人工智能与未来教育前沿研究|郑永和 张登博 管彤彤 王晶莹:智能技术在科学教育中的应用:研究现状、关键方法与发展趋势
引用格式
郑永和 张登博 管彤彤 王晶莹.智能技术在科学教育中的应用:研究现状、关键方法与发展趋势[J].中国教育信息化,2023,29(9):003-011.DOI: 10.3969/j.issn.1673-8454.2023.09.001
人工智能与未来教育前沿研究
智能技术在科学教育中的应用:研究现状、关键方法与发展趋势
郑永和 张登博 管彤彤 王晶莹
摘 要: 以人工智能为代表的智能化技术应用于科学教育研究与实践,持续推动科学教育与智能技术的融合创新发展,为科技创新人才的个性化、特殊性培养路径与实践方法提供有效的技术资源。智能技术在科学教育中的应用聚焦科学学习分析与计算建模、智能科学测评理论与实践,依托人工智能技术、教育大数据挖掘、多模态学习分析等关键技术的深度运用,为培养学生的科学素养、创新能力与高阶思维提供重要支撑。面向未来,智能技术在科学教育中的应用应从有效提升科学教师的综合素养、精准培养学生的高阶思维能力、加快创新科学教育的测评方法、积极探索多模态数据驱动的教与学规律等方面加以重视,系统构筑智能化的科学教育发展新样态。关键词: 人工智能;科学教育;机器学习;科学评估;高阶思维中图分类号: G434文献标志码: A文章编号: 1673-8454(2023)09-0003-09作者简介: 郑永和,北京师范大学科学教育研究院院长、教授、博士生导师(北京 100875);张登博,北京师范大学科学教育研究院博士研究生(北京 100875);管彤彤,北京师范大学科学教育研究院科研助理(北京 100875);王晶莹,通讯作者,北京师范大学科学教育研究院教授、博士生导师(北京 100875)
基金项目: 教育部教育管理信息中心教育管理与决策研究服务专项2022年度委托课题“国外科学教育战略行动研究及其数据库建设”(编号:EMIC-YJC-2022008);2022年度教育部哲学社会科学研究重大委托项目“新时代科学教育改革关键问题研究”(编号:22JZDW001)
随着人工智能(Artificial Intelligence,AI)技术的快速发展,以机器学习(Machine Learning,ML)、虚拟现实(Virtual Reality,VR)、物联网为代表的智能技术应用于科学教育研究与实践,在自动测评学习成效、精准诊断学习状态、智能优化教学服务等方面显示出巨大潜力,并持续推动科学教育的智能化演进,为大规模、高质量的科技创新人才培养提供更加个性化、智能化的实践途径。智能技术依托更强的计算分析能力,能够围绕教学、学习、评估等要素,切入科学教育领域实现理想应用,其核心要点在于,以科学教育全过程、跨时空的泛在数据采集、处理、融合为基础,逐步进行单、多模态的计算建模,将模型运用到教育实践或嵌入智能科学教育产品推广,从而实现智能技术在科学教育领域的广而深的运用,通过在实践中的迭代研究与应用,优化升级科学教育服务供给,提高科学教育质量与效率。从而优化科学教育的全过程、提高科学教育“产能”、变革科学教育形态,为构建智能化的科学教育生态体系提供实践路径。一、研究现状:从精准教学到个性学习 作为推动科学教育创新发展的关键动力,智能技术为培养科技创新人才提供全新范式与重要保障,丰富创新人才培养模式,拓宽提升科学素养的有效途径。在研究实践中主要包括:以智能化科学测评框架与技术为指导开展精准化的科学教学;进行多元数据驱动的科学学习分析与计算建模以有效支持个性化的科学学习。 (一)科学学习分析与计算建模:挖掘教与学的发展规律随着学习分析技术与科学教育深度融合,面向科学学习开展计算分析与建模成为研究热点,集多元化先进技术为一体,融合认知、情感、学习过程的多模态数据分析,实现科学教育生态系统的教与学内隐规律深度解析。科学素养作为科技创新人才成长的关键因素,除了借助基本的问卷调研其影响元素,研究人员也开始采用机器学习(ML)技术对大规模的科学素养调研数据的隐含信息进行深入挖掘,[1]为诠释科学素养的影响机理提供支撑。然而,在具体的科学学习中,影响学习成效的因素是动态变化、多元复杂的,智能化学习分析技术能够通过多元数据计算分析,对学生科学学习的知识水平、认知状态、情感变化进行精准识别,从而提供个性化指导与干预。在分析成效方面,基于Transformer的双向编码器表示(Bidirectional Encoder Representations from Transformers,BERT)模型在处理多标签的开放式回答方面展现出良好的性能;[2]对学习行为数据挖掘分析的结果,能够指导学生有效开展科学探究学习。[3]同时,学者也开始关注更复杂的多模态认知与心理表征,用以揭示学生的高阶思维发展机制;相较于传统平板电脑,谷歌智能眼镜能提供认知与情境感知功能,也更能激发起学生物理学习的好奇心与专注时长。[4]通过人工神经网络,基于认知证据的计算建模在预测与训练学生高阶思维运用结果方面表现出巨大潜力。[5]总体而言,智能技术能推动计算机支持的科学学习个性化发展,为数字化的科学教育发展创造更大空间。
