Learning Science · Cognitive Growth · AI-supported Reflection
从会做题，到会迁移
Build transferable understanding, not just short-term performance.
InGenius Learning Lab 的核心方法，不是让学生机械重复更多题目，而是帮助学生重建知识结构、看见思维路径、学会解释自己的理解，并把已有能力迁移到新的学科、问题和项目中。我们称这个过程为“认知跃迁”。
Core philosophy
学习不是堆积知识，而是重组理解
真正的学习变化，往往不是因为学生多背了几个知识点，而是因为他开始用新的结构理解问题。
从答案到结构
学生不只是找到正确答案，而是理解答案背后的概念关系、条件变化和推理路径。
从输入到表达
学生需要能讲出来、画出来、写出来。表达不是学习的附属品，而是理解是否真正形成的证据。
从刷题到迁移
真正的能力体现在新情境中。我们关注学生能否把学过的方法迁移到陌生问题和跨学科任务中。
The method
认知跃迁的六步路径
每个环节都有可观察的行为证据，也可以通过导师反馈、学习记录和 AI 工具进行辅助追踪。
Learning Diagnosis / 学习诊断
通过访谈、任务观察和表达分析，识别学生当前的知识结构、学习习惯、推理方式和最近发展区。
Cognitive Mapping / 认知图谱
把零散的知识点整理成可视化结构，让学生看见自己已经掌握什么、哪里断裂、哪些概念之间尚未建立连接。
Guided Scaffolding / 支架式引导
导师不是直接给答案，而是在学生刚好能够挑战的位置提供提示、问题、示范和反馈。随着能力稳定，支架逐步撤除。
Knowledge Reconstruction / 知识重建
学生通过讲解、重画知识图、比较不同题型和纠正常见误区，重新组织自己的理解。
Cognitive Transfer / 认知迁移
学生把已经形成的结构迁移到新题目、新学科或真实问题中，检验理解是否真正可迁移。
Research Expression / 研究表达
学生最终通过项目报告、演讲、海报、讲题视频或研究型作品，把学习成果转化为可展示的表达。
Educational foundations
我们的设计来自成熟的学习科学思想
InGenius 的方法不是单一技巧，而是吸收多个教育学和学习科学框架，并把它们转化为可操作的教学流程。
Zone of Proximal Development
学习任务应位于学生独立完成略有困难、但在导师支持下可以完成的区域。
Scaffolding
导师先提供问题、范例、提示和结构，再逐步减少帮助，让学生把外部支持内化为自己的能力。
Metacognition
学生需要学会观察自己的思考过程，知道自己哪里懂、哪里不懂、为什么犯错、下一步如何调整。
Transfer of Learning
教育的目标不只是熟悉当前题型，而是让学生能把方法、概念和思维方式迁移到新情境。
Project-Based Learning
项目让学生把知识放进真实问题中，形成表达、研究、协作和创造能力。
AI-supported learning
AI 是学习镜子，不是替代思考的机器
我们使用 AI 工具帮助学生整理知识、生成练习、可视化思维路径、比较不同解释方式，并记录学习过程。但 AI 不替代导师判断，也不替代学生思考。真正重要的是学生是否能借助工具形成更清晰的理解。
AI for Mapping
帮助学生把知识点、概念关系和错误类型整理成可视化图谱。
AI for Reflection
把学生的解释、草稿和解题过程转化为可讨论的反馈材料。
AI for Practice
根据学生当前状态生成合适难度的练习与迁移任务。
What changes
我们关注可观察的学习变化
我们不只看学生短期分数，也看那些能反映深层学习变化的证据。
学生能讲清楚
学生能用自己的语言解释概念、题目和错误原因。
学生能画出结构
学生能把一章知识、一类题型或一个历史事件画成结构图。
学生能迁移方法
学生能把熟悉问题中的方法迁移到新任务中，而不是只依赖题海记忆。
学生能提出问题
学生开始提出更深的问题，而不是只等待标准答案。
学生能完成作品
学生可以形成讲题视频、项目报告、研究海报或学术表达。
Growth pattern
一个学生的变化，不只是分数变化
- 知识点零散
- 遇到新题容易慌
- 依赖老师给答案
- 会做但讲不清
- 只关注考试结果
- 能建立知识结构
- 能拆解陌生问题
- 会主动解释和反思
- 能表达自己的理解
- 能把学习成果转化为作品