智能技術(shù)賦能虛擬科學(xué)探究學(xué)習(xí)過(guò)程評(píng)價(jià)與適應(yīng)性反饋研究

[摘 ? 要] 虛擬科學(xué)探究學(xué)習(xí)過(guò)程的自動(dòng)評(píng)價(jià)和適應(yīng)性反饋是提升探究學(xué)習(xí)效果的重要支撐手段。研究首先從虛擬科學(xué)探究學(xué)習(xí)過(guò)程要素表征和分析模型、自動(dòng)分析與實(shí)時(shí)評(píng)價(jià)、適應(yīng)性反饋三個(gè)方面概述了智能技術(shù)在虛擬科學(xué)探究學(xué)習(xí)中的應(yīng)用現(xiàn)狀，總結(jié)了當(dāng)前技術(shù)應(yīng)用面臨的深層次探究要素表征難、不確定探究過(guò)程刻畫(huà)難、適應(yīng)性反饋生成難等現(xiàn)實(shí)挑戰(zhàn)。其次，在此基礎(chǔ)上，提出了基于活動(dòng)流的底層計(jì)算模型構(gòu)建、復(fù)雜探究過(guò)程動(dòng)態(tài)監(jiān)測(cè)與自動(dòng)評(píng)價(jià)、可解釋性歸因的自適應(yīng)反饋內(nèi)容生成三個(gè)關(guān)鍵技術(shù)。再次，基于關(guān)鍵技術(shù)設(shè)計(jì)了虛擬科學(xué)實(shí)驗(yàn)自主探究學(xué)習(xí)平臺(tái)的技術(shù)架構(gòu)。最后，研究總結(jié)了當(dāng)前研究的創(chuàng)新之處并提出未來(lái)建議，為智能技術(shù)賦能虛擬科學(xué)探究學(xué)習(xí)領(lǐng)域開(kāi)展更深入的技術(shù)探索提供有益參考。

[關(guān)鍵詞] 智能技術(shù)； 虛擬科學(xué)探究學(xué)習(xí)； 過(guò)程評(píng)價(jià)； 適應(yīng)性反饋； 平臺(tái)設(shè)計(jì)

[中圖分類(lèi)號(hào)] G434 ? ? ? ? ? ?[文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 鄭婭峰（1979—），女，河南洛陽(yáng)人。研究員，博士，主要從事在線(xiàn)學(xué)習(xí)分析、教育數(shù)據(jù)挖掘、人工智能賦能科學(xué)教育研究。E-mail：zhengyafeng@bnu.edu.cn。

一、引 ? 言

讓學(xué)生參與科學(xué)探究學(xué)習(xí)是當(dāng)前全球科學(xué)教育改革的核心[1]，是實(shí)現(xiàn)我國(guó)基礎(chǔ)科學(xué)教育目標(biāo)和公民科學(xué)素養(yǎng)提升的關(guān)鍵路徑。近年來(lái)，基于計(jì)算機(jī)仿真等虛擬實(shí)驗(yàn)環(huán)境開(kāi)展科學(xué)探究學(xué)習(xí)（簡(jiǎn)稱(chēng)“虛擬科學(xué)探究學(xué)習(xí)”）成為國(guó)際科學(xué)教育發(fā)展的重要趨勢(shì)。然而，實(shí)現(xiàn)高質(zhì)量虛擬科學(xué)探究學(xué)習(xí)并非易事[2]。虛擬科學(xué)探究學(xué)習(xí)具有環(huán)境復(fù)雜度高、教學(xué)交互度強(qiáng)和學(xué)習(xí)路徑開(kāi)放等特征，使得學(xué)生在虛擬科學(xué)探究學(xué)習(xí)中存在實(shí)驗(yàn)資源利用率低、學(xué)習(xí)投入不足、學(xué)習(xí)體驗(yàn)不佳等現(xiàn)實(shí)問(wèn)題[3]。

已有研究表明，采用智能技術(shù)對(duì)科學(xué)探究學(xué)習(xí)中學(xué)生的探究行為、認(rèn)知水平、情感態(tài)度等深度學(xué)習(xí)要素進(jìn)行實(shí)時(shí)監(jiān)控和問(wèn)題診斷，并提供及時(shí)的個(gè)性化反饋，可以有效提升學(xué)生實(shí)驗(yàn)技能、學(xué)習(xí)興趣和學(xué)習(xí)效果[4]，但國(guó)內(nèi)外尚無(wú)在虛擬探究學(xué)習(xí)領(lǐng)域的系統(tǒng)化研究。因此，本研究通過(guò)對(duì)虛擬科學(xué)探究學(xué)習(xí)進(jìn)行現(xiàn)狀和現(xiàn)實(shí)挑戰(zhàn)的分析，提出解決問(wèn)題的關(guān)鍵技術(shù)方案。并以此為依托，自主研制“小水滴虛擬科學(xué)實(shí)驗(yàn)自主探究學(xué)習(xí)平臺(tái)”，為該領(lǐng)域開(kāi)展更深入的技術(shù)探索提供有益參考。

