发现文章
在文字中寻找教育的确定性
元认知、情感和概念上的困难
Anastasia Efklides 说明元认知体验如何连接认知与情感，并通过熟悉感、困难感、自信感、学习判断和满足感影响学习者的努力、策略选择、自我概念及阈值概念学习。
OECD教学指南针：重新构想教师作为课程变革的推动者
OECD“教学指南针”将教师定位为课程变革的推动者，以职业认同为锚点，系统连接教师能动性、应对复杂性的能力、幸福感与学习生态系统，并讨论人工智能时代教师与技术的互补关系。
OECD人工智能能力指标简介
OECD 以人类心理学为参照，用九项能力指标和五级量表比较人工智能与人类能力，说明截至 2024 年 11 月的 AI 水平、测量局限，以及指标在就业、教育和 AGI 讨论中的政策用途。
基于思维的教学与大规模实施
Anat Zohar 以高阶思维教学为例，分析教育创新为何在大规模推广中被稀释，提出规模化不能只看覆盖学校数量，还应关注课堂变革深度、持续性、教师专业发展、评估协同与改革所有权。
心理模型，概念模型和建模
Greca 与 Moreira 区分个人、内部且以功能为导向的心理模型，以及外部、共享并符合科学知识的概念模型，指出科学学习不能靠复制成品模型，而应明确教授类比、心理模拟、理想化与抽象等建模过程。
理论至关重要：人工智能、人类认知和因果推理
Teppo Felin 与 Matthias Holweg 质疑把人类认知等同于计算和预测，提出“数据—信念不对称”：异质信念可驱动理论、因果推理与实验，从而产生现有数据无法预示的新知识，并影响不确定性下的战略决策。
小学教育中的跨学科性：为何、何物以及如何实施？
Yves Lenoir 从意义、实践与情感三个维度论证小学跨学科教育，区分实践性、学术性、专业性和科学性跨学科，并说明其目标是让学生整合学习过程与知识，而非简单拼接学科活动。
人工智能时代的知识：学生应该学什么？（2018）
课程再设计中心从人工智能、自动化与终身学习的背景出发，区分核心概念和基本内容，说明学校应如何通过意义建构、知识迁移、课程现代化与跨学科组织，为学生建立可继续扩展的基础知识。
人工智能时代的知识（2024）
CCR 将知识按分类、获取方法和领域三个轴重新组织，重点区分陈述性、程序性、概念性与认识论专业知识，并主张用不同教学方式推动知识迁移。文章进一步提出传统学科现代化、加入现代学科和跨学科主题的课程方案。
驱动力：在人工智能背景下，学生为什么要学习？
CCR 以动机、身份、能动性和目标回答人工智能时代“学生为什么学习”，并把四者与归属感、成长型思维及具体子能力连接。文章综合多种心理学理论，也讨论 AI 的目标、功能性能动性和个性化教育，但其中部分判断和 GPT-4 引文属于概念探索而非实证结论。