(二)智能科学测评理论与实践:诊断教与学的复杂作用过程
科学知识是科学学习的基础,其有效掌握依赖精准的科学评估实践、诊断与反馈。同时,多维、复杂的科学知识是塑造人才创新能力的关键,仍需构建相应的多维度、复杂的测评体系。基于智能技术的科学测评能够有效应对复杂场景、节约成本、扩大规模,提高创新人才培养效能,促使复杂科学推理与知识的自动评估反馈成为研究热点,并形成理论与实践齐头并进的趋势。在理论层面,研究人员注重对创新评估框架的探究,强调评估实践要更加符合新一代科学教育标准(Next Generation Science Standards,NGSS)。研究人员加强科学测评中主观题的应用探究,以引导学生综合运用科学知识,激发其深层次认知,形成高阶思维能力;ML对主观题的自动测评反馈的可靠性备受关注,具有创新科学教育评估生态的巨大潜力。[6]基于此,相关学者提出包括构造、功能和自动性的创新评估三维框架,其对应特征的演变与聚类分析结果表明机器学习(ML)技术具有变革科学评估进展的潜力。[7]在ML支持的智能测评实践方面,早期的自动评分常与即时反馈结合,[8]如围绕职前物理教师反思文本进行内容性的分析、自动分类与反馈;[9]为学生修订科学论证观点提供自动化和个性化的支持,[10]在科学写作任务的应用中表现出良好的提升作用。而在体现复杂认知操作的因果推理和论证中,通过认知分析框架与自然语言处理(Natural Language Processing,NLP)技术的结合,有望实现科学推理特征的深度侦测,实现针对科学论证能力的智能辅导。[11]最新的一系列研究表明,基于人工智能标记语言(Artificial Intelligence Markup Language,AIML)训练的模型已经能做到对学生科学图文主观题作答进行自动评估,说明机器评分的可靠程度正逐渐与人类逼近。[12]类似地,有学者基于大量样本训练算法模型,对物理、化学问答题进行多维度的自动评分,除了关注评估可靠性以外,也更加注重将人类评估框架与ML支持的自动评估相结合,分析学生对作答模型解释的普遍性。[13]最后,有研究表明智能技术支持的科学测评具有实用价值,使用ML技术能够应对更加复杂多样的评估场景,亦能充分发挥细粒度评估准则的优势,自更新的分析预测模型也更适合STEM(Science,Technology,Engineering,Mathematics)跨课程的教学场景,[14]在预测性的学习分析方面提升干预措施的效力。[15]总的来说,智能科学测评旨在丰富提高科学教育绩效与收集研究证据的方法、满足即时复杂教育决策需求。二、关键方法:从静态思维培育到动态学习过程
科学素养、创新能力、高阶思维是科学教育育人的关键着力点,其有效提升依赖科学教育中的精准教学与个性化学习,智能技术为实现此目标提供可行的关键方法,在一般研究中的应用逻辑为:以感知设备对学生的生理、认知、行为等数据进行全方位采集,跨时空、多维度汇聚科学教学与学习的泛在数据,以“AI+大数据挖掘”技术展开深度融合计算与建模分析,最后与常规定性、定量数据分析方法结合,对科学教育的“输入”“过程”“结果”进行立体解构,最终为创新科学教育发展、优化科学教育质量提供抓手。目前,科学教育领域较为普遍的智能技术应用方法主要有三类。
(一)人工智能技术助力学生思维培育
ML在AI技术中应用最广、最具代表性,多用于文本分类、自动评分、图像识别、多元教育变量下的特征工程、认知计算建模等方面;深度学习(Deep Learning,DL)是ML技术中的一个分支,人工神经网络(Artificial Neural Network,ANN)是其最具代表性的算法模型,DL扩展ML的数据规模与应用场景,适用于更加复杂的计算模型构建,如语义理解、图像识别、认知计算等。典型的应用研究为:运用多种ML模型融合方法对科学论证主观题进行自动评分,并使用卷积神经网络(Convolutional Neural Networks,CNN)、残差神经网络模型(Residual Shrinkage Network,ResNeT)对学生绘制的科学图像进行识别与评分,[16]对科学教育中反映论证、推理能力运用的复杂题型进行创新评估。为了提升文本数据分析性能,已有较多研究者关注计算机学科的前沿技术,开始使用在自然语言处理(NLP)领域中较为先进的分类算法或模型,例如,应用基于深度学习的BERT模型处理多标签的开放式题目,[2]证实在移动科学学习中使用智能技术表征高阶思维的潜能;此外,有国外学者使用人工神经网络(ANN)对学生思维过程进行模拟计算,将学生作答的批判性思维测试题目与项目反应(Item Response Theory,IRT)理论结合映射认知过程,用计算模型解析科学写作对认知运用的影响效果。[17]