二、研究現(xiàn)狀

（一）虛擬科學(xué)探究學(xué)習(xí)過(guò)程的要素表征和分析模型研究

針對(duì)虛擬科學(xué)探究學(xué)習(xí)復(fù)雜的交互過(guò)程，構(gòu)建有效的過(guò)程分析模型是準(zhǔn)確理解學(xué)生探究學(xué)習(xí)中技能習(xí)得、認(rèn)知發(fā)展和情感狀態(tài)的基礎(chǔ)。現(xiàn)有針對(duì)科學(xué)探究學(xué)習(xí)的理論模型多集中在探究能力評(píng)價(jià)模型，常采用描述性語(yǔ)言構(gòu)建總結(jié)性評(píng)價(jià)體系[5]。如李春密等從科學(xué)內(nèi)容、科學(xué)過(guò)程和科學(xué)品質(zhì)三個(gè)維度構(gòu)建了包含科學(xué)現(xiàn)象、科學(xué)概念、提出問(wèn)題、深刻性、靈活性等15個(gè)二級(jí)因子[6]。李英明構(gòu)建了包括知識(shí)與技能、科學(xué)探究過(guò)程、情感態(tài)度與價(jià)值觀3個(gè)一級(jí)維度以及學(xué)科知識(shí)、實(shí)驗(yàn)技能、探索調(diào)查等11個(gè)二級(jí)維度的理論模型[7]。盡管現(xiàn)有研究基于科學(xué)探究表現(xiàn)構(gòu)建了比較全面的探究能力評(píng)價(jià)維度，但由于分析維度主要采用了描述性語(yǔ)言刻畫(huà)，適用于領(lǐng)域?qū)＜胰斯ぞ幋a和評(píng)價(jià)，難以客觀描述科學(xué)探究行為的動(dòng)態(tài)變化過(guò)程。因而無(wú)法對(duì)虛擬科學(xué)探究學(xué)習(xí)過(guò)程進(jìn)行定量、連續(xù)和伴隨式的實(shí)時(shí)自動(dòng)刻畫(huà)[8]。

近年來(lái)，部分學(xué)者針對(duì)學(xué)生科學(xué)建模、實(shí)驗(yàn)操作和科學(xué)論證等關(guān)鍵環(huán)節(jié)的行為特征，提取關(guān)鍵過(guò)程要素進(jìn)行自動(dòng)化建模研究[9]。如Mulder等人基于學(xué)生科學(xué)建模過(guò)程的日志數(shù)據(jù)，從變量命名、關(guān)系設(shè)置和類(lèi)型選擇等要素對(duì)科學(xué)建模質(zhì)量進(jìn)行自動(dòng)化評(píng)價(jià)[10]。Jiang等人將虛擬環(huán)境中的實(shí)驗(yàn)技能刻畫(huà)為實(shí)驗(yàn)設(shè)置、觀察和證據(jù)記錄三個(gè)要素，并具體化了要素涉及的移動(dòng)溫度計(jì)、保存圖片等9種實(shí)驗(yàn)操作行為[9]。針對(duì)科學(xué)論證環(huán)節(jié)，Mao等人構(gòu)建了科學(xué)聲明、證據(jù)解釋、不確定性評(píng)級(jí)和不確定性推理四個(gè)分析要素[11]。但是這些模型大多只針對(duì)虛擬科學(xué)探究學(xué)習(xí)的單一環(huán)節(jié)，缺少虛擬科學(xué)探究學(xué)習(xí)全過(guò)程、內(nèi)隱特征要素的全面刻畫(huà)。

（二）智能技術(shù)賦能虛擬科學(xué)探究學(xué)習(xí)過(guò)程自動(dòng)分析與評(píng)價(jià)

與一般在線(xiàn)學(xué)習(xí)系統(tǒng)遵循固定學(xué)習(xí)流程不同，虛擬科學(xué)探究學(xué)習(xí)具有開(kāi)放性、自主性的特征，學(xué)習(xí)路徑具有不確定性，探究行為和學(xué)習(xí)產(chǎn)出都表現(xiàn)出明顯個(gè)體差異性，因而虛擬科學(xué)探究過(guò)程難以通過(guò)傳統(tǒng)統(tǒng)計(jì)分析方法精準(zhǔn)分析和評(píng)價(jià)[12]。

機(jī)器學(xué)習(xí)（ML）算法在識(shí)別和檢測(cè)學(xué)生科學(xué)探究中復(fù)雜的行為、認(rèn)知和情感狀態(tài)的潛力已經(jīng)受到部分研究者的關(guān)注[13]。當(dāng)前ML算法主要用于分析虛擬科學(xué)探究學(xué)習(xí)中仿真實(shí)驗(yàn)操作和科學(xué)論證環(huán)節(jié)。其中，仿真實(shí)驗(yàn)操作分析主要是基于大量學(xué)生與實(shí)驗(yàn)系統(tǒng)交互的行為操作和探究軌跡，利用樣本熵等方法對(duì)學(xué)生的實(shí)驗(yàn)操作正確性[14]、仿真實(shí)驗(yàn)行為模式[15]等進(jìn)行實(shí)時(shí)分析與診斷，有效識(shí)別出學(xué)生的實(shí)驗(yàn)技能水平或認(rèn)知狀態(tài)。科學(xué)論證過(guò)程分析與評(píng)估主要采用文本自動(dòng)評(píng)分技術(shù)對(duì)論證文本實(shí)現(xiàn)自動(dòng)評(píng)價(jià)。目前，常用科學(xué)論證文本評(píng)分技術(shù)包括支持向量回歸（SVR）、支持向量機(jī)（SVM）、決策樹(shù)（DT）等機(jī)器學(xué)習(xí)方法。如著名的ETS（Educational Testing Service）機(jī)構(gòu)開(kāi)發(fā)的c-rater-ML就使用SVR技術(shù)對(duì)學(xué)生的論證文本和分?jǐn)?shù)映射關(guān)系進(jìn)行建模，并得到廣泛應(yīng)用[16]。此外，鑒于學(xué)習(xí)情感和態(tài)度是影響探究學(xué)習(xí)效果和高階思維能力的重要因素，基于文本的情感分析也是虛擬科學(xué)探究學(xué)習(xí)過(guò)程分析的新興領(lǐng)域[17]。近年來(lái)，基于機(jī)器學(xué)習(xí)的文本情感、文本意圖分析研究取得了顯著成果，但目前虛擬科學(xué)探究學(xué)習(xí)領(lǐng)域?qū)η楦袘B(tài)度的分析還主要基于學(xué)生自我反饋報(bào)告，難以實(shí)現(xiàn)對(duì)探求欲、情緒調(diào)節(jié)等隱性特征的自動(dòng)分析和識(shí)別。此外，已有研究多數(shù)基于特定的主題和任務(wù)環(huán)境，難以適應(yīng)科學(xué)探究中多種主題場(chǎng)景的泛化要求[2]。

