機器學習應用于在線科學探究中的綜述研究

孫社兵 張巧榮 李田茖

摘 ?要：機器學習近幾年來逐漸被應用于在線科學探究活動的自動評價、過程分析等方面，在輔助教師教學、提升學生科學學習效果上發揮了重要作用。機器學習融入并支持在線探究學習活動是未來科學探究走向大規模多場景實踐應用的重要技術支撐。為向國內研究者和一線教師提供開展相關研究和教學實踐的參考，在三個英文數據庫中篩選出了近10年發表的24篇英文文獻，總結分析了目前機器學習在在線科學探究中發揮的作用及具體應用，并提出了未來展望。

關鍵詞：在線科學探究；虛擬探究；機器學習；科學教育

中圖分類號：TP18；G434 ? ? 文獻標識碼：A ? ? 文章編號：2096-4706（2023）14-0103-08

Review Research on the Application of Machine Learning in Online Scientific Inquiry

SUN Shebing， ZHANG Qiaorong， LI Tiange

（Henan University of Economics and Law， Zhengzhou ?450046， China）

Abstract： In recent years， machine learning has been gradually applied to the automatic evaluation and process analysis of online scientific inquiry activities， and has played an important role in assisting teachers in teaching and improving students' scientific learning effect. It is an important technical support for machine learning to integrate into and support online inquiry learning activities of scientific inquiry to move to large-scale and multi-scene practical application in the future. In order to provide reference for domestic researchers and front-line teachers to carry out relevant research and teaching practice， 24 English literatures published in the past ten years are selected from three English databases. It summarizes and analyzes the role and specific application of machine learning in online scientific inquiry at present， and puts forward future prospects.

Keywords： online scientific inquiry; virtual inquiry; machine learning; science education

0 ?引 ?言

世界各地的科學教育標準強調讓學生通過探究學習科學的重要性[1]。在我國基礎教育改革中，新課程標準也明確提出“科學學習要以探究為核心”[2]。已有研究表明，科學探究學習能夠幫助學生理解科學的本質及其推理過程，培養對科學的積極態度[3]。科學探究過程包括從發現問題、猜想假設，到設計實驗、收集證據，再到分析論證、交流評估的一系列活動[4]。但在科學學習中，許多科學活動由于其特殊性無法在課堂環境中開展。計算機支持的在線探究環境在科學課堂上發揮著重要作用，為學生提供了使用多種呈現方法探索不同類型科學現象的機會，例如模擬[5]、可視化[6]、增強現實[7]、遠程實驗室[8]等。以往的研究表明參與在線科學探究活動的學生相比于使用傳統學習方法的表現更好[9]。因此，在線科學探究活動成為當前科學教育的重要發展方向之一。

關于學習科學和基于學科的教育研究的文獻表明，僅使用計算機支持的在線環境進行探究活動并不一定有助于學生進行科學學習[10]。研究表明，提供基于研究和理論的適當指導、支持，在線環境下的探究活動才有利于改進學生的學習[11]。要為學習者提供有效的支持則需要以其在探究過程中的具體行為和表現作為提供支持的依據，但跟蹤和檢查學生探究學習的過程是具有挑戰性的。之前的研究認為，機器學習是一種有前途的自動化技術，可以輔助教師為探究學習提供及時支持[12]。例如，機器學習可以通過識別學生探究過程中產生的行為數據，在學生出現無效或與探究活動無關的行為時提供支持使其能夠專注于探究任務[13]。此外，與多項選擇題相比，科學探究中對建構反應式的題目進行回答更能夠體現學生的思維和推理過程[14]。而人工對建構反應式題目進行評分需要耗費大量的時間和精力，且無法對學生的回答進行即時的反饋。機器學習可以幫助教師幾乎立即評估和解釋學生在課堂上的復雜表現，從而支持教師調整教學方案[15]。基于機器學習的自動評分和與分數相適應的個性化反饋或指導也可以通過在線導師系統或自適應系統實時提供給學習者，以指導學生的科學學習[16，17]。

