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。

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》）。

1. 步骤1：设计学习体验，帮助学生获得单个概念的知识。
2. 步骤2：将这些概念联系起来。
3. 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：

• 从记忆到理解
• 从低层次到高层次的思维
• 从被动到主动的学习
• 从单一到多重的表达
• 从同类到异类的迁移
• 从直接到间接的迁移
• 从表面到深入的学习

在AI世界中，寻找学习的证据非常重要。真实任务和表现导向型评估已经被证明是有效的方法，可以帮助学生更好地理解和应用他们所学的知识和技能。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。未来，我们还需要不断地探索和创新，以寻求更好的教育实践。