（三）智能技術(shù)賦能虛擬科學(xué)探究學(xué)習(xí)過(guò)程的適應(yīng)性反饋研究

在科學(xué)探究學(xué)習(xí)過(guò)程中為學(xué)生提供可解釋、可理解的歸因性反饋，對(duì)于實(shí)時(shí)開(kāi)展精準(zhǔn)教學(xué)干預(yù)、提升科學(xué)探究學(xué)習(xí)效果至關(guān)重要[18]。機(jī)器學(xué)習(xí)技術(shù)的發(fā)展為探究過(guò)程的實(shí)時(shí)反饋提供了新思路和有效途徑。一些研究使用機(jī)器學(xué)習(xí)方法為學(xué)習(xí)者提供實(shí)驗(yàn)操作行為、科學(xué)論證過(guò)程的反饋和指導(dǎo)。如Chen等人針對(duì)學(xué)生在虛擬科學(xué)探究中的實(shí)驗(yàn)流程錯(cuò)誤和科學(xué)知識(shí)欠缺等問(wèn)題提供及時(shí)的問(wèn)題反饋和操作引導(dǎo)[19]。Zhu等人采用機(jī)器學(xué)習(xí)對(duì)學(xué)生的科學(xué)論證文本進(jìn)行評(píng)分并提出改進(jìn)建議，促進(jìn)學(xué)生對(duì)科學(xué)論證文本的不斷修改完善[16]。除此以外，評(píng)估結(jié)果還常常與可視化呈現(xiàn)相結(jié)合，為學(xué)生提供關(guān)于學(xué)習(xí)過(guò)程和進(jìn)展的反饋[20]。這些研究表明，基于機(jī)器學(xué)習(xí)的科學(xué)探究評(píng)估與反饋具有支持適應(yīng)性學(xué)習(xí)的潛力，且通過(guò)可視化方法能夠更好地傳遞過(guò)程狀態(tài)信息和指導(dǎo)建議。然而，已有研究的不足之處在于僅將分析或預(yù)測(cè)的結(jié)果直接反饋給學(xué)生，而未能解釋其背后的原因[21]。盡管此類(lèi)反饋對(duì)指導(dǎo)學(xué)生的探究行為具有一定的促進(jìn)作用，但研究發(fā)現(xiàn)，簡(jiǎn)單的模式化反饋與錯(cuò)誤提示，難以真正促進(jìn)學(xué)生深層次的觀念轉(zhuǎn)變和知識(shí)理解[22]。如Mao等人對(duì)論證文本得分相同的學(xué)生給出同樣的反饋內(nèi)容，但實(shí)際中相同分?jǐn)?shù)的學(xué)生在觀點(diǎn)提出、證據(jù)使用等諸多方面存在差異，僅僅呈現(xiàn)固定分?jǐn)?shù)對(duì)應(yīng)的反饋建議仍無(wú)法指導(dǎo)學(xué)生進(jìn)行精準(zhǔn)有效地修改[11]。

三、現(xiàn)存挑戰(zhàn)

（一）細(xì)粒度、深層次的探究要素難以動(dòng)態(tài)表征與建模

從分析維度來(lái)看，當(dāng)前研究?jī)H從科學(xué)論證或科學(xué)建模等單一視角對(duì)探究過(guò)程要素進(jìn)行靜態(tài)描述性定義，存在要素邊界不明確、視角維度單一、多指向靜態(tài)能力水平表征等問(wèn)題。從量化表征來(lái)看，缺乏對(duì)探究學(xué)習(xí)過(guò)程行為、認(rèn)知、情感等要素的全面刻畫(huà)，且常用的描述性語(yǔ)言刻畫(huà)，難以滿(mǎn)足實(shí)時(shí)自動(dòng)化分析需求。因此，如何從探究學(xué)習(xí)理論和教學(xué)實(shí)踐需求出發(fā)，合理構(gòu)建全過(guò)程、全維度、可計(jì)算的虛擬科學(xué)探究學(xué)習(xí)過(guò)程分析模型和要素量化表征方法，是當(dāng)前研究領(lǐng)域具有挑戰(zhàn)性的研究難點(diǎn)之一。

（二）開(kāi)放性、不確定性的探究過(guò)程難以刻畫(huà)和揭示

現(xiàn)有針對(duì)虛擬科學(xué)探究學(xué)習(xí)過(guò)程的自動(dòng)分析仍以淺表性過(guò)程數(shù)據(jù)分析為主，較少對(duì)探究過(guò)程中的實(shí)驗(yàn)操作、科學(xué)論證、反思交流等重要環(huán)節(jié)進(jìn)行有效的動(dòng)態(tài)分析和評(píng)價(jià)，難以刻畫(huà)學(xué)習(xí)者實(shí)驗(yàn)技能、認(rèn)知發(fā)展、情緒調(diào)節(jié)等隱性特征行為。更進(jìn)一步，大多數(shù)已有分析方法都建立在特定的探究主題和任務(wù)環(huán)境下，難以遷移到不同的主題場(chǎng)景下。因此，如何綜合運(yùn)用人工智能領(lǐng)域的文本分類(lèi)、動(dòng)態(tài)貝葉斯行為建模等技術(shù)方法，突破主題局限，實(shí)現(xiàn)對(duì)不同主題探究過(guò)程的全面刻畫(huà)和規(guī)律揭示是當(dāng)前研究面臨的重要挑戰(zhàn)。