盡管機器學習在在線科學探究中具有巨大的潛力，但目前仍缺少關于機器學習在在線科學探究中應用的系統回顧。Zhai等人的研究綜述了機器學習在科學評估中的應用，系統分析了應用于科學評估的機器學習的技術特征、機器學習算法有效性的評估方法以及在科學評估中應用機器學習算法的教學特點[18]。但Zhai等人綜述的研究范圍為所有使用了機器學習進行科學評估的研究，而沒有關注在具體探究過程中機器學習是如何發揮作用的。本研究則將焦點集中在使用機器學習為在線科學探究活動提供支持的研究上。目前，國內在在線科學探究領域應用機器學習的研究較少，以科學探究和機器學習相關關鍵詞的組合在知網檢索時得到的中文文獻數量屈指可數。因此，有必要對國外相關研究進行綜述，分析機器學習在在線科學探究中發揮的作用及具體應用，以期為國內實施相關研究和教學提供指導。本研究對檢索出的近十年相關文獻24篇英文文獻進行系統回顧，并提出以下兩個研究問題：

1）機器學習應用于在線科學探究的哪些方面？發揮了什么作用？

2）在線科學探究中采用了哪些類型的機器學習算法？算法的有效性如何？

1 ?研究方法

1.1 ?文獻來源

為研究當前機器學習應用于在線科學探究的發展趨勢，本研究在Eric、ScienceDirect和Web of Science三個英文數據庫檢索了2012—2022近十年的相關研究。研究檢索關鍵詞為“Scienceinquiry”“Computer-supportedinquirylearning”“Web-basedinquirylearning”

“Virtual science inquiry”“Scientificargumentation”

“machine learning”“automatic scoring”“automatic guidance”和“automatic feedback”，將以上關鍵詞用“And”或“OR”進行組合在數據庫中進行檢索并將語言限定為英語，最終得到文獻636篇。研究者根據指定的納入/排除標準對文獻進行篩選，標準如表1所示。

首先，研究者使用Endnote X9軟件排除了59篇重復文獻。然后使用納入/排除標準篩選了剩余577篇文獻的標題和摘要，并最終保留了55篇文獻。之后，通過閱讀全文進一步排除了36篇不合格的文獻。為擴大樣本的代表性，在關鍵詞檢索的基礎上使用滾雪球的方法追加檢索結果，最終納入24篇文獻，文獻檢索和篩選流程如圖1所示。

1.2 ?文獻編碼方案

在使用納入/排除標準篩選出最終納入文獻之后，研究者對這24篇文獻進行了編碼分析。在快速閱讀摘要和分析文獻框架的基礎上，本研究編碼了納入文獻的基本信息，包括文獻的作者、發表時間、地區、教育水平、在線科學探究任務的探究主題和探究平臺、開發和部署機器學習算法的程序/工具。然后，針對第一個研究問題，編碼了機器學習在在線科學探究中應用范圍及發揮的作用。最后，針對第二個研究問題，編碼了研究中應用的具體的機器學習算法和評估算法有效性的標準。

2 ?研究結果

2.1 ?文獻基本信息

本研究統計了篩選出的24篇文獻的基本信息，如表2所示。

由表2可知，在在線科學探究任務中應用機器學習的研究集中于少數團隊。例如，文獻[1]、[4]、[6]、[7]是美國伍斯特理工學院學習科學與技術項目的Gobert團隊的研究，該團隊的主要研究內容是使用機器學習分析學生的日志行為數據為探究過程提供支持；文獻[15]、[16]、[18]、[23]和[24]是美國教育考試服務中心和康科德集團的合作團隊Lee團隊的研究，該團隊的研究方向是為學生的科學論證提供自動評分和自動反饋。其他還有中國臺灣國立政治大學Chen的團隊、加拿大不列顛哥倫比亞大學Fratamico的團隊等。此外，這些研究大多數是美國的科研機構，占總研究數量的79.2%。研究對象的教育階段大多集中在中學，占總研究數量的62.5%，而涉及小學階段的僅有3項。應用機器學習技術的在線科學探究任務的主題更多地集中在物理學科，一種可能的原因是物理相比于其他學科具有更多的線性因果結構，使得對學生探究技能的評估更加簡單[20]。