(二)教育大数据挖掘揭示教学互动的本质问题
科学教育注重实践与综合应用能力发展,其科学研究也愈加关注跨时空、大规模的数据汇聚与整合建模分析。然而,动态复杂情境与海量教育数据为统计分析带来巨大挑战,应用教育大数据挖掘有望解决数据规模偏小、计算力度不够、规律解释不客观、信效度不高的难题,实现面向科学教育全过程的规律解读与意蕴诠释。聚类分析与关联规则挖掘是常用的两种方法,聚类是一种常用的无监督的ML方法,能够对训练数据按照自身反映的共有规则进行分类,研究中常用的有:K均值聚类算法(k-means clustering algorithm,K-means),多用于挖掘数据共有特征集、推荐系统。关联规则挖掘用于发现数据各维度特征间的关联程度,常用的有先验算法(apriori algorithm)。在科学教育领域中的研究也有两个重要应用方向。一方面是对与教学、学习过程相关的数据聚类或挖掘。[13]在生物课程的游戏学习情境下,有学者通过K-means实现对学生经历的游戏沉浸阶段自动聚类,发现高沉浸体验学生在解决问题中成效更高;[18]有学者采用关联规则挖掘分析法对职前科学教师的特征关系进行探究,揭示动机信念、策略使用、学习环境等特征之间存在的隐含关系;[19]而在更大规模的数据集上,潜在剖面分析(Latent Profile Analysis,LPA)可以实现基于国际学生评估项目(Programme for International Student Assessment,PISA)2015学生科学成就的自动分类,结合聚类分析检验科学成就与教学模式之间的关系。[20]另一方面包含对领域论文、问卷等特殊数据的荟萃挖掘分析,[1]主要发现科学教育研究趋势、热点,或深入挖掘教育现象背后的本质规律。
(三)多模态学习分析表征真实学习过程
随着科学教育中“家校社”一体化的发展格局初现,智能技术逐渐弥合正式与非正式科学学习的边界,推动科学教育环境的虚实融合和数据的多元动态变化。在此背景下,多模态学习分析技术能够实现感知多元学习情境、汇聚多源数据分析,有效支持跨学科和实验教学,为解读科学学习的发生机理、优化科学教学、实施精准的科学学习干预提供重要支撑。在学习环境方面,VR/AR均属于对现实的扩展,在还原科学教育中的实验场景上具有重要的应用价值,有学者对虚拟教学环境、严肃教育游戏的效果进行比较,为优化科学学习环境提供证据;[21]有学者发现游戏化学习环境中的眼动和面部表情数据可以表征学生情感和认知状态联系,表明智能、个性化游戏学习环境对高阶思维存在积极的影响作用。[22]在AR模拟的科学实验环境下,有学者利用多模态数据实现对学生的多模态高阶思维表征。[2]在数据感知方面,生理传感器能够对学习者皮肤、心跳、呼吸、血压等数据进行采集,研究人员发现皮肤电反应和视频数据可以用于探究物理概念学习中的社会共享调节过程,实现对科学学习的全面监控、评估和调节。[23]神经影像属于教育神经科学的一个具体应用,能够表征人脑、神经层面的状态变化,映射认知、行为、思维的调节过程,在多模态学习分析中逐渐成为一种重要的数据类型。通过功能性近红外光谱(functional near-infrared spectroscopy,fNIRS)、脑电波(Electroencephalogram,EEG)等手段将人脑在学习过程中的血氧变化、电磁频率以可视化波谱呈现,可以实现从生理层面解读大脑的认知过程。除了对脑部图像、血氧变化等数据的定量分析,以及观测不同教学条件下学生脑认知的参与状态[21]以外,广泛收集包含神经影像数据在内的多模态数据,使用AI算法构建算力更强的预测分析模型成为新的探究方向,能够用于智能识别,并预测科学成就的关键特征,从而为有效设计科学教学活动提供思路,提高学生综合应用科学的能力。
三、发展方向:从教到学进行内在机理探索
随着国家教育数字化转型战略的深入实施,新一轮数字革命下的科学教育正面临关键挑战与机遇,妥善运用智能技术改善创新人才培养机制、优化服务供给能力、变革体系生态,已成为科学教育创新发展的必然选择。科学教育创新发展的核心要点在于,打造高水平的科学教师队伍、培养具备高阶思维能力的学生、优化科学教育评估机制、探索多模态视域下的科学教育规律。面向未来发展,智能技术在科学教育中的应用要关注以下方面。
(一)有效提升科学教师的综合素养
