摘" "要：以人工智能為代表的智能化技術應用于科學教育研究與實踐，持續(xù)推動科學教育與智能技術的融合創(chuàng)新發(fā)展，為科技創(chuàng)新人才的個性化、特殊性培養(yǎng)路徑與實踐方法提供有效的技術資源。智能技術在科學教育中的應用聚焦科學學習分析與計算建模、智能科學測評理論與實踐，依托人工智能技術、教育大數(shù)據(jù)挖掘、多模態(tài)學習分析等關鍵技術的深度運用，為培養(yǎng)學生的科學素養(yǎng)、創(chuàng)新能力與高階思維提供重要支撐。面向未來，智能技術在科學教育中的應用應從有效提升科學教師的綜合素養(yǎng)、精準培養(yǎng)學生的高階思維能力、加快創(chuàng)新科學教育的測評方法、積極探索多模態(tài)數(shù)據(jù)驅(qū)動的教與學規(guī)律等方面加以重視，系統(tǒng)構(gòu)筑智能化的科學教育發(fā)展新樣態(tài)。

關鍵詞：人工智能；科學教育；機器學習；科學評估；高階思維

中圖分類號：G434" " " " "文獻標志碼：A" " " " "文章編號：1673-8454（2023）09-0003-09

隨著人工智能（Artificial Intelligence， AI）技術的快速發(fā)展，以機器學習（Machine Learning，ML）、虛擬現(xiàn)實（Virtual Reality， VR）、物聯(lián)網(wǎng)為代表的智能技術應用于科學教育研究與實踐，在自動測評學習成效、精準診斷學習狀態(tài)、智能優(yōu)化教學服務等方面顯示出巨大潛力，并持續(xù)推動科學教育的智能化演進，為大規(guī)模、高質(zhì)量的科技創(chuàng)新人才培養(yǎng)提供更加個性化、智能化的實踐途徑。智能技術依托更強的計算分析能力，能夠圍繞教學、學習、評估等要素，切入科學教育領域?qū)崿F(xiàn)理想應用，其核心要點在于，以科學教育全過程、跨時空的泛在數(shù)據(jù)采集、處理、融合為基礎，逐步進行單、多模態(tài)的計算建模，將模型運用到教育實踐或嵌入智能科學教育產(chǎn)品推廣，從而實現(xiàn)智能技術在科學教育領域的廣而深的運用，通過在實踐中的迭代研究與應用，優(yōu)化升級科學教育服務供給，提高科學教育質(zhì)量與效率。從而優(yōu)化科學教育的全過程、提高科學教育“產(chǎn)能”、變革科學教育形態(tài)，為構(gòu)建智能化的科學教育生態(tài)體系提供實踐路徑。

一、研究現(xiàn)狀：

從精準教學到個性學習

作為推動科學教育創(chuàng)新發(fā)展的關鍵動力，智能技術為培養(yǎng)科技創(chuàng)新人才提供全新范式與重要保障，豐富創(chuàng)新人才培養(yǎng)模式，拓寬提升科學素養(yǎng)的有效途徑。在研究實踐中主要包括：以智能化科學測評框架與技術為指導開展精準化的科學教學；進行多元數(shù)據(jù)驅(qū)動的科學學習分析與計算建模以有效支持個性化的科學學習。

（一）科學學習分析與計算建模：挖掘教與學的發(fā)展規(guī)律

隨著學習分析技術與科學教育深度融合，面向科學學習開展計算分析與建模成為研究熱點，集多元化先進技術為一體，融合認知、情感、學習過程的多模態(tài)數(shù)據(jù)分析，實現(xiàn)科學教育生態(tài)系統(tǒng)的教與學內(nèi)隱規(guī)律深度解析?？茖W素養(yǎng)作為科技創(chuàng)新人才成長的關鍵因素，除了借助基本的問卷調(diào)研其影響元素，研究人員也開始采用機器學習（ML）技術對大規(guī)模的科學素養(yǎng)調(diào)研數(shù)據(jù)的隱含信息進行深入挖掘，[1]為詮釋科學素養(yǎng)的影響機理提供支撐。然而，在具體的科學學習中，影響學習成效的因素是動態(tài)變化、多元復雜的，智能化學習分析技術能夠通過多元數(shù)據(jù)計算分析，對學生科學學習的知識水平、認知狀態(tài)、情感變化進行精準識別，從而提供個性化指導與干預。在分析成效方面，基于Transformer的雙向編碼器表示（Bidirectional Encoder Representations from Transformers，BERT）模型在處理多標簽的開放式回答方面展現(xiàn)出良好的性能；[2]對學習行為數(shù)據(jù)挖掘分析的結(jié)果，能夠指導學生有效開展科學探究學習。[3]同時，學者也開始關注更復雜的多模態(tài)認知與心理表征，用以揭示學生的高階思維發(fā)展機制；相較于傳統(tǒng)平板電腦，谷歌智能眼鏡能提供認知與情境感知功能，也更能激發(fā)起學生物理學習的好奇心與專注時長。[4]通過人工神經(jīng)網(wǎng)絡，基于認知證據(jù)的計算建模在預測與訓練學生高階思維運用結(jié)果方面表現(xiàn)出巨大潛力。[5]總體而言，智能技術能推動計算機支持的科學學習個性化發(fā)展，為數(shù)字化的科學教育發(fā)展創(chuàng)造更大空間。