在24項研究中共使用了12個探究平臺開展探究任務。其中使用最多的通用探究平臺是WISE（Web-based Inquiry Science Environment）。WISE平臺是由美國加利福尼亞大學伯克利分校Marcia.C.Linn主持的科學教育和教育技術研究團隊在美國國家科學基金會NSF（National Science Foundation）的資助下開發[41]。WISE有50多個免費的開放式科學探究學習任務，提供各種探究工具幫助學習者以自主探究的方式學習科學知識，同時WISE為教師提供了各種易操作的工具幫助教師監督學生的學習情況、管理學生的學習活動等。WISE系統集成了由ETS開發的c-rater-ML工具，可以利用機器學習為學生提供自動評分與反饋。2015年，華南師范大學對該平臺進行了漢化，并被國內多項開展在線科學探究的研究使用[42]。

2.2 ?機器學習的應用

在對回顧的24篇文獻編碼后發現，機器學習主要應用于在線科學探究過程中學生的行為數據分析和學生提交的科學論證文本的自動評分和反饋。

2.2.1 ?在線探究過程學生行為數據分析

基于計算機的在線探究環境可以自動實時記錄學生的行為，由于這些日志文件是在學生探究過程中生成的，因此可以根據這些探究行為對探究生成的結果和學生的探究技能進行評估。在回顧的24篇文獻中有12篇文獻使用機器學習算法處理學生在探究過程中生成的行為數據。其中，Gobert團隊的研究使用機器學習算法對學生行為進行預測，研究開發了基于機器學習的探測器，該探測器通過對日志行為數據的分析判斷學生是否在正常進行實驗并對行為進行預測，以期在學生出現偏離探究實驗軌道的行為時，為學生提供幫助使其專注于探究任務[13，21，23，24]。Chen等人的研究使用機器學習識別影響學生學習成績的關鍵行為序列，研究在CWISE平臺中嵌入基于xAPI（體驗應用程序編程接口）的學習記錄存儲模塊，以記錄有關學生學習過程的詳細數據，并使用序列挖掘算法分析這些行為數據，識別不同學習成績和探究能力的學習者的學習行為[24，27]。Baker等人的研究使用機器學習中的分類算法開發了與教育相關的無傳感器情感模型，將探究行為分類為無聊、困惑、喜悅、專注和沮喪五種情感狀態，檢查與特定情感狀態最密切相關的行為，通過為學生提供自適應個性化指導提高學生參與度和學習能力[20]。

2.2.2 ?科學論證文本的自動評分與反饋

在24篇文獻中，還有12篇文獻利用機器學習處理學生在探究過程中生成的文本數據。在科學探究過程的最后階段，對科學現象做出解釋或對自己的猜想進行論證是一種重要的探究產出，用以評估學生對科學現象的理解程度。機器學習的一個重要作用就是對解釋或論證的文本進行自動評分并提供與分數相對應的自動反饋。自動評分不但可以節省時間和精力、減少人工評分過程中的錯誤和偏見，而且可以實現實時不斷的連續評分，這時使用人工評分很難達到的效果。例如，Lee團隊的研究為學生的論證提供自動評分與反饋，研究結果顯示，自動評分與自動反饋能夠促進學生的修訂行為，提高學生的論證成績[31，32]。除對解釋和論證文本進行自動評分外，Sung等人的研究還使用機器學習對學生的熱力學回答進行多標簽文本分類以快速評估學生的思維方式[38]，在在線學習環境的認知科學領域取得了新進展。在小組合作的在線探究環境中，小組內還會產生一些交流的文本數據，Xing和Zhu等人的研究建立了機器學習模型來自動識別協作環境中產生的大規模的變革性和非變革性討論，旨在發現小組內的哪些討論有助于科學學習[35，36]。

2.3 ?算法及有效性評估

2.3.1 ?在線科學探究中應用的機器學習算法

基于機器學習的算法可以分為有監督、無監督或半監督，具體取決于訓練算法的數據集使用、不使用或部分使用人類專家標簽/分數。表3顯示了24篇文獻中各類算法的使用情況。應用于在線科學探究任務的機器學習算法中，主要使用的是有監督的機器學習算法和無監督的機器學習算法。