科学教师是保证科学教育高质量发展的基础,其教学能力、领域知识、反思能力等核心素养是培养优质科学人才的前提。然而,从科学教师的培养与执教现状分析来看,仍然存在优质教育资源供给不能满足科学教研需求的矛盾,[24]亟需利用人工智能、第五代移动通信技术(5th Generation Mobile Communication Technology,5G)、云计算等技术,优化资源配置、改善区域教学差异大的现状,教学实践和技术应用是改进的重要方面。先要明确基本的科学教学规律与学习特点,重视科学教师的学科教学知识(Pedagogical Content Knowledge,PCK)评估,用人工智能技术支持教师PCK的自评估,[25]从而提高评估效率减少成本,提升科学教师的教研能力。还要以职前教师STEM核心素养培养为重点,提高教师科学思维与实践能力,使在职与职前科学教师都能在课堂上充分开展个性化教学。同时,基于“AI+大数据”等技术协助提升科学教师专业素养,通过加强知识基础和情意表达提高教师的反馈素养;以物理学科为例,积极运用数字化的自动反馈工具,为职前物理教师的反思提供支持,助力其构建对教学经验的思考,从而改进物理教学实践;[9]教师也应注重提高互动教学能力,基于真实的科学探究问题创设教学情境,以支架式的互动提问策略激励学生合作学习,培养学生的高阶思维和复杂认知能力。
(二)精准培养学生的高阶思维能力
培养学生的高阶思维能力是科学教育的核心目标之一,智能技术为其提供多样化、个性化的手段,使其过程更加符合创新人才成长规律。培养高阶思维能力,不能局限于常规的死记硬背、考试刷题,应多采取科学写作、科学建模、科学探究等学习方法,强化学生的科学论证、批判性思维等能力,借助游戏学习、场馆学习、移动学习等方式,为学生的科学学习带来有趣、沉浸式的体验,激发其好奇心和探索欲,与课堂上培养高阶思维的方式形成互补。更进一步,要探究这些方式影响高阶思维能力的具体机制,加快AI技术支持的智能辅导与自动反馈研究,[10]为满足个性化的自主学习提供干预手段。然后是要回归到科学学习起点,智能技术在应用科学学习中仍面临技术倾向过重问题。例如,大多数实践研究都集中于效度特征,关注人工智能算法模型的准确性,而不是智能课堂应用的教学效果,更为关键的是未能关注学生高阶思维能力提升,科学教师在此方面的教学也存在不足。[25]因此,要更加重视科学学习中的认知与思维协调发展,将高阶思维培育同实际领域知识相联系,才能把握科技创新人才培养的根本所在。高阶思维能力也是形成科学素养的关键,培育科学素养又能为高阶思维能力提供更广阔的发展空间,两者是相互促进、协同发展的统一体。所以,培养学生的高阶思维能力同样要重视科学素养的提升。在提升学生科学素养的过程中要重视社会情境性,通过探究实际科学问题,培养学生使用跨领域知识解决复杂问题的能力;[26]还要重视个性化的科学学习,从技术方面来看:一方面是加强学习状态监测,通过基于深度学习的认知追踪,实现对学生的认知状态建模与持续分析;另一方面,基于学生对科学知识的掌握状态,结合科学大概念,研究个性化的知识图谱,结合学习成效的精准评估,为学生智能规划科学学习的路径。此外,研究还应从理论框架与应用模型向实践扩展,基于学习者相关学情数据,以智能技术支持自适应科学学习与科学评价,[27]促进学生与教师、同伴、AI学习工具的社会交互,促进学生发散性思维的培养、增加科学学习的专注度。
(三)创新科学教育的测评方法
科学教育测评是优化科学教学、提高学生科学学习成效的重要手段,人工智能、大数据、物联网等技术支持的科学测评,基于更加智能与科学的计算评估方法,能够适应更加复杂的教学场景和更大的群体规模,从而以科技创新人才培养中的核心素养和高阶能力为目标导向,开展更加细粒度、持续性的评估和有效反馈。目前,科学测评尚存在一些问题,如依赖传统选择、计算、填空等题目,评估方式过于单一,对智能技术支持的创新评估研究缺乏关注,国内自动化科学评估与即时指导反馈属于研究的边缘领域,围绕智能测评的往往局限于语言、文学科目。对于强调跨学科、实验探究和高阶思维能力的科学教育而言,智能技术支持的科学测评已成为迫切需求。首先,应积极采用AI赋能的科学测评,构建专业化的评价指标体系,对准科学素养的提升与科学学习过程的量化分析,开展科学学科的多维度测评,按照多维度原则设计测评题目,将测评题目与期望的科学能力相匹配。[16]具体而言,应积极采用涉及高阶思维能力的评估题型,例如,涉及科学论证能力的中文主观题,其自动评分具有可行性。[28]其次,将智能评估技术与经典的科学学习理论融合,提高评估的准确性、反馈透明度,有效降低反馈冗余程度。