（三）可解釋、適應(yīng)性的反饋建議難以自動(dòng)生成

已有虛擬科學(xué)探究學(xué)習(xí)過(guò)程自動(dòng)反饋內(nèi)容大多是通用的固定反饋，導(dǎo)致反饋服務(wù)存在針對(duì)性低、理解困難等問(wèn)題，未能滿(mǎn)足虛擬科學(xué)探究個(gè)性化動(dòng)態(tài)反饋需求。另外，現(xiàn)有反饋以直接的結(jié)果指導(dǎo)為主，缺少對(duì)探究過(guò)程的解釋和建議，無(wú)法支持學(xué)生有效改進(jìn)科學(xué)探究行為[23]。如何對(duì)探究過(guò)程的自動(dòng)化評(píng)價(jià)結(jié)果進(jìn)行可解釋歸因，從而實(shí)現(xiàn)高適應(yīng)性的個(gè)性化反饋，是這一領(lǐng)域的重要挑戰(zhàn)[24]。

四、關(guān)鍵技術(shù)路徑

面對(duì)復(fù)雜的虛擬科學(xué)探究學(xué)習(xí)過(guò)程，構(gòu)建全過(guò)程、多要素、可計(jì)算的分析模型，依據(jù)分析模型對(duì)復(fù)雜探究過(guò)程進(jìn)行實(shí)時(shí)分析、精準(zhǔn)評(píng)價(jià)，提供適應(yīng)性反饋，促進(jìn)探究學(xué)習(xí)效果的提升，是智能技術(shù)賦能虛擬科學(xué)探究學(xué)習(xí)過(guò)程的關(guān)鍵技術(shù)問(wèn)題。其關(guān)鍵技術(shù)路徑如下：

（一）基于活動(dòng)流的底層計(jì)算模型構(gòu)建

針對(duì)開(kāi)放復(fù)雜的虛擬探究學(xué)習(xí)過(guò)程關(guān)鍵環(huán)節(jié)和內(nèi)在要素，需要構(gòu)建虛擬科學(xué)探究學(xué)習(xí)過(guò)程計(jì)算模型。計(jì)算模型以探究操作為依據(jù)，應(yīng)明確定義流序列的動(dòng)詞（Verb）庫(kù)和對(duì)象（Object）庫(kù)內(nèi)容，形成針對(duì)交互操作的活動(dòng)流實(shí)例，實(shí)現(xiàn)關(guān)鍵交互操作和深層學(xué)習(xí)狀態(tài)的多維聯(lián)結(jié)，為復(fù)雜的虛擬探究過(guò)程提供統(tǒng)一的計(jì)算模型和形式化規(guī)約。

構(gòu)建過(guò)程包含以下三個(gè)環(huán)節(jié)。首先，虛擬探究學(xué)習(xí)過(guò)程的底層活動(dòng)流參考Experience API（xAPI）標(biāo)準(zhǔn)規(guī)范，以“角色（Actor）+動(dòng)作（Verb）+對(duì)象（Object）+時(shí)間戳（Timestamp）+結(jié)果（Result）+情境（Context）”六元組進(jìn)行刻畫(huà)，即： ∈ IA（Inquiry activities）。其中，Actor指學(xué)生個(gè)體；Verb 指學(xué)生操作行為的具體類(lèi)型，如移動(dòng)、設(shè)置、記錄、修改等，為必選項(xiàng)；Object 指操作行為的資源對(duì)象，如移動(dòng)的儀器、修改的論證文本等，為必選項(xiàng)；Timestamp指操作行為的發(fā)生時(shí)間，為必選項(xiàng)；Result指活動(dòng)產(chǎn)出的科學(xué)論證文本、數(shù)據(jù)記錄、反思文本等內(nèi)容，為可選項(xiàng)；Context指學(xué)習(xí)行為發(fā)生的主題、任務(wù)、環(huán)節(jié)等背景信息，為可選項(xiàng)。其次，實(shí)例化活動(dòng)流，以確保數(shù)據(jù)采集的準(zhǔn)確性和模型的可計(jì)算性。本研究定義對(duì)象庫(kù)（Object）包含論證、反思評(píng)論、實(shí)驗(yàn)數(shù)據(jù)、儀器、實(shí)驗(yàn)參數(shù)等16種重要資源對(duì)象。定義操作行為動(dòng)詞（Verb）表中有共計(jì)25個(gè)關(guān)鍵動(dòng)作，分別對(duì)應(yīng)學(xué)生提出研究假設(shè)、配置實(shí)驗(yàn)環(huán)境、開(kāi)展實(shí)驗(yàn)設(shè)計(jì)、進(jìn)行數(shù)據(jù)記錄等關(guān)鍵探究環(huán)節(jié)的具體操作動(dòng)作，依據(jù)動(dòng)詞對(duì)對(duì)象的操作關(guān)系，形成操作行為活動(dòng)流實(shí)例。所有的操作行為都以Statement語(yǔ)句的形式存儲(chǔ)和交互，如“Actor（參與者）+Move（移動(dòng)）+Equipment（儀器）+Timestamp（時(shí)間戳）”。如學(xué)習(xí)者A完成了第一節(jié)探究主題，將會(huì)把學(xué)生A學(xué)習(xí)這節(jié)課程的所有行為事件以“A在5分30秒移動(dòng)了儀器d”“A在5分45秒在數(shù)據(jù)表格t中記錄了數(shù)據(jù)”等活動(dòng)流形式存儲(chǔ)匯集在學(xué)習(xí)記錄存儲(chǔ)當(dāng)中。這些詳細(xì)的數(shù)據(jù)記錄用于支持不同目的探究過(guò)程分析計(jì)算指標(biāo)的原始數(shù)據(jù)獲取。最后，基于計(jì)算分析模型，依據(jù)我國(guó)科學(xué)課程標(biāo)準(zhǔn)對(duì)探究實(shí)踐核心素養(yǎng)的內(nèi)涵和要求，構(gòu)建面向行為—認(rèn)知—情感虛擬科學(xué)探究過(guò)程要素分類(lèi)體系，形成領(lǐng)域知識(shí)指導(dǎo)下的指標(biāo)設(shè)計(jì)。具體制定探究路徑、實(shí)驗(yàn)技能、科學(xué)概念、科學(xué)論證、學(xué)習(xí)堅(jiān)毅、探究態(tài)度等二級(jí)維度指標(biāo)，明確分析指標(biāo)、數(shù)據(jù)來(lái)源、計(jì)算方法等具體內(nèi)容，形成量化表征方法。例如，實(shí)驗(yàn)技能可以設(shè)定為考察實(shí)驗(yàn)設(shè)置、儀器操作、變量設(shè)置、數(shù)據(jù)記錄四項(xiàng)能力，關(guān)注學(xué)生是否掌握了正確設(shè)置實(shí)驗(yàn)條件、正確選擇儀器工具，合理調(diào)整變量以及正確記錄了過(guò)程數(shù)據(jù)等關(guān)鍵技能。