對于有監督的機器學習，首先機器從人工標記過的數據中學習，建立算法模型，然后使用該模型推斷并做出決策。因為訓練數據提供標簽并包含機器學習算法要學習的模式，因此被稱為有監督的機器學習。在24項研究中，有19項研究使用了有監督的機器學習，占總研究數量的79.2%。其中回歸算法使用最為廣泛。在回歸中SVR（support vector regression）是使用最多的一種回歸算法。SVR基于機器學習技術，是專門用于處理具有大量相關預測變量的大型數據集的統計分析方法。ETS開發的自動評分工具c-rater-ML就是使用SVR來建立學生回答與分數之間的關系模型，并識別從文本回答到分數之間的映射。

與有監督的機器學習不同，無監督的機器學習不需要標記數據來訓練機器，因此它減少了人力花費。使用無監督的機器學習方法，機器可以根據個別案例特征的共性和差異識別數據集中的潛在結構、分布或模式，以構建算法。在24項研究中有6項研究使用了無監督的機器學習方法，占總研究數量的25%。其中，5項研究使用無監督機器學習方法進行序列挖掘。這些研究希望從學生的日志數據中挖掘出探究的有效行為，以期為學生提供支持。在這5項研究中有3項研究使用的是K-means聚類算法，K-mans以空間中k個點為形心進行聚類，對最靠近他們的對象歸類，通過迭代的方法，逐次更新各簇的形心的值，直至得到最好的聚類結果，是最經典的基于劃分的聚類方法。例如，Fratamico等人的研究根據交互日志對學生的行為進行聚類，以識別具有相似行為的學生[27]。Chen等人的研究使用聚類算法挖掘出學生探究過程中發生頻率足夠高的行為，分析這些行為和學習績效之間的關系，以預測學生的成績[28，37]。此外，1項研究使用了Bert深度學習方法。Sung等人的研究使用Bert實現了在科學教育的自動化評估中對學生的書面回答進行多標簽分類，以識別學生不同的思維方式，相比于傳統的機器學習方法SVM取得了更好的分類效果[38]。

半監督的機器學習是指一部分訓練數據被標記，另一部分未標記。半監督的機器學習可用于分析輸入數據的結構或預測未標記數據中的模式。由于半監督機器學習提高了無監督機器學習的準確性，并克服了為有監督的機器學習準備數據的時間和成本負擔，因此它具有很大的潛力。但在本研究篩選出來的24項研究中，沒有使用半監督的機器學習算法。

2.3.2 ?算法的有效性

機器學習中需要評估算法的有效性，即機器為測試數據分配的分數在多大程度上接近人類專家生成的分數。在某種程度上，人類分配的分數被視為評估機器學習性能的“金標準”[16]。在回顧的24篇文獻中，機器學習算法的有效性主要依據以下指標進行評估：

1）科恩的kappa值[13]。在24篇文獻中，使用最多的有效性指標是科恩的kappa值，有9項研究使用了這一指標。科恩的kappa值范圍在-1.0～1.0之間，用于評估機器學習研究中機器分配的分數和人工分配的分數之間的一致程度或可比性。Kappa值為1，說明對于每個回答，機器評分與人工評分是完全一致的，不存在偶然的一致；值為0表示機器評分和人工評分之間的所有一致性都是偶然的；值為負數表示機器評分和人工評分之間的一致性比偶然一致更差。一般認為，科恩的kappa值大于0.75表示人機一致性好，0.40～0.75之間表示人機一致性尚可，小于0.4則表示人機一致性較差[43]。在使用了這一指標的9篇文獻中，7篇文獻中的使用算法的kappa值在0.41～0.702，只有2項研究的kappa值低于0.4，及大部分機器學習算法的人機一致性取得了令人尚能滿意的結果。

2）精確率[13]。精確率指正樣本被預測正確的比率，該指標表示機器識別標記數據的有效性。有7項研究使用的有效性指標是精確率。在使用了這一指標的研究中，精確率值在0.7～0.95之間。

3）二次加權的kappa值（QWK）[39]。QWK根據編碼員之間的分歧程度，為不同的分歧分配不同的權重，QWK假設變量是在區間尺度上測量的，不適用于名義數據。在使用了這一指標的研究中，精確率值在0.7～0.9之間。

4）A[23]。A是指當給定兩個樣本，一個標記為正樣本，一個標記為負樣本，機器能夠正確識別每個樣本的概率。A的偶然值為0.5。有5項研究使用的有效性指標是A。在使用了這一指標的研究中，精確率值在0.56～0.94之間。