（二）智能科學測評理論與實踐：診斷教與學的復雜作用過程

科學知識是科學學習的基礎，其有效掌握依賴精準的科學評估實踐、診斷與反饋。同時，多維、復雜的科學知識是塑造人才創(chuàng)新能力的關鍵，仍需構(gòu)建相應的多維度、復雜的測評體系?；谥悄芗夹g的科學測評能夠有效應對復雜場景、節(jié)約成本、擴大規(guī)模，提高創(chuàng)新人才培養(yǎng)效能，促使復雜科學推理與知識的自動評估反饋成為研究熱點，并形成理論與實踐齊頭并進的趨勢。在理論層面，研究人員注重對創(chuàng)新評估框架的探究，強調(diào)評估實踐要更加符合新一代科學教育標準（Next Generation Science Standards，NGSS）。研究人員加強科學測評中主觀題的應用探究，以引導學生綜合運用科學知識，激發(fā)其深層次認知，形成高階思維能力；ML對主觀題的自動測評反饋的可靠性備受關注，具有創(chuàng)新科學教育評估生態(tài)的巨大潛力。[6]基于此，相關學者提出包括構(gòu)造、功能和自動性的創(chuàng)新評估三維框架，其對應特征的演變與聚類分析結(jié)果表明機器學習（ML）技術具有變革科學評估進展的潛力。[7]在ML支持的智能測評實踐方面，早期的自動評分常與即時反饋結(jié)合，[8]如圍繞職前物理教師反思文本進行內(nèi)容性的分析、自動分類與反饋；[9]為學生修訂科學論證觀點提供自動化和個性化的支持，[10]在科學寫作任務的應用中表現(xiàn)出良好的提升作用。而在體現(xiàn)復雜認知操作的因果推理和論證中，通過認知分析框架與自然語言處理（Natural Language Processing，NLP）技術的結(jié)合，有望實現(xiàn)科學推理特征的深度偵測，實現(xiàn)針對科學論證能力的智能輔導。[11]最新的一系列研究表明，基于人工智能標記語言（Artificial Intelligence Markup Language， AIML）訓練的模型已經(jīng)能做到對學生科學圖文主觀題作答進行自動評估，說明機器評分的可靠程度正逐漸與人類逼近。[12]類似地，有學者基于大量樣本訓練算法模型，對物理、化學問答題進行多維度的自動評分，除了關注評估可靠性以外，也更加注重將人類評估框架與ML支持的自動評估相結(jié)合，分析學生對作答模型解釋的普遍性。[13]最后，有研究表明智能技術支持的科學測評具有實用價值，使用ML技術能夠應對更加復雜多樣的評估場景，亦能充分發(fā)揮細粒度評估準則的優(yōu)勢，自更新的分析預測模型也更適合STEM（Science， Technology， Engineering， Mathematics）跨課程的教學場景，[14]在預測性的學習分析方面提升干預措施的效力。[15]總的來說，智能科學測評旨在豐富提高科學教育績效與收集研究證據(jù)的方法、滿足即時復雜教育決策需求。