（二）復(fù)雜探究過(guò)程動(dòng)態(tài)監(jiān)測(cè)與自動(dòng)評(píng)價(jià)

探究學(xué)習(xí)行為建模面臨的最大挑戰(zhàn)是探究行為高度不確定性。由于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)可用于模擬不同時(shí)刻中變量的相互依賴(lài)關(guān)系，表示不確定的知識(shí)并執(zhí)行推理計(jì)算，且其概率推理可以實(shí)時(shí)發(fā)生。因此，可以利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)為復(fù)雜探究過(guò)程動(dòng)態(tài)監(jiān)測(cè)和自動(dòng)評(píng)價(jià)提供關(guān)鍵技術(shù)支撐。具體技術(shù)路線(xiàn)包含靜態(tài)貝葉斯網(wǎng)絡(luò)構(gòu)建、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)構(gòu)建、關(guān)鍵探究路徑挖掘、實(shí)驗(yàn)技能自動(dòng)評(píng)價(jià)四個(gè)主要步驟。

第一，靜態(tài)貝葉斯網(wǎng)絡(luò)構(gòu)建。利用專(zhuān)家先驗(yàn)知識(shí)依據(jù)具體探究主題任務(wù)確定探究操作、事件和技能之間的關(guān)系，并將探究操作、事件和子技能分別置于網(wǎng)絡(luò)的不同層次和分支，用以反映操作和子技能之間的關(guān)系，其中將實(shí)驗(yàn)技能作為頂層節(jié)點(diǎn)，構(gòu)建初始靜態(tài)貝葉斯網(wǎng)絡(luò)。第二，構(gòu)建動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。在所構(gòu)建的靜態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，進(jìn)一步表征相鄰時(shí)刻操作、事件、子技能之間的影響關(guān)系，構(gòu)成轉(zhuǎn)移網(wǎng)絡(luò)，并與靜態(tài)貝葉斯網(wǎng)絡(luò)共同構(gòu)成初始的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。同時(shí)，為方便后期推理，需要進(jìn)行動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)，即構(gòu)建條件概率表。第三，挖掘關(guān)鍵探究路徑。關(guān)鍵探究路徑挖掘?qū)⒗没バ畔⒅岛Y選出當(dāng)前時(shí)刻對(duì)整體學(xué)生實(shí)驗(yàn)技能評(píng)分影響最大的操作序列，進(jìn)而對(duì)比學(xué)生個(gè)體操作序列發(fā)現(xiàn)學(xué)生已完成的關(guān)鍵探究路徑。具體實(shí)施時(shí)，首先計(jì)算t時(shí)刻下各操作與實(shí)驗(yàn)技能之間的互信息值。設(shè)置互信息閾值，僅保留互信息值超過(guò)閾值的操作，將保留的操作按照互信息值大小排序，得到t時(shí)刻個(gè)體學(xué)生的關(guān)鍵操作序列。其次，檢查t時(shí)刻個(gè)體學(xué)生操作序列中的每一個(gè)操作，若其在關(guān)鍵操作序列中，則將該操作并入該學(xué)生已完成的探究操作序列，最終獲得學(xué)生關(guān)鍵探究路徑。第四，實(shí)驗(yàn)技能自動(dòng)評(píng)價(jià)。實(shí)驗(yàn)技能評(píng)價(jià)是利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)以當(dāng)前時(shí)刻t學(xué)生關(guān)鍵探究路徑為依據(jù)，評(píng)估其當(dāng)前時(shí)刻下各項(xiàng)技能的掌握程度。具體做法是將該學(xué)生當(dāng)前關(guān)鍵探究路徑作為新證據(jù)輸入動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，計(jì)算在新證據(jù)的條件下t時(shí)刻實(shí)驗(yàn)技能的后驗(yàn)概率，從而評(píng)估個(gè)體在t時(shí)刻的技能水平。