5）召回率[13]。召回率是指預測為正樣本的樣本中，正確的比例，該指標表示機器識別標簽數據的完整程度。有4項研究使用的有效性指標是召回率。在使用了這一指標的研究中，精確率值在0.46～0.94之間。

6）皮爾遜系數r [32]。皮爾遜系數r指機器評分與人工評分之間的皮爾遜相關性，但皮爾遜相關僅適用于區間或比率數據，并不適用于所有研究。有3項研究使用的有效性指標是皮爾遜系數r。在使用了這一指標的研究中，精確率值在0.7～0.72之間。

7）支持度[28]。支持度是評估序列挖掘算法的重要指標，必須設置最小支持度，才能挖掘高于最小支持度的最大順序模式。有3項研究使用的有效性指標是支持度。在使用了這一指標的研究中，精確率值在0.43～0.79之間。

這些指標通常用于機器學習，以相互補充，并測量機器性能的不同方面[18]。

3 ?結論與未來展望

機器學習在在線科學探究中具有巨大的應用潛力。文獻綜述結果表明，當前研究界已經開展了機器學習支持在線科學探究學習的探索，但研究仍處于起步階段，研究團隊相對集中。同時，當前研究仍較少關注低年齡段群體，且多局限在物理和地球科學學科，未有在更多樣的科學學科中進行廣泛開展與驗證。在具體的應用方面，機器學習主要被用來進行行為分析、識別和預測，以及建構類文本的自動評分。在適應性的過程支持、資源推薦、路徑導航、個性化反饋方面還未有深入探索。在具體的算法應用中，機器學習算法使用還相對單一，大量研究使用了有監督的機器學習算法，少量研究使用了無監督的機器學習算法，且大多取得了較好的效果，但半監督的機器學習算法卻沒有得到很好的應用。

為更好地指導我國研究者和一線教育工作者進行科學教育，本研究在總結以往研究的基礎上提出以下展望。

3.1 ?挖掘機器學習應用于在線科學探究的綜合支撐潛力

以往的研究已經發現了機器學習在幫助教師監控學生行為、自動指導和提供反饋上具有巨大的潛力[18]。但目前在機器學習應用于在線科學探究的相關研究中，機器學習技術在探究任務中只發揮一種作用，例如識別“跑題”行為或自動評分。很少有研究使用機器學習在探究的各個過程中為學生提供支持。未來的研究可以考慮開發智能系統，將多個機器學習算法集成在智能系統中，在多個方面為學生提供幫助。例如在探究過程中通過識別日志數據給遇到困難的學生提供支持，并在學生提交建構式答案后進行自動評分并結合學生的日志行為數據提供即時的個性化反饋。此外，目前大多數研究將機器學習的應用集中于在科學探究過程中生成的文本的識別和分類，例如對解釋和論證進行評分。還需要更多的研究探索學生的在探究過程中情緒、表現、信心等，以提升機器學習的教學潛力。最后，現有機器學習模型在在線科學探究任務中的表現仍有待提升。當前研究中訓練樣本較少可能是影響模型有效性的原因之一，未來研究中可以考慮收集數量更多、代表學生群體更廣泛的數據對模型進行訓練以提升模型精度。

3.2 ?提升機器學習在在線科學探究中的可遷移性

遷移學習是機器學習的一個研究方向，主要研究如何將在一個任務上面學習到的知識遷移到另一個任務上，以提高機器學習模型的泛化性能。目前，在線科學探究中應用機器學習研究的探究主題較為集中，這主要是因為機器學習的可遷移性較差。例如，Lee的團隊的5項研究就將機器學習應用主題限定在了地球科學，而沒有討論其模型在其他領域的應用。他們的研究中也指出研究中提出的機器學習模型只適用于本研究的探究主題，要探究模型在其他主題上的表現則需要更多的研究。但Gobert團隊的研究將在物理主題中開發的基于機器學習方法的探測器應用于生態學主題，探測器表現出了令人滿意的有效性。這說明盡管探究主題之間可能有不同程度的復雜關系，但開發可遷移的機器學習模型是可能實現的。因此，未來的研究中應有更多的研究者開發高性能的通用模型，提升模型的遷移能力，拓展機器學習在在線科學探究中的應用領域。