二、關鍵方法：

從靜態(tài)思維培育到動態(tài)學習過程

科學素養(yǎng)、創(chuàng)新能力、高階思維是科學教育育人的關鍵著力點，其有效提升依賴科學教育中的精準教學與個性化學習，智能技術為實現(xiàn)此目標提供可行的關鍵方法，在一般研究中的應用邏輯為：以感知設備對學生的生理、認知、行為等數(shù)據(jù)進行全方位采集，跨時空、多維度匯聚科學教學與學習的泛在數(shù)據(jù)，以“AI+大數(shù)據(jù)挖掘”技術展開深度融合計算與建模分析，最后與常規(guī)定性、定量數(shù)據(jù)分析方法結(jié)合，對科學教育的“輸入”“過程”“結(jié)果”進行立體解構(gòu)，最終為創(chuàng)新科學教育發(fā)展、優(yōu)化科學教育質(zhì)量提供抓手。目前，科學教育領域較為普遍的智能技術應用方法主要有三類。

（一）人工智能技術助力學生思維培育

ML在AI技術中應用最廣、最具代表性，多用于文本分類、自動評分、圖像識別、多元教育變量下的特征工程、認知計算建模等方面；深度學習（Deep Learning，DL）是ML技術中的一個分支，人工神經(jīng)網(wǎng)絡（Artificial Neural Network， ANN）是其最具代表性的算法模型，DL擴展ML的數(shù)據(jù)規(guī)模與應用場景，適用于更加復雜的計算模型構(gòu)建，如語義理解、圖像識別、認知計算等。典型的應用研究為：運用多種ML模型融合方法對科學論證主觀題進行自動評分，并使用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）、殘差神經(jīng)網(wǎng)絡模型（Residual Shrinkage Network，ResNeT）對學生繪制的科學圖像進行識別與評分，[16]對科學教育中反映論證、推理能力運用的復雜題型進行創(chuàng)新評估。為了提升文本數(shù)據(jù)分析性能，已有較多研究者關注計算機學科的前沿技術，開始使用在自然語言處理（NLP）領域中較為先進的分類算法或模型，例如，應用基于深度學習的BERT模型處理多標簽的開放式題目，[2]證實在移動科學學習中使用智能技術表征高階思維的潛能；此外，有國外學者使用人工神經(jīng)網(wǎng)絡（ANN）對學生思維過程進行模擬計算，將學生作答的批判性思維測試題目與項目反應（Item Response Theory，IRT）理論結(jié)合映射認知過程，用計算模型解析科學寫作對認知運用的影響效果。[17]

（二）教育大數(shù)據(jù)挖掘揭示教學互動的本質(zhì)問題

科學教育注重實踐與綜合應用能力發(fā)展，其科學研究也愈加關注跨時空、大規(guī)模的數(shù)據(jù)匯聚與整合建模分析。然而，動態(tài)復雜情境與海量教育數(shù)據(jù)為統(tǒng)計分析帶來巨大挑戰(zhàn)，應用教育大數(shù)據(jù)挖掘有望解決數(shù)據(jù)規(guī)模偏小、計算力度不夠、規(guī)律解釋不客觀、信效度不高的難題，實現(xiàn)面向科學教育全過程的規(guī)律解讀與意蘊詮釋。聚類分析與關聯(lián)規(guī)則挖掘是常用的兩種方法，聚類是一種常用的無監(jiān)督的ML方法，能夠?qū)τ柧殧?shù)據(jù)按照自身反映的共有規(guī)則進行分類，研究中常用的有：K均值聚類算法（k-means clustering algorithm，K-means），多用于挖掘數(shù)據(jù)共有特征集、推薦系統(tǒng)。關聯(lián)規(guī)則挖掘用于發(fā)現(xiàn)數(shù)據(jù)各維度特征間的關聯(lián)程度，常用的有先驗算法（apriori algorithm）。在科學教育領域中的研究也有兩個重要應用方向。一方面是對與教學、學習過程相關的數(shù)據(jù)聚類或挖掘。[13]在生物課程的游戲?qū)W習情境下，有學者通過K-means實現(xiàn)對學生經(jīng)歷的游戲沉浸階段自動聚類，發(fā)現(xiàn)高沉浸體驗學生在解決問題中成效更高；[18]有學者采用關聯(lián)規(guī)則挖掘分析法對職前科學教師的特征關系進行探究，揭示動機信念、策略使用、學習環(huán)境等特征之間存在的隱含關系；[19]而在更大規(guī)模的數(shù)據(jù)集上，潛在剖面分析（Latent Profile Analysis，LPA）可以實現(xiàn)基于國際學生評估項目（Programme for International Student Assessment，PISA）2015學生科學成就的自動分類，結(jié)合聚類分析檢驗科學成就與教學模式之間的關系。[20]另一方面包含對領域論文、問卷等特殊數(shù)據(jù)的薈萃挖掘分析，[1]主要發(fā)現(xiàn)科學教育研究趨勢、熱點，或深入挖掘教育現(xiàn)象背后的本質(zhì)規(guī)律。