在实际推广智能科学评估中,同样面临着数据量少、处理难度大、中文语义更加复杂的挑战,未来要深度应用ChatGPT等AI大模型、构建共享教育数据资源库、设立国家通用智能测评服务机构。为了应对多元动态的科学教育场景和大规模通用测评挑战,需要密切关注复杂场景与跨学科的智能科学测评,基于跨学科的科学测评视角,通过交叉融合计算机、神经科学、科学教育等学科研究,整合科学教育的多元主体数据和集成分析技术,提高评估样本代表性、扩大评估的群体规模,强化智能测评模型学科通用性,突破复杂场景下的科学测评难题。[29]最后,探索应用人机协同评估的新模式,将智能机器的客观评价与科学教师评估的主观经验相结合,合理诊断科学学习成效、精准调控科学教学策略、及时推送科学学习反馈。此外,为智能科学测评建立起“教师—学生—机器”多元反馈通道,以智能评估工具(机器)为中介,利用机器与学生对科学教学情况进行及时反馈,并为教师与学生调整优化反馈提供渠道,全面优化智能科学测评机制。
(四)探索多模态数据驱动的教与学规律
与传统科目相比,科学教育涉及的知识体系更近于客观的自然规律,对具身的自然观察和动手探究实验有更高要求,智能技术的深度运用加深科学学习环境与方式的多样化、数字化,随之而产生更大规模的眼动、生理、交互、视频等多模态数据,需要解读其中蕴含的教育规律和潜在价值。由此可见,科学教育对多模态数据驱动的教与学规律有更加天然的适应性和强烈需求,因此,要加快推进多模态数据下的教与学规律探索。先要加强相关的学习科学、教育学、科学教育等学科基础理论研究,应用多模态学习分析技术扩展科学教育研究证据来源,实现信息互补与多元循证探究;同时,围绕学生的科学兴趣、好奇心和探究欲等复杂心理特质,通过多模态数据分析为其提供精准的测量评估手段,揭示其发展规律和相互作用机理。还应加快实践研究,面向科学教学与学习的全过程,针对课堂、家庭、场馆、虚拟学习空间等不同学习场景感知采集多模态数据,全面解析学生的认知、情感、知识状态。具体地,面向科学学习成效、科学学习兴趣、科学实践能力等关键因素,设计分层次、多维度的认知、情感、行为、知识等数据感知框架,[30]构建多模态数据驱动的认知与情感协同计算分析模型,为提高科学学习成效、兴趣和实验探究能力提供支持;基于教育神经科学理论的指导,以脑区、神经影像数据扩展科学学习的多模态数据来源,充分利用脑电图、功能性近红外光谱等神经影像数据,进一步与生理、行为、视频等多模态数据融合加以分析,探究科学学习投入的影响因素、干预手段与维持机制。在科学教学过程中要注重教学规律探索:一是利用多模态技术深度探究游戏化、探究式、项目式教学成效,解析不同科学教学方式效果与影响因素,促进科学教学问题的解决;二是要整合教学资源、教学策略、教学环境等课堂要素,依托多模态学习分析实现科学课堂的精准治理,提供智能化的科学教学服务。此外,利用全维度的多模态学习者建模技术,塑造更加智能、个性化的科学学习环境,[22]实时追踪科学学习的认知、情感、知识等状态,有效改进科学课堂的教学模式,为提升科学教师教学方法的改进效果,加强精准化、即时的科学教学干预提供科学依据,进而推动科学教学迈入智能化发展的新阶段。
综上所述,科学教育是培养科技创新人才的基石,为驱动新时代国家的创新发展提供关键动力,智能技术与科学教育的深度融合,为推动科学教育的高质量发展,构建智能化的科学教育体系提供前所未有的机遇与实现路径。当下,人工智能、教育大数据挖掘、多模态学习分析等智能技术广泛应用于科学教育实践,形成科学学习分析与计算建模、智能科学测评理论与实践两大研究热点。未来,要深度应用智能技术,有效提升科学教师的综合素养,精准培养学生的高阶思维能力,加快创新科学教育的测评方法,推进多模态数据驱动教与学规律探索,以此赋能科学教育创新发展,以期在未来实践中助推科学教育实现高质量、智能化发展新样态,以高质量科学教育体系助力社会主义现代化强国建设。
参考文献:
[1]CHEN J,ZHANG Y,WEI Y,et al.Discrimination of the contextual features of top performers in scientific literacy using a machine learning approach[J].Research in Science Education,2021,51(1):129-158. [2]SUNG S H,LI C,CHEN G,et al.How does augmented observation facilitate multimodal representational thinking?applying deep learning to decode complex student construct[J].Journal of Science