3.3 ?加大我國在在線科學探究中應用機器學習的研究力度

目前，我國機器學習技術較為成熟，在線科學探究的研究起步較晚但發展快速[44]，但在在線科學探究中應用機器學習的研究相對較少。實現K-12框架[45]和NGSS[46]中指定的評估目標的最大挑戰之一是開發利用復雜結構的評估任務，如實踐中的認知能力，并在教學中應用評估[47]。在教學實踐中，這種復雜的評估任務通常需要花費教師大量時間和精力，如果沒有自動化評分等技術的參與，這一挑戰不太可能得到完成[48]。因此，我國研究者需要在借鑒國外在線科學探究領域應用機器學習的基礎上，使用機器學習的自動化促進我國科學教育改革，幫助教師更好實施科學教學，提升學生科學學習效果。此外，目前國外相關研究在小學階段的較少，但小學科學教育在培養國民科學素養方面有著不可替代的作用，它不僅能夠幫助學生正確認識周圍世界，適應學生和生活的需要，還能夠幫助學生培養從小獨立思考的習慣和勇于創造的意識[49]。且根據皮亞杰的認知發展理論，小學生處于具體運算階段，其思維活動需要更多的支持。因此在我國未來的相關研究中，要加大利用機器學習自動化為小學生的在線科學探究學習提供支持的研究力度，助力提升小學生科學素養。

4 ?結 ?論

機器學習近年來在在線科學探究的教學活動中發揮了重要作用，將機器學習與在線科學探究活動進行深度融合也是未來科學教育的發展趨勢。本文通過對眾多研究工作的回顧和分析，對機器學習在在線科學探究中的應用進行了分類梳理，總結了在在線科學探究中常見的機器學習方法及算法有效性評估指標。最后本文對我國未來機器學習在在線科學探究中的應用做出了未來展望。可以預見，機器學習在在線科學探究中越來越廣泛地應用，能夠顯著提升教師的教學效率和學生的科學學習水平。

參考文獻：

[1] AULIA E，AULIA E V. Improving Science Literacy Skills for High School Students Through Guided Inquiry-Based Learning [C]//Proceedings of the Mathematics，Informatics，Science，and Education International Conference （MISEIC 2019）.Surabaya：ATLANTIS PRESS，2019：124-128.

[2] 凌浩.基于科學探究的科技館科普教育活動研究與實踐 [J].科技風，2022（11）：37-39.

[3] MARX R W，BLUMENFELD P C，KRAJCIK J S，et al. Inquiry-based science in the middle grades： assessment of learning in urban systemic reform [J].Journal of Research in Science Teaching，2004，41（10），1063-1080.

[4] 董耀，孫偉軍，朱行建.要讓學生經歷完整的科學探究過程——對“牛頓第一定律”教學的思考 [J].物理教學，2021，43（10）：47-49+16.

[5] JUSTIN D，UMESH R. The Effect of Simulation-Supported Inquiry on South African Natural Sciences Learners Understanding of Atomic and Molecular Structures [J]. Education Sciences，2020，10（10） ：280-280.

[6] Al-BALUSHI S M，Al-MUSAWI A S，AMBUSAIDI A K，et al. The Effectiveness of Interacting with Scientific Animations in Chemistry Using Mobile Devices on Grade 12 Students Spatial Ability and Scientific Reasoning Skills [J].Journal of Science Education and Technology，2017，26（1） ：70-81.

[7] JUANA W，RONG R，ZHUO W，et al. Integrating spherical video-based virtual reality into elementary school students scientific inquiry instruction：effects on their problem-solving performance [J].Interactive Learning Environments，2019，29（3） ：1-14.

[8] ANDUJAR J M，MEJIAS A，MARQUEZ M A. Augmented Reality for the Improvement of Remote Laboratories：An Augmented Remote Laboratory [J].IEEE Transactions on Education，2011，54（3） ：492-500.

[9] DONNELLY D F，LINN M C ，LUDVIGSEN S. Impacts and characteristics of computer-based science inquiry learning environments for precollege students [J].Review of Educational Research ，2014，84（4）：572-608.

[10] JOOLINGEN R V W，JONG D T，DIMITRAKOPOULOU A. Issues in computer supported inquiry learning in science [J].Journal of Computer Assisted Learning，2007，23（2）：111-119.