（三）可解釋自適應(yīng)反饋內(nèi)容自動(dòng)生成與調(diào)節(jié)支持

為形成準(zhǔn)確的適應(yīng)性反饋，可以依據(jù)學(xué)生當(dāng)前探究路徑和技能水平，利用聯(lián)合樹(shù)計(jì)算該技能水平下每個(gè)操作或事件的后驗(yàn)概率并排序，獲得影響學(xué)生實(shí)驗(yàn)技能水平的關(guān)鍵影響因素，形成準(zhǔn)確的問(wèn)題歸因。具體做法上可以將學(xué)生t時(shí)刻時(shí)探究子技能或總技能作為證據(jù)加入聯(lián)合樹(shù)，求得當(dāng)前在該技能水平下任一操作行為發(fā)生的后驗(yàn)概率，依據(jù)后驗(yàn)概率大小能夠判定當(dāng)前達(dá)成該技能水平的關(guān)鍵影響因素及其重要性排序。利用評(píng)價(jià)數(shù)據(jù)和可解釋的歸因數(shù)據(jù)就可以進(jìn)行反饋文本的自適應(yīng)生成。反饋文本的生成過(guò)程可以看作是通過(guò)某種處理方式將反饋模板中的可變信息與輸入數(shù)據(jù)進(jìn)行匹配的過(guò)程，從輸入數(shù)據(jù)中找到需要的信息，填充至模板規(guī)定位置。這種方法具備可解釋性與可控制性，更容易保證生成文本的正確性和規(guī)范性。如基于規(guī)則的定制反饋模板可以是：“你在實(shí)驗(yàn)技能上表現(xiàn){實(shí)驗(yàn)技能水平}，{提出假設(shè)表現(xiàn)的映射詞}地提出假設(shè)，{儀器使用表現(xiàn)的映射詞}地使用儀器，但你還需要{變量選擇表現(xiàn)的映射詞}選擇變量，并{數(shù)據(jù)整理表現(xiàn)的映射詞}進(jìn)行數(shù)據(jù)整理，以幫助你更好的分析實(shí)驗(yàn)結(jié)果”。其中，{}內(nèi)的內(nèi)容為可變項(xiàng)，生成文本時(shí)根據(jù)過(guò)程評(píng)價(jià)和歸因挖掘后輸入數(shù)據(jù)的具體取值，匹配規(guī)則映射形成文本表述填入。在此基礎(chǔ)上，可以利用專(zhuān)家經(jīng)驗(yàn)，形成不同的調(diào)節(jié)支持策略，將反饋文本在不同的觸發(fā)條件下以智能代理的形式推送給學(xué)習(xí)者，實(shí)現(xiàn)教學(xué)主體與智能分析引擎的相互合作，共同實(shí)現(xiàn)對(duì)教學(xué)過(guò)程精準(zhǔn)分析與結(jié)果呈現(xiàn)，完成復(fù)雜任務(wù)決策并優(yōu)化教育教學(xué)過(guò)程。

五、智能技術(shù)支持的虛擬科學(xué)探究學(xué)習(xí)

平臺(tái)架構(gòu)

依據(jù)上述關(guān)鍵技術(shù)，結(jié)合探究教學(xué)的要求，本研究基于自主研發(fā)的“小水滴虛擬科學(xué)實(shí)驗(yàn)自主探究學(xué)習(xí)平臺(tái)”開(kāi)展技術(shù)整合。整合后的平臺(tái)架構(gòu)設(shè)計(jì)如圖1所示：（1）在應(yīng)用層，智能對(duì)話(huà)、調(diào)節(jié)配置、可視分析、探究設(shè)置、自動(dòng)反饋、探究評(píng)價(jià)六個(gè)功能構(gòu)建了完整的應(yīng)用。前端使用Vue，ElementUI技術(shù)棧進(jìn)行功能布局和展示；（2）在通用配置層，主要通過(guò)前端發(fā)送請(qǐng)求到后端，后端協(xié)議解析并權(quán)限驗(yàn)證，保證接口的安全性。前端會(huì)將學(xué)生的所有信息發(fā)送至后端，進(jìn)行數(shù)據(jù)采集，同時(shí)對(duì)學(xué)生的所有行為進(jìn)行調(diào)度和分析；（3）在業(yè)務(wù)層，主要包含評(píng)價(jià)計(jì)算、反饋生成、評(píng)價(jià)歸因三大模塊。其中，評(píng)價(jià)計(jì)算模塊主要使用基于貝葉斯網(wǎng)絡(luò)的關(guān)鍵路徑挖掘，通過(guò)關(guān)鍵路徑獲得過(guò)程評(píng)價(jià)數(shù)據(jù)。反饋生成模塊結(jié)合定制的反饋模板和映射規(guī)則，形成自適應(yīng)的反饋內(nèi)容。評(píng)價(jià)歸因模塊主要通過(guò)基于聯(lián)合樹(shù)推理的關(guān)鍵因素歸因，獲得評(píng)價(jià)數(shù)據(jù)計(jì)算背后的最關(guān)鍵影響因素，并將關(guān)鍵因素歸因數(shù)據(jù)和評(píng)價(jià)數(shù)據(jù)傳遞給反饋生成模塊；（4）在數(shù)據(jù)層，對(duì)采集到的學(xué)生數(shù)據(jù)進(jìn)行緩存，以應(yīng)對(duì)高并發(fā)的情況，用Mybatis Plus框架將數(shù)據(jù)持久化，存至MySQL數(shù)據(jù)庫(kù)中。同時(shí)，所有行為活動(dòng)流都以xAPI規(guī)范進(jìn)行記錄，然后傳送到學(xué)習(xí)記錄存儲(chǔ)（LRS）中。將課件PPT、文檔、題目、圖片等存儲(chǔ)到OSS中。平臺(tái)應(yīng)用NodeJS為開(kāi)發(fā)的主要語(yǔ)言，在代碼管理中，前端使用NPM進(jìn)行管理和打包，后端使用Maven進(jìn)行管理Jar包和版本控制，使用Docker進(jìn)行環(huán)境搭建和打包。

基于該平臺(tái)，學(xué)生可開(kāi)展科學(xué)探究自主學(xué)習(xí)，在技術(shù)支持下完成預(yù)測(cè)、探究、解釋、反思等多種學(xué)習(xí)活動(dòng)任務(wù)。在這個(gè)過(guò)程中，系統(tǒng)整合教師反饋策略，依據(jù)反饋策略基于學(xué)生答題情況進(jìn)行自動(dòng)判斷，并給予反思性、解釋性等多種反饋。還可以基于社會(huì)調(diào)節(jié)理論，利用對(duì)話(huà)機(jī)器人，通過(guò)多種約束條件和觸發(fā)策略的調(diào)節(jié)給予學(xué)生適當(dāng)?shù)墓膭?lì)與學(xué)習(xí)過(guò)程支持。

