小學高年段學生的人工智能學習觀念研究

摘要：隨著人工智能基礎教育的持續推進，小學高年段學生對人工智能學習萌發了更多的思考，但當前對小學高年段學生的人工智能學習觀念及其與計算思維關系的研究仍不充分。因此，文章收集了285名五年級學生的現實和理想中人工智能學習的圖畫，采用基于圖畫的認知網絡分析方法，將學生的圖畫編碼為6個維度19個元素，并可視化學生的人工智能學習觀念元素之間的關系結構。研究發現，小學高年段學生的人工智能學習觀念現實狀態偏重編程實踐；小學高年段學生的人工智能學習觀念理想狀態偏重智能技術的體驗與應用；計算思維高分組學生關注學習活動，低分組學生關注學習材料，期待參與學習活動。文章通過呈現小學高年段學生對現有人工智能學習的感知與理解，以及對未來人工智能學習的期待，旨在為推動小學人工智能教育的改革與創新提供參考。

關鍵詞：小學高年段；人工智能學習觀念；計算思維；認知網絡分析；圖畫分析

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）08—0090—11 【DOI】10.3969/j.issn.1009-8097.2024.08.010

隨著國務院發布《新一代人工智能發展規劃》，鼓勵廣大科技工作者投身于人工智能的科普與推廣，并在中小學階段設置人工智能的相關課程[1]，諸多研究者開始針對小學人工智能教育困境、核心內容與教學目標、實施路徑、人工智能課程等問題展開廣泛探索[2][3][4][5]。學習觀念作為一項能夠呈現學生學科認識的心理變量，也是研究者及教育工作者在開發人工智能課程或干預措施時不可忽視的因素[6]。學生的人工智能學習觀念是其在學習過程中對人工智能學習形成的系統性認識和理解，與學習方法與策略、學業成績等具有顯著聯系[7][8]。先前研究發現，隨著教育水平的提高，小學高年段學生面對現實狀態下的人工智能學習呈現出復雜的人工智能學習觀念[9]。學習經歷的逐漸豐富，促使高年段的學生對人工智能學習萌發了更多的思考[10]，但現有研究缺少對小學高年段學生人工智能學習觀念的深度探究。因此，本研究聚焦小學高年段學生，從現實與未來兩個時態全面刻畫學生的人工智能學習觀念，洞察學生的學習狀態和需求，以及學生計算思維高低與人工智能學習觀念的關系，以期為小學人工智能教育的改革與創新提供參考。

一 文獻綜述

1 小學人工智能教育

小學人工智能的核心內容包括人工智能基礎、開發與應用、倫理等方面，但是當下以編程為中心的知識與技能占據小學人工智能課堂的核心位置，如UNESCO針對51個會員國的人工智能課程內容調查結果顯示，各國人工智能課程中算法和編程課時占據全部人工智能課時的0～75%不等[11]；張志新等[12]針對新一線城市小學人工智能教育現狀的調查中發現，將近90%的人工智能任課教師認為編程是小學人工智能教育的關鍵內容；于穎等[13]對小學人工智能教育指導性文件的扎根研究也發現，小學人工智能的教育內容主要包括AI系統體驗、AI設計與開發等方面。綜上可知，小學人工智能內容編程占據顯著比重，智能技術的體驗與應用、智能倫理等常被忽視。

計算思維通常被認為是小學人工智能的重要教學目標[14]，為提升人工智能課程中計算思維的培養效果，國內外學者也開展了大量研究，如Delal等[15]面向六年級學生開發了不插電的算法任務，并運用Bebras測量學生的計算思維技能發展情況；張屹等[16]在人工智能課程中采用游戲化學習方法促進學生的計算思維實踐能力。同時，Rizvi等[17]基于對28篇人工智能教學實證研究的元分析，發現現有人工智能課程通常通過豐富的實踐性活動發展小學生的計算思維。由此可見，計算思維是人工智能基礎教育的核心目標之一。