Education and Technology,2021,30(2):210-226. [3]CHEN C,WANG W.Mining effective learning behaviors in a web-based inquiry science environment[J].Journal of Science Education and Technology,2020,29(4):519-535. [4]KUHN J,LUKOWICZ P,HIRTH M,et al.Physics-using smart glasses for head-centered,context-aware learning in physics experiments[J].IEEE Transactions on Learning Technologies,2016,9(4):304-317. [5]LAMB R L,VALLETT D B,AKMAL T,et al.A computational modeling of student cognitive processes in science education[J].Computers&Education,2014,79:116-125. [6]KRAJCIK J S.Commentary-applying machine learning in science assessment:opportunity and challenges[J].Journal of Science Education and Technology,2021,30(2):313-318. [7]ZHAI X,HAUDEK K,SHI L,et al.From substitution to redefinition:a framework of machine learning-based science assessment[J].Journal of Research in Science Teaching,2020,57(9):1430-1459. [8]KROEZE K A,VAN DEN BERG S M,VELDKAMP B P,et al.Automated assessment of and feedback on concept maps during inquiry learning[J].IEEE Transactions on Learning Technologies,2021,14(4):460-473. [9]WULFF P,BUSCHHṺTER D,WESTPHAL A,et al.Computer-based classification of preservice physics teachers’written reflections[J].Journal of Science Education and Technology,2021,30(1):1-15. [10]LEE H,PALLANT A,PRYPUTNIEWICZ S,et al.Automated text scoring and real-time adjustable feedback:supporting revision of scientific arguments involving uncertainty[J].Science Education,2019,103(3):590-622. [11]WINOGRAD B A,DOOD A J,MOELLER R,et al.Detecting high orders of cognitive complexity in students’reasoning in argumentative writing about ocean acidification:LAK21:11th international learning analytics and knowledge conference[C].Irvine,CA,USA:Association for Computing Machinery,2021. [12]ZHAI X,HE P,KRAJCIK J.Applying machine learning to automatically assess scientific models[J].Journal of Research in Science Teaching,2022,59(10):1765-1794. [13]ROSENBERG J M,KRIST C.Combining machine learning and