（三）多模態(tài)學習分析表征真實學習過程

隨著科學教育中“家校社”一體化的發(fā)展格局初現(xiàn)，智能技術逐漸彌合正式與非正式科學學習的邊界，推動科學教育環(huán)境的虛實融合和數(shù)據(jù)的多元動態(tài)變化。在此背景下，多模態(tài)學習分析技術能夠?qū)崿F(xiàn)感知多元學習情境、匯聚多源數(shù)據(jù)分析，有效支持跨學科和實驗教學，為解讀科學學習的發(fā)生機理、優(yōu)化科學教學、實施精準的科學學習干預提供重要支撐。在學習環(huán)境方面，VR/AR均屬于對現(xiàn)實的擴展，在還原科學教育中的實驗場景上具有重要的應用價值，有學者對虛擬教學環(huán)境、嚴肅教育游戲的效果進行比較，為優(yōu)化科學學習環(huán)境提供證據(jù)；[21]有學者發(fā)現(xiàn)游戲化學習環(huán)境中的眼動和面部表情數(shù)據(jù)可以表征學生情感和認知狀態(tài)聯(lián)系，表明智能、個性化游戲?qū)W習環(huán)境對高階思維存在積極的影響作用。[22]在AR模擬的科學實驗環(huán)境下，有學者利用多模態(tài)數(shù)據(jù)實現(xiàn)對學生的多模態(tài)高階思維表征。[2]在數(shù)據(jù)感知方面，生理傳感器能夠?qū)W習者皮膚、心跳、呼吸、血壓等數(shù)據(jù)進行采集，研究人員發(fā)現(xiàn)皮膚電反應和視頻數(shù)據(jù)可以用于探究物理概念學習中的社會共享調(diào)節(jié)過程，實現(xiàn)對科學學習的全面監(jiān)控、評估和調(diào)節(jié)。[23]神經(jīng)影像屬于教育神經(jīng)科學的一個具體應用，能夠表征人腦、神經(jīng)層面的狀態(tài)變化，映射認知、行為、思維的調(diào)節(jié)過程，在多模態(tài)學習分析中逐漸成為一種重要的數(shù)據(jù)類型。通過功能性近紅外光譜（functional near-infrared spectroscopy，fNIRS）、腦電波（Electroencephalogram，EEG）等手段將人腦在學習過程中的血氧變化、電磁頻率以可視化波譜呈現(xiàn)，可以實現(xiàn)從生理層面解讀大腦的認知過程。除了對腦部圖像、血氧變化等數(shù)據(jù)的定量分析，以及觀測不同教學條件下學生腦認知的參與狀態(tài)[21]以外，廣泛收集包含神經(jīng)影像數(shù)據(jù)在內(nèi)的多模態(tài)數(shù)據(jù)，使用AI算法構(gòu)建算力更強的預測分析模型成為新的探究方向，能夠用于智能識別，并預測科學成就的關鍵特征，從而為有效設計科學教學活動提供思路，提高學生綜合應用科學的能力。

三、發(fā)展方向：

從教到學進行內(nèi)在機理探索

隨著國家教育數(shù)字化轉(zhuǎn)型戰(zhàn)略的深入實施，新一輪數(shù)字革命下的科學教育正面臨關鍵挑戰(zhàn)與機遇，妥善運用智能技術改善創(chuàng)新人才培養(yǎng)機制、優(yōu)化服務供給能力、變革體系生態(tài)，已成為科學教育創(chuàng)新發(fā)展的必然選擇?？茖W教育創(chuàng)新發(fā)展的核心要點在于，打造高水平的科學教師隊伍、培養(yǎng)具備高階思維能力的學生、優(yōu)化科學教育評估機制、探索多模態(tài)視域下的科學教育規(guī)律。面向未來發(fā)展，智能技術在科學教育中的應用要關注以下方面。

（一）有效提升科學教師的綜合素養(yǎng)