六、討論與建議

智能技術(shù)賦能虛擬科學(xué)探究學(xué)習(xí)是提升科學(xué)探究效果，促進(jìn)學(xué)生科學(xué)核心素養(yǎng)發(fā)展的關(guān)鍵。為真正解決智能技術(shù)賦能復(fù)雜探究學(xué)習(xí)的瓶頸問(wèn)題，研究針對(duì)虛擬科學(xué)探究學(xué)習(xí)過(guò)程已有分析模型靜態(tài)化、淺表化的局限，提出基于活動(dòng)流的計(jì)算分析模型，將“行為—認(rèn)知—情感”核心要素映射到統(tǒng)一的計(jì)算表征空間，構(gòu)建了關(guān)鍵交互操作和深層學(xué)習(xí)狀態(tài)的多維聯(lián)結(jié)，實(shí)現(xiàn)了復(fù)雜動(dòng)態(tài)探究過(guò)程建模與量化表征，在理論層面提供了虛擬科學(xué)探究學(xué)習(xí)過(guò)程分析模型建構(gòu)的新理念。特別是，與以往研究中直接采集所需操作行為并進(jìn)行定制處理不同[14-15]，研究先設(shè)定了整個(gè)探究活動(dòng)所需的角色對(duì)象、資源對(duì)象、行為動(dòng)作等，并基于活動(dòng)流完整地記錄了整個(gè)過(guò)程的全流程信息，為后期統(tǒng)一的計(jì)算表征奠定了理論基礎(chǔ)。

除此以外，當(dāng)前虛擬科學(xué)探究學(xué)習(xí)行為分析研究大多數(shù)都基于特定的任務(wù)場(chǎng)景和環(huán)境，其方法本身具有定制性，不易擴(kuò)展和遷移到不同場(chǎng)景的學(xué)習(xí)行為建模，這也是當(dāng)前不同場(chǎng)景科學(xué)探究學(xué)習(xí)行為建模面臨的行為不確定性挑戰(zhàn)[25]。為了解決這一挑戰(zhàn)，研究使用貝葉斯網(wǎng)絡(luò)，能夠用來(lái)模擬真實(shí)場(chǎng)景中變量的相互關(guān)系并處理不確定性這一特征[26]，選用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，并納入專(zhuān)家判斷，不僅提高了行為識(shí)別的準(zhǔn)確性，且在數(shù)據(jù)樣本較少的情況下也能達(dá)到較高的預(yù)測(cè)精度[27]。此外，貝葉斯網(wǎng)絡(luò)通過(guò)標(biāo)準(zhǔn)的樹(shù)狀結(jié)構(gòu)將可觀察的特征與對(duì)應(yīng)的技能進(jìn)行層級(jí)關(guān)聯(lián)，并在輸入新的證據(jù)時(shí)以概率推斷的形式立即更新結(jié)果[26]，以提供實(shí)時(shí)診斷與反饋[28]。因此，這一方法針對(duì)不確定行為評(píng)價(jià)準(zhǔn)確度低、方法可遷移性差等問(wèn)題，在技術(shù)層面探索了虛擬科學(xué)探究學(xué)習(xí)過(guò)程自動(dòng)分析和評(píng)價(jià)的新途徑和新方法。針對(duì)虛擬科學(xué)探究學(xué)習(xí)反饋針對(duì)性低、可解釋性差的問(wèn)題，研究突破自適應(yīng)反饋內(nèi)容自動(dòng)生成方法，使得可解釋方法不僅僅應(yīng)用于提升對(duì)分析結(jié)果的信任和歸因，更是將歸因結(jié)果與自動(dòng)反饋文本生成技術(shù)深度融合，提升了反饋建議的個(gè)性化、精準(zhǔn)性和適應(yīng)性，在可解釋人工智能與自適應(yīng)反饋領(lǐng)域提出了新的交叉應(yīng)用方法。

未來(lái)，該領(lǐng)域研究可以持續(xù)優(yōu)化反饋的形式，通過(guò)教學(xué)智能體，生成式對(duì)話(huà)語(yǔ)言模型、可視化儀表板等技術(shù)深化過(guò)程監(jiān)測(cè)、診斷和適應(yīng)性反饋等支持服務(wù)，在自動(dòng)化的對(duì)話(huà)引導(dǎo)、學(xué)習(xí)調(diào)節(jié)、情感支持等方面開(kāi)展更為廣泛的探索，更好地支持虛擬科學(xué)探究學(xué)習(xí)效果的達(dá)成。同時(shí)，還需關(guān)注學(xué)習(xí)科學(xué)、認(rèn)知神經(jīng)科學(xué)研究對(duì)虛擬科學(xué)探究學(xué)習(xí)平臺(tái)和活動(dòng)設(shè)計(jì)的驅(qū)動(dòng)作用，深化以人為中心的人機(jī)智能協(xié)同的學(xué)習(xí)反饋模式，助力虛擬科學(xué)探究學(xué)習(xí)更好地服務(wù)科學(xué)教育。

[參考文獻(xiàn)]

[1] SCHWARTZ L， ADLER I， MADJAR N， et al. Rising to the challenge： the effect of individual and social metacognitive scaffolds on students' expressions of autonomy and competence throughout an inquiry process[J]. Journal of science education and technology， 2021，30（4）：582-593.

[2] LIN X， HWANG G， WANG J， et al. Effects of a contextualised reflective mechanism-based augmented reality learning model on students' scientific inquiry learning performances， behavioural patterns， and higher order thinking[J]. Interactive learning environments， 2023，31（10）：6931-6951.

[3] 彭麗宇. 促進(jìn)深度學(xué)習(xí)的虛擬實(shí)驗(yàn)教學(xué)改革[J].西南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2023，48（1）：102-107.