qualitative methods to elaborate students’ideas about the generality of their model-based explanations[J].Journal of Science Education and Technology,2020:1-13. [14]XING W,DU D,BAKHSHI A,et al.Designing a transferable predictive model for online learning using a bayesian updating approach[J].IEEE Transactions on Learning Technologies,2021,14(4):474-485. [15]BERTOLINI R,FINCH S J,NEHM R H.Testing the impact of novel assessment sources and machine learning methods on predictive outcome modeling in undergraduate biology[J].Journal of Science Education and Technology,2021,30(2):193-209. [16]MAESTRALES S,ZHAI X,TOUITOU I,et al.Using machine learning to score multi-dimensional assessments of chemistry and physics[J].Journal of Science Education and Technology,2021,30(2):239-254. [17]LAMB R,HAND B,KAVNER A.Computational modeling of the effects of the science writing heuristic on student critical thinking in science using machine learning[J].Journal of Science Education and Technology,2021,30(2):283-297. [18]HSU M,CHENG M.Immersion experiences and behavioural patterns in game-based learning[J].British Journal of Educational Technology,2021,52(5):1981-1999. [19]KINGIR S,GÖK B,BOZKIR A.Exploring relations among pre-service science teachers’motivational beliefs,learning strategies and constructivist learning environment perceptions through unsupervised data mining[J].Journal of Baltic Science Education,2020,19:804-823. [20]FORBES C T,NEUMANN K,SCHIEPE-TISKA A.Patterns of inquiry-based science instruction and student science achievement in PISA 2015[J].International Journal of Science Education,2020,42(5):783-806. [21]LAMB R L,ANNETTA L,FIRESTONE J,et al.A meta-analysis with examination of moderators of student cognition,affect,and learning outcomes while using serious educational games,serious games,and simulations[J].Computers in Human Behavior,2018,80:158-167. [22]ClOUDE E B,DEVER D A,HAHS-VAUGHN D L,et al.Affective dynamics and cognition during game-based learning[J].IEEE Transactions on Affective Computing,2022,13(4):1705-1717. [23]NGUYEN A,JÄRVELÄ S,ROSÉ C,et al.Examining socially shared regulation and shared physiological arousal events with multimodal learning analytics[J].British Journal of Educational Technology,2023,54(1):293-312. [24]田伟,辛涛,胡卫平.