科學教師是保證科學教育高質(zhì)量發(fā)展的基礎，其教學能力、領域知識、反思能力等核心素養(yǎng)是培養(yǎng)優(yōu)質(zhì)科學人才的前提。然而，從科學教師的培養(yǎng)與執(zhí)教現(xiàn)狀分析來看，仍然存在優(yōu)質(zhì)教育資源供給不能滿足科學教研需求的矛盾，[24]亟需利用人工智能、第五代移動通信技術（5th Generation Mobile Communication Technology， 5G）、云計算等技術，優(yōu)化資源配置、改善區(qū)域教學差異大的現(xiàn)狀，教學實踐和技術應用是改進的重要方面。先要明確基本的科學教學規(guī)律與學習特點，重視科學教師的學科教學知識（Pedagogical Content Knowledge，PCK）評估，用人工智能技術支持教師PCK的自評估，[25]從而提高評估效率減少成本，提升科學教師的教研能力。還要以職前教師STEM核心素養(yǎng)培養(yǎng)為重點，提高教師科學思維與實踐能力，使在職與職前科學教師都能在課堂上充分開展個性化教學。同時，基于“AI+大數(shù)據(jù)”等技術協(xié)助提升科學教師專業(yè)素養(yǎng)，通過加強知識基礎和情意表達提高教師的反饋素養(yǎng)；以物理學科為例，積極運用數(shù)字化的自動反饋工具，為職前物理教師的反思提供支持，助力其構(gòu)建對教學經(jīng)驗的思考，從而改進物理教學實踐；[9]教師也應注重提高互動教學能力，基于真實的科學探究問題創(chuàng)設教學情境，以支架式的互動提問策略激勵學生合作學習，培養(yǎng)學生的高階思維和復雜認知能力。

（二）精準培養(yǎng)學生的高階思維能力

培養(yǎng)學生的高階思維能力是科學教育的核心目標之一，智能技術為其提供多樣化、個性化的手段，使其過程更加符合創(chuàng)新人才成長規(guī)律。培養(yǎng)高階思維能力，不能局限于常規(guī)的死記硬背、考試刷題，應多采取科學寫作、科學建模、科學探究等學習方法，強化學生的科學論證、批判性思維等能力，借助游戲?qū)W習、場館學習、移動學習等方式，為學生的科學學習帶來有趣、沉浸式的體驗，激發(fā)其好奇心和探索欲，與課堂上培養(yǎng)高階思維的方式形成互補。更進一步，要探究這些方式影響高階思維能力的具體機制，加快AI技術支持的智能輔導與自動反饋研究，[10]為滿足個性化的自主學習提供干預手段。然后是要回歸到科學學習起點，智能技術在應用科學學習中仍面臨技術傾向過重問題。例如，大多數(shù)實踐研究都集中于效度特征，關注人工智能算法模型的準確性，而不是智能課堂應用的教學效果，更為關鍵的是未能關注學生高階思維能力提升，科學教師在此方面的教學也存在不足。[25]因此，要更加重視科學學習中的認知與思維協(xié)調(diào)發(fā)展，將高階思維培育同實際領域知識相聯(lián)系，才能把握科技創(chuàng)新人才培養(yǎng)的根本所在。高階思維能力也是形成科學素養(yǎng)的關鍵，培育科學素養(yǎng)又能為高階思維能力提供更廣闊的發(fā)展空間，兩者是相互促進、協(xié)同發(fā)展的統(tǒng)一體。所以，培養(yǎng)學生的高階思維能力同樣要重視科學素養(yǎng)的提升。在提升學生科學素養(yǎng)的過程中要重視社會情境性，通過探究實際科學問題，培養(yǎng)學生使用跨領域知識解決復雜問題的能力；[26]還要重視個性化的科學學習，從技術方面來看：一方面是加強學習狀態(tài)監(jiān)測，通過基于深度學習的認知追蹤，實現(xiàn)對學生的認知狀態(tài)建模與持續(xù)分析；另一方面，基于學生對科學知識的掌握狀態(tài)，結(jié)合科學大概念，研究個性化的知識圖譜，結(jié)合學習成效的精準評估，為學生智能規(guī)劃科學學習的路徑。此外，研究還應從理論框架與應用模型向?qū)嵺`擴展，基于學習者相關學情數(shù)據(jù)，以智能技術支持自適應科學學習與科學評價，[27]促進學生與教師、同伴、AI學習工具的社會交互，促進學生發(fā)散性思維的培養(yǎng)、增加科學學習的專注度。