2 學習觀念

學習觀念是學生對學習的理解與感知，可以分為從低到高的重現式學習觀念和建構式學習觀念兩大類別[18]。針對學生學習觀念的研究始于S?lj?[19]，他將學習觀念分為知識增加、記憶和重復、實踐知識的獲取與應用、意義的抽象、以理解現實為目的的解釋過程五種類型。后來，Duarte[20]通過對252名地理系大學生的訪談，復現了前人的研究并對研究分類進行了細化，增加了學生的成長與變化這一類型。后續也有學者提出學生的學習觀念包括記憶、測試、計算和練習、增長知識、應用、理解、新視角七種類型[21]?？偠灾?，學習觀念存在多種具有一定層級關系的類型，體現了學生從新手到專家的發展過程，可以看作學生思維發展的階段[22]。其中，記憶和重復、測試、知識再現等類型被稱為重現式學習觀念[23]，理解與應用理解、評估、新視角、人的變化與成長等類型被稱為建構式學習觀念[24]。

3 基于圖畫的認知網絡分析

圖畫分析憑借既能用受訪者的語言表達觀點，又能在一定程度上兼顧時間成本、人力成本的獨特優勢，被廣泛應用于小學生各學科學習觀念的研究[25]。但是，圖畫分析通常是呈現描述性結果，在呈現學生學習觀念的整體性方面存在一定的局限性[26]。對此，有學者提出在圖畫分析方法的基礎上引入認知網絡分析方法[27]，其優勢在于認知網絡分析方法能夠量化表征思維的元素之間的關聯模式[28]，生成的動態網絡模型可以進行加減計算，用于可視化不同群體學生認知網絡的差異[29]，如Chang等[30]使用基于圖畫的認知網絡分析法，通過量化學習觀念元素之間的關聯強度，以網絡圖的形式更直觀準確地呈現了學生的學習觀念?？梢?，基于圖畫的認知網絡分析為深入探究學生圖畫中蘊含的人工智能學習觀念提供了新方法。

因此，在前人研究的基礎上，本研究擬采用基于圖畫的認知網絡分析方法，探究小學高年段學生的人工智能學習觀念現狀，以及不同群體學生的人工智能學習觀念特征及差異。研究問題為：①小學高年段學生的人工智能學習觀念現實狀態如何？②小學高年段學生人工智能學習觀念的理想狀態如何？③計算思維高分組和低分組學生的人工智能學習觀念的差異有哪些？

二 研究設計

1 研究對象

本研究以湖北省A市某校小學五年級的285名學生為研究對象，其中男生155人，女生121人，9人未填寫性別。參與本次研究的所有學生均參加了學校開設的人工智能課程。受到流感影響，有25名學生沒有完成關于人工智能學習的繪畫，38名學生沒有參加計算思維技能測試，因此同時擁有“圖畫”數據和“測試題”數據的學生為227人，數據回收有效率為79.65%。

2 數據收集

數據收集在完整的人工智能單元課程學習之后分兩周進行。第一周要求學生用30分鐘時間完成計算思維技能測試。測試的題目選自Román-González開發的“國際計算思維挑戰賽試題集錦”[31]，由研究小學人工智能教育教學的一名教授、兩名博士研究生、兩名碩士研究生和一位學生所在小學的人工智能課程教師組成研究團隊（本研究團隊），對測試題目進行改編?！坝嬎闼季S技能測試題”共有10題目，每道題目都是一個獨立的小任務，學生需要運用循環、序列等計算科學知識概念，以及抽象、分解、算法等計算思維技能進行問題的求解。第二周要求學生用40分鐘的時間完成兩幅關于人工智能學習的繪畫，分別是現實狀態、理想狀態下的人工智能學習。在開始之前，研究團隊用5分鐘左右的時間向學生說明繪畫的主題，并逐字閱讀繪畫提示：“你認為什么是人工智能學習？”“在現實中，你上過的人工智能課程是什么樣的？”“在理想狀態中，你想象的人工智能課程是什么樣的？”此外，本研究允許學生用文字進行補充說明。