义务教育阶段的科学教育:关键问题与对策建议[J].北京师范大学学报(社会科学版),2021(3):82-91. [25]ZHAI X,HAUDEK K C,STUHLSATZ M A M,et al.Evaluation of construct-irrelevant variance yielded by machine and human scoring of a science teacher PCK constructed response assessment[J].Studies in Educational Evaluation,2020,67:100916. [26]黄芳,黄林青,张娥娥.科学素养的情境、目的、内涵分析及启示[J].高等工程教育研究,2022(1):116-120. [27]唐雯谦,覃成海,向艳,等.智慧教育与个性化学习理论与实践研究[J].中国电化教育,2021(5):124-137. [28]WANG C,LIU X,WANG L,et al.Automated scoring of Chinese grades 7-9 students’competence in interpreting and arguing from evidence[J].Journal of Science Education and Technology,2021,30(2):269-282. [29]LEE H,GWEON G,LORD T,et al.Machine learning-enabled automated feedback:supporting students’revision of scientific arguments based on data drawn from simulation[J].Journal of Science Education and Technology,2021,30(2):168-192. [30]LIU S,LIU S,LIU Z,et al.Automated detection of emotional and cognitive engagement in MOOC discussions to predict learning achievement[J].Computers&Education,2022,181:104461.Application of Intelligent Technology in Science Education: Research Status, Key Methods and Development Trends
Yonghe ZHENG,Dengbo ZHANG,Tongtong GUAN,Jingying WANG
(Research Institute of Science Education, Beijing Normal University, Beijing 100875)
编辑:王天鹏 校对:王晓明
往期目录|超链接版
期刊简介
《中国教育信息化》创刊于1995年8月,是由中华人民共和国教育部主管,教育部教育管理信息中心主办,面向国内外公开发行的国家级学术期刊。期刊内容力求全面深入地记录我国教育信息化的建设进展、研究与应用成果和行业发展状况,开展我国教育信息化发展状况调研和教育信息化国际比较研究,服务于国家教育宏观决策;力求全面准确地把握教育信息化相关的方针政策和标准规范,及时追踪ICT前沿技术的发展趋势及其与教育的融合,深度挖掘教育信息化建设与应用的体制、机制创新,服务于我国教育信息化实践。
●RCCSE中国核心学术期刊
●中国人文社会科学(AMI)扩展期刊
●中国期刊全文数据库收录期刊
●中文科技期刊数据库收录期刊
●国家哲学社会科学学术期刊数据库收录期刊
●中国核心期刊(遴选)数据库收录期刊
●龙源期刊网收录期刊
一年12期,每月20日出版
20元 / 期,邮发代号:82-761
编辑部邮箱:mis@moe.edu.cn
通讯地址:北京市西城区华远北街2号921室