（三）創(chuàng)新科學教育的測評方法

科學教育測評是優(yōu)化科學教學、提高學生科學學習成效的重要手段，人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等技術支持的科學測評，基于更加智能與科學的計算評估方法，能夠適應更加復雜的教學場景和更大的群體規(guī)模，從而以科技創(chuàng)新人才培養(yǎng)中的核心素養(yǎng)和高階能力為目標導向，開展更加細粒度、持續(xù)性的評估和有效反饋。目前，科學測評尚存在一些問題，如依賴傳統(tǒng)選擇、計算、填空等題目，評估方式過于單一，對智能技術支持的創(chuàng)新評估研究缺乏關注，國內(nèi)自動化科學評估與即時指導反饋屬于研究的邊緣領域，圍繞智能測評的往往局限于語言、文學科目。對于強調(diào)跨學科、實驗探究和高階思維能力的科學教育而言，智能技術支持的科學測評已成為迫切需求。首先，應積極采用AI賦能的科學測評，構(gòu)建專業(yè)化的評價指標體系，對準科學素養(yǎng)的提升與科學學習過程的量化分析，開展科學學科的多維度測評，按照多維度原則設計測評題目，將測評題目與期望的科學能力相匹配。[16]具體而言，應積極采用涉及高階思維能力的評估題型，例如，涉及科學論證能力的中文主觀題，其自動評分具有可行性。[28]其次，將智能評估技術與經(jīng)典的科學學習理論融合，提高評估的準確性、反饋透明度，有效降低反饋冗余程度。在實際推廣智能科學評估中，同樣面臨著數(shù)據(jù)量少、處理難度大、中文語義更加復雜的挑戰(zhàn)，未來要深度應用ChatGPT等AI大模型、構(gòu)建共享教育數(shù)據(jù)資源庫、設立國家通用智能測評服務機構(gòu)。為了應對多元動態(tài)的科學教育場景和大規(guī)模通用測評挑戰(zhàn)，需要密切關注復雜場景與跨學科的智能科學測評，基于跨學科的科學測評視角，通過交叉融合計算機、神經(jīng)科學、科學教育等學科研究，整合科學教育的多元主體數(shù)據(jù)和集成分析技術，提高評估樣本代表性、擴大評估的群體規(guī)模，強化智能測評模型學科通用性，突破復雜場景下的科學測評難題。[29]最后，探索應用人機協(xié)同評估的新模式，將智能機器的客觀評價與科學教師評估的主觀經(jīng)驗相結(jié)合，合理診斷科學學習成效、精準調(diào)控科學教學策略、及時推送科學學習反饋。此外，為智能科學測評建立起“教師—學生—機器”多元反饋通道，以智能評估工具（機器）為中介，利用機器與學生對科學教學情況進行及時反饋，并為教師與學生調(diào)整優(yōu)化反饋提供渠道，全面優(yōu)化智能科學測評機制。