[11] SWAAK J，JONG D T. Discovery simulations and the assessment of intuitive knowledge [J].Journal of Computer Assisted Learning，2001，17（3）：284-294.

[12] VITALE J M，LAI K，LINN M C. Taking advantage of automated assessment of student-constructed graphs in science [J].Journal of Research in Science Teaching，2015，52（10），1426-1450.

[13] GOBERT J D，PEDRO S M，RAZIUDDIN J，et al. From Log Files to Assessment Metrics：Measuring Students' Science Inquiry Skills Using Educational Data Mining [J].Journal of the Learning Sciences，2013，22（4） ：521-563.

[14] KUECHLER W L，SIMKIN M G. Why is performance on multiple-choice tests and constructed-response tests not more closely related？ Theory and an empirical test [J]. Decision Sciences Journal of Innovative Education，2010，8（1），55-73.

[15] RAMLA G，S?BASTIEN O，CLAUDE F. LewiSpace： an Exploratory Study with a Machine Learning Model in an Educational Game [J].Journal of Education and Training Studies，2015，4（1） ：192-201.

[16] CHRISTOPHER M N，SYTIL K M，MICHAEL G C，et al. Automated analysis of short responses in an interactive synthetic tutoring system for introductory physics [J/OL].Physical Review Physics Education Research，2016，12（1） ：010122（2016-03-16）.https： //journals.aps.org/prper/abstract/10.1103/PhysRevPhysEducRes.12.010122.

[17] TANSOMBOON C，GERARD L F，VITALE J M，et al. Designing Automated Guidance to Promote Productive Revision of Science Explanations [J].International Journal of Artificial Intelligence in Education，2017，27（4），729-757.

[18] ZHAI X M，YIN Y，PELLEGRINO J W，et al. Applying machine learning in science assessment： a systematic review [J].Studies in Science Education，2020，56（1）：111-151.

[19] TING C Y，CHEAH W N，HO C C. 2013. Student Engagement Modeling Using Bayesian Networks [C]//2013 IEEE International Conference on Systems， Man， and Cybernetics.Manchester：2013：2939-2944.

[20] BAKER R S，OCUMPAUGH J，GOWDA S M，et al. Extending Log-Based Affect Detection to a Multi-User Virtual Environment for Science [C]//User Modeling， Adaptation， and Personalization（UMAP）.Springer：2014，290-300.

[21] PEDRO M S ，GOBERT J D，BETTS C G. Towards Scalable Assessment of Performance-Based Skills： Generalizing a Detector of Systematic Science Inquiry to a Simulation with a Complex Structure [C]//Intelligent Tutoring Systems（ITS）.Honolulu：Springer：2014：591-600.

[22] DONNELLY D F，VITALE1 J M，LINN M C. Automated Guidance for Thermodynamics Essays： Critiquing Versus Revisiting [J].Journal of Science Education and Technology，2015，24（6）：861-874.

[23] GOBERT J D，BAKER R S，WIXON M B. Operationalizing and Detecting Disengagement Within Online Science Microworlds [J].Educational Psychologist，2015，50（1）：43-57.

[24] GOBERT J D，KIM Y J，SAO P M A，et al. Using educational data mining to assess students skills at designing and conducting experiments within a complex systems microworld [J].Thinking Skills and Creativity，2015，18 ：81-90.

[25] GWEON G H，LEE H S，FINZER W. Measuring systematcity of students' experimentation in an open-ended simulation environment from logging data [C]//the Annual Meeting of the American Educational Research Association.2016.

[26] VITALE M J，MCBRIDE E，LINN M C. Distinguishing complex ideas about climate change： knowledge integration vs. specific guidance [J].International Journal of Science Education，2016，38（9）：1548-1569.

[27] FRATAMICO L，CONATI C，KARDAN S，et al. Applying a Framework for Student Modeling in Exploratory Learning Environments： Comparing Data Representation Granularity to Handle Environment Complexity [J].International Journal of Artificial Intelligence in Education，2017，27（2） ：320-352.