[4] ZHU M， LIU O L， LEE H. The effect of automated feedback on revision behavior and learning gains in formative assessment of scientific argument writing[J]. Computers & education， 2020，143：103668.

[5] 劉東方.科學(xué)探究能力表現(xiàn)模型的建構(gòu)及其在評(píng)價(jià)中的應(yīng)用[J].課程·教材·教法，2018，38（9）：122-127.

[6] 李春密，梁潔，蔡美潔.中學(xué)生科學(xué)探究能力結(jié)構(gòu)模型初探[J].課程·教材·教法，2004（6）：86-90.

[7] 李英明.虛實(shí)融合實(shí)驗(yàn)環(huán)境中探究式學(xué)習(xí)評(píng)價(jià)體系的構(gòu)建[D].杭州：杭州師范大學(xué)，2021.

[8] DICKLER R. Using innovative methods to explore the potential of an alerting dashboard for science inquiry[J]. Journal of learning analytics，2021，8（2）：1-18.

[9] JIANG S， HUANG X， SUNG S H， et al. Learning analytics for assessing hands-on laboratory skills in science classrooms using bayesian network analysis[J]. Research in science education，2023，53：425-444.

[10] MULDER Y G， BOLLEN L， DE JONG T， et al. Scaffolding learning by modelling： the effects of partially worked-out models[J]. Journal of research in science teaching， 2016，53（3）：502-523.

[11] MAO L， 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.

[12] 張立山，馮碩，李亭亭.面向課堂教學(xué)評(píng)價(jià)的形式化建模與智能計(jì)算[J].現(xiàn)代遠(yuǎn)程教育研究，2021，33（1）：13-25.

[13] ZHAI X， 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.

[14] GOBERT J D， SAO PEDRO 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.

[15] 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.

[16] ZHU M， LEE H， 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.

[17] AVILA-GARZON C， BACCA-ACOSTA J， KINSHUK， et al. Augmented reality in education： an overview of twenty-five years of research[J]. Contemporary educational technology， 2021，13（3）：1-29.

[18] 武法提，高姝睿，田浩.人機(jī)智能協(xié)同的精準(zhǔn)學(xué)習(xí)干預(yù)：動(dòng)因、模型與路向[J]. 電化教育研究，2022，43（4）：70-76.

[19] CHEN C H， HUANG K， LIU J H. Inquiry-enhanced digital game-based learning： effects on secondary students' conceptual understanding in science， game performance， and behavioral patterns[J]. The Asia-Pacific education researcher，2020，29（4）：319-330.

[20] SCHWENDIMANN B A， RODRIGUEZ-TRIANA M J， VOZNIUK A， et al. Perceiving learning at a glance： a systematic literature review of learning dashboard research[J]. IEEE transactions on learning technologies， 2017，10（1）：30-41.

[21] AFZAAL M， NOURI J， ZIA A， et al. Generation of automatic data-driven feedback to students using explainable machine learning[C]//International Conference on Artificial Intelligence in Education. Cham： Springer International Publishing， 2021： 37-42.

[22] BANERES D， RODRIGUEZ M E， SERRA M. An early feedback prediction system for learners at-risk within a first-year higher education course[J]. IEEE transactions on learning technologies， 2019，12（2）：249-263.

[23] SEDRAKYAN G， MALMBERG J， VERBERT K， et al. Linking learning behavior analytics and learning science concepts： Designing a learning analytics dashboard for feedback to support learning regulation[J]. Computers in human behavior， 2020，107：105512.

[24] 王萍，田小勇，孫僑羽.可解釋教育人工智能研究：系統(tǒng)框架，應(yīng)用價(jià)值與案例分析[J].遠(yuǎn)程教育雜志，2021，39（6）：20-29.

[25] CONATI C， GERTNER A， VANLEHN K. Using bayesian networks to manage uncertainty in student modeling[J]. User modeling and user-adapted interaction， 2002，12（4）：371-417.

[26] FAN Y， ZHANG J， ZU D， et al. An automatic optimal course recommendation method for online math education platforms based on bayesian model[J]. International journal of emerging technologies in learning， 2021，16（13）：95-107.

[27] ZHOU Y， FENTON N， NEIL M. Bayesian network approach to multinomial parameter learning using data and expert judgments[J]. International journal of approximate reasoning， 2014，55（5）：1252-1268.

[28] TADLAOUI M A， AAMMOU S， KHALDI M， et al. Learner modeling in adaptive educational systems： a comparative study[J]. International journal of modern education and computer science， 2016，8（3）：1-10.

A Study on the Process Evaluation and Adaptive Feedback of Virtual Science Inquiry Learning Enabled by Intelligent Technology

ZHENG Yafeng

（Center for Educational Science and Technology， Beijing Normal University， Zhuhai Guangdong 519087）

[Abstract] Automatic evaluation and adaptive feedback of virtual science inquiry learning are important supporting means to improve the effectiveness of inquiry learning. Firstly， this study outlines the application status of intelligent technology in virtual science inquiry learning from three aspects， namely， the element representation and analysis model， the automatic analysis and real-time evaluation， and the adaptive feedback. And this study summarizes the practical challenges faced by the current application of the technology， such as the difficulty in deeply exploring the element representation， portraying uncertain inquiry processes， and generating adaptive feedback. Secondly， on this basis， three key technologies are proposed： the construction of underlying computing model based on activity flow， the dynamic monitoring and automatic evaluation of complex inquiry process， and the generation of self-adaptive feedback content with explainable attribution. Thirdly， based on the key technologies， a technical architecture of the independent inquiry learning platform for virtual science experiments is designed. Finally， the study summarizes the innovation of the current research and puts forward future suggestions to provide a useful reference for further technical exploration in the field of virtual science inquiry learning enabled by intelligent technology.

[Keywords] Intelligent Technology; Virtual Science Inquiry Learning; Process Evaluation; Adaptive Feedback; Platform Design