（四）探索多模態(tài)數(shù)據(jù)驅(qū)動的教與學規(guī)律

與傳統(tǒng)科目相比，科學教育涉及的知識體系更近于客觀的自然規(guī)律，對具身的自然觀察和動手探究實驗有更高要求，智能技術的深度運用加深科學學習環(huán)境與方式的多樣化、數(shù)字化，隨之而產(chǎn)生更大規(guī)模的眼動、生理、交互、視頻等多模態(tài)數(shù)據(jù)，需要解讀其中蘊含的教育規(guī)律和潛在價值。由此可見，科學教育對多模態(tài)數(shù)據(jù)驅(qū)動的教與學規(guī)律有更加天然的適應性和強烈需求，因此，要加快推進多模態(tài)數(shù)據(jù)下的教與學規(guī)律探索。先要加強相關的學習科學、教育學、科學教育等學科基礎理論研究，應用多模態(tài)學習分析技術擴展科學教育研究證據(jù)來源，實現(xiàn)信息互補與多元循證探究；同時，圍繞學生的科學興趣、好奇心和探究欲等復雜心理特質(zhì)，通過多模態(tài)數(shù)據(jù)分析為其提供精準的測量評估手段，揭示其發(fā)展規(guī)律和相互作用機理。還應加快實踐研究，面向科學教學與學習的全過程，針對課堂、家庭、場館、虛擬學習空間等不同學習場景感知采集多模態(tài)數(shù)據(jù)，全面解析學生的認知、情感、知識狀態(tài)。具體地，面向科學學習成效、科學學習興趣、科學實踐能力等關鍵因素，設計分層次、多維度的認知、情感、行為、知識等數(shù)據(jù)感知框架，[30]構(gòu)建多模態(tài)數(shù)據(jù)驅(qū)動的認知與情感協(xié)同計算分析模型，為提高科學學習成效、興趣和實驗探究能力提供支持；基于教育神經(jīng)科學理論的指導，以腦區(qū)、神經(jīng)影像數(shù)據(jù)擴展科學學習的多模態(tài)數(shù)據(jù)來源，充分利用腦電圖、功能性近紅外光譜等神經(jīng)影像數(shù)據(jù)，進一步與生理、行為、視頻等多模態(tài)數(shù)據(jù)融合加以分析，探究科學學習投入的影響因素、干預手段與維持機制。在科學教學過程中要注重教學規(guī)律探索：一是利用多模態(tài)技術深度探究游戲化、探究式、項目式教學成效，解析不同科學教學方式效果與影響因素，促進科學教學問題的解決；二是要整合教學資源、教學策略、教學環(huán)境等課堂要素，依托多模態(tài)學習分析實現(xiàn)科學課堂的精準治理，提供智能化的科學教學服務。此外，利用全維度的多模態(tài)學習者建模技術，塑造更加智能、個性化的科學學習環(huán)境，[22]實時追蹤科學學習的認知、情感、知識等狀態(tài)，有效改進科學課堂的教學模式，為提升科學教師教學方法的改進效果，加強精準化、即時的科學教學干預提供科學依據(jù)，進而推動科學教學邁入智能化發(fā)展的新階段。

綜上所述，科學教育是培養(yǎng)科技創(chuàng)新人才的基石，為驅(qū)動新時代國家的創(chuàng)新發(fā)展提供關鍵動力，智能技術與科學教育的深度融合，為推動科學教育的高質(zhì)量發(fā)展，構(gòu)建智能化的科學教育體系提供前所未有的機遇與實現(xiàn)路徑。當下，人工智能、教育大數(shù)據(jù)挖掘、多模態(tài)學習分析等智能技術廣泛應用于科學教育實踐，形成科學學習分析與計算建模、智能科學測評理論與實踐兩大研究熱點。未來，要深度應用智能技術，有效提升科學教師的綜合素養(yǎng)，精準培養(yǎng)學生的高階思維能力，加快創(chuàng)新科學教育的測評方法，推進多模態(tài)數(shù)據(jù)驅(qū)動教與學規(guī)律探索，以此賦能科學教育創(chuàng)新發(fā)展，以期在未來實踐中助推科學教育實現(xiàn)高質(zhì)量、智能化發(fā)展新樣態(tài)，以高質(zhì)量科學教育體系助力社會主義現(xiàn)代化強國建設。

參考文獻：

[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 amp; 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， BUSCHH？譈TER 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， G？魻K 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， J？魧RVEL？魧 S， ROS？魪 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]田偉，辛濤，胡衛(wèi)平.義務教育階段的科學教育：關鍵問題與對策建議[J].北京師范大學學報（社會科學版）， 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]黃芳，黃林青，張娥娥.科學素養(yǎng)的情境、目的、內(nèi)涵分析及啟示[J].高等工程教育研究， 2022（1）：116-120.

[27]唐雯謙，覃成海，向艷，等.智慧教育與個性化學習理論與實踐研究[J].中國電化教育， 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 amp; 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）

Abstract： Intelligent technology represented by artificial intelligence （AI） has recently been applied to science education research and practice， continuously promoting the integration and innovative development of science education and intelligent technology， and providing effective technical resources for the personalized and special training paths and practice methods of scientific and technological innovation talents. The application focuses on scientific learning analysis and computational modeling， intelligent science assessment theory and practice， and relies on the in-depth application of key technologies such as artificial intelligence technology， educational big data mining， multimodal learning analysis， etc.， which provides important support for cultivating students’ scientific literacy， innovation ability and higher-order thinking. Facing the future， the application of intelligent technology in science education should effectively improve the comprehensive quality of science teachers， accurately cultivate students’ higher-order thinking ability， accelerate the innovation of science education assessment methods， actively explore the multi-modal data-driven teaching and learning laws， and systematically build a new pattern of intelligent science education development.

Keywords： Artificial intelligence; Science education; Machine learning; Scientific assessment; Higher order thinking