[28] LIN F C，CHEN C M，WANG W F. Learning Process Analysis Based on Sequential Pattern Mining and Lag Sequential Analysis in a Web-Based Inquiry Science Environment [C]//2017 6th IIAI International Congress on Advanced Applied Informatics （IIAI-AAI）. Hamamatsu：IEEE，2017：655-660.

[29] PEREZ S，MASSEY-ALLARD J，BUTLER D，et al. Identifying Productive Inquiry in Virtual Labs Using Sequence Mining [C]//Artificial Intelligence in Education（AIED）.Cham：Springer，2017，287-298.

[30] ROWE E，ASBELL-CLARKE J，BAKER R S，et al. Assessing implicit science learning in digital games [J].Computers in Human Behavior，2017，76 ：617-630.

[31] ZHU M X，LEE H S，WANG T，et al. Investigating the impact of automated feedback on students scientific argumentation [J].International Journal of Science Education，2017，39（12） ：1648-1668.

[32] MAO L Y，LIU O L，ROOHR K，et al. Validation of Automated Scoring for a Formative Assessment that Employs Scientific Argumentation [J].Educational Assessment，2018，23（2）：121-138.

[33] GERARD L，KIDRON A ，LINN M C. Guiding collaborative revision of science explanations [J].International Journal of Computer-Supported Collaborative，2019，14（2） ：291-324.

[34] LEE H L，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.

[35] XING W L，POPOV V，ZHU G X，et al. The effects of transformative and non-transformative discourse on individual performance in collaborative-inquiry learning [J].Computers in Human Behavior，2019，98：267-276.

[36] ZHU G X，XING W，VITALIY POPOV V. Uncovering the sequential patterns in transformative and non-transformative discourse during collaborative inquiry learning [J].The Internet and Higher Education，2019，41 ：51-61.

[37] CHEN C M，WANG W F.Mining Effective Learning Behaviors in a Web-Based Inquiry Science Environment [J].Journal of Science Education and Technology，2020，29：1-17.

[38] SUNG S H，LI C L，CHEN G H，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，2020，30：1-17.

[39] ZHU M X，LIU O L，LEE H S. The effect of automated feedback on revision behavior and learning gains in formative assessment of scientific argument writing [J/OL].Computers & Education，2020，143（C） ：103668（2019-08-19）.https： //www.sciencedirect.com/science/article/abs/pii/S0360131519302210.

[40] LEE H S，GWEON G H，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，2021，30：168–192.

[41] 吳偉，趙陽陽，熊耀華.基于網絡的科學探究教學：來自WISE的啟示 [J].外國中小學教育，2011（2）：33-37.

[42] 張新華，劉美博，容梅.WISE項目移植于我國科學教學的實踐探索 [J].中國教育信息化，2018（10）：23-28+50.

[43] YANG Y W，BUCKENDAHL C W，JUSZKIEWICZ P J，et al. A Review of Strategies for Validating Computer-Automated Scoring [J].Applied Measurement in Education，2010，15（4）：391-412.

[44] 吳華君，陳其鐵，何聚厚.國內虛擬實驗研究的知識圖景及態勢展望——基于近二十年文獻計量的視角 [J].數字教育，2022，8（2）：10-19.

[45] National Research Council. A Framework for K-12 Science Education： Practices， Crosscutting Concepts， and Core Ideas ?[M].Washington，DC：The National Academies Press，2012.

[46] National Research Council. Next generation science standards： for states， by states [M].Washington，DC：The National Academies Press，2013.

[47] ERDURAN S. Developing assessments for the next generation science standards [J].Assessment in Education：Principles，Policy & Practice，2018，25（2）：224-226.

[48] BENNETT R E. Educational Assessment： What to Watch in a Rapidly Changing World [J].Educational Measurement：Issues and Practice，2018，37（4）：7-15.

[49] 楊曉鵬，梁芳，余翔.小學科學教育“低谷”現象探析——以南昌市部分小學為例 [J].教育導刊，2010（6）：80-82.

作者簡介：孫社兵（1996—），女，漢族，河南濮陽人，碩士在讀，研究方向：教育數據挖掘；通訊作者：張巧榮（1978—），女，漢族，河南鄭州人，副教授、碩士生導師，博士，研究方向：數字圖像處理、人工智能；李田茖（2001—），女，漢族，河南鄭州人，本科在讀，研究方向：教育數據可視化。