng)學(xué)習(xí)的內(nèi)容：

這份清單解釋了我為什么（McTighe）是擴(kuò)大學(xué)校中使用真實(shí)任務(wù)和項(xiàng)目的倡導(dǎo)者。這樣的評估不僅提供了另一種衡量學(xué)生成就的方法。像體育運(yùn)動中的比賽或戲劇中的表演一樣，真實(shí)表現(xiàn)是激勵(lì)學(xué)習(xí)者的。它們給學(xué)習(xí)帶來相關(guān)性和目的，并強(qiáng)調(diào)練習(xí)的必要性。

真實(shí)任務(wù)還會影響教學(xué)。教練認(rèn)識到，他們的工作不僅僅是“覆蓋”比賽手冊，逐場教授個(gè)人技能。他們明白知識和技能是為了更大的目標(biāo)服務(wù)的，他們的角色是準(zhǔn)備球員在比賽中進(jìn)行真實(shí)的轉(zhuǎn)移表現(xiàn)。所有學(xué)科中的表現(xiàn)導(dǎo)向型教師也明白這個(gè)角色。

未來我們還能做什么？

自從重新研究Stern和McTighe的工作以來，我重新認(rèn)識到了一些重要的教訓(xùn)。

我們已經(jīng)知道高質(zhì)量的學(xué)習(xí)證據(jù)是什么樣子的。10年前有效的東西今天仍然有效。不起作用的是那些從未促進(jìn)遷移的、死記硬背的低水平任務(wù)和評估。

圍繞AI的培訓(xùn)不應(yīng)僅僅關(guān)注使用AI工具，或如何處理學(xué)生使用AI作弊的問題。我并不是說它不重要，但當(dāng)我們專注于增強(qiáng)學(xué)習(xí)的真實(shí)任務(wù)和評估時(shí)，我們會更少擔(dān)心AI的機(jī)器人化。