3 圖畫編碼表

本研究采用緊急分析編碼方法對先前研究中的“小學生人工智能學習觀念圖畫分析編碼表”進行了調整[32]：首先從本次調研數據中隨機抽取50份學生圖畫，結合研究觀察筆記，篩選出表征學生人工智能學習觀念的要素，重點關注在學生“理想”狀態下人工智能學習圖畫中凸顯的元素。然后，邀請研究人工智能的一名教授、一名副教授、一名市級信息技術教研員、兩名區級信息技術教研員和兩名小學人工智能課程教師對上述結果進行充分研討。最后，在本次調研數據中另外抽取50份學生圖畫進行預編碼，確定未出現新要素，最終形成“小學高年段學生人工智能學習觀念圖畫分析編碼表”（下文簡稱“編碼表”），如表1所示。編碼表通過學習參與人物、學習地點、對話行為、學習活動、學習材料、學習情緒來表征學生人工智能學習觀念的6個維度，其下又包含“老師”“正式學習空間”“師生對話”等19個子類目。

4 編碼信度分析

本次編碼由本研究團隊中具有豐富編碼經驗的兩位研究員獨立完成，計算歸類一致性系數CA和編碼信度系數R。如果歸類一致性系數CA和編碼信度系數R小于0.9，則進行編碼員培訓，并針對歧義部分展開討論。經過兩輪培訓，兩位編碼員對現實中人工智能學習圖畫的歸類一致性系數CA和編碼信度系數R分別為0.977、0.987，理想中人工智能學習圖畫的歸類一致性系數CA和編碼信度系數R分別為0.912、0.948。歸類一致性系數CA和編碼信度系數R均大于0.9，說明編碼結果可信，保證了研究結果的科學性。

5 數據處理方法

計算思維技能測試題由研究團隊中的小學老師依據答案判分，另有一名研究生審核，并依據學生成績的中位數將學生分為高水平組和低水平組，其中高水平組105人，低水平組122人。“圖畫”數據依據編碼表進行編碼與統計（編碼示例如圖1所示），并采用在線認知網絡分析工具生成認知網絡模型，模型中的節點分別為表1中學生人工智能學習觀念的要素，節點大小代表了要素在學生圖畫中出現的頻率，節點之間線條的粗細代表了元素之間的關聯強度。

三 研究結果

1 小學高年段學生現實與理想狀態下的人工智能學習觀念圖畫分析

學生現實狀態下的人工智能學習和理想狀態下的人工智能學習的差異表現在多個層面。在學習參與人物維度，學生關于現實狀態下人工智能學習的圖畫中出現頻率最高的人物是“學生”（68.60%），其次是“老師”（28.19%），而理想狀態下出現頻率最高的人物則是“學生”（63.44%），其次是“智能教師代理”（25.59%），更具有科技感的“智能教師代理”在一定程度上取代了教師的地位。在學習地點維度，93.83%的學生在圖畫中將現實狀態下人工智能學習的發生地點設定在“正式學習空間”，而在理想狀態下有58.59%的學生堅持人工智能學習是在“正式學習空間”進行，36.56%的學生則認為人工智能學習發生在更自由的“非正式學習空間”。在對話行為維度，學生現實狀態下人工智能學習的圖畫中呈現的交互行為主要有“師生對話”（21.59%）和“生生對話”（14.98%），在理想狀態下對話行為則側重于“人機對話”（16.30%）和“生生對話”（11.01%）。在學習活動維度，學生現實狀態下的人工智能學習主要圍繞“編程”（34.80%）和“操控教育機器人”（13.66%），理想狀態下的人工智能學習則主要圍繞“體驗智能產品”（12.33%）、“編程”（11.01%）以及“操控教育機器人”（9.25%）。在學習材料維度，“電腦”“編程軟件”“教育機器人”“智能產品”等均為常見材料，但在理想狀態下的人工智能學習繪畫中，有26.43%的學生描繪了“未來科技產品”。在學習情緒維度，“積極”情緒在現實和理想狀態下都處于主導地位，理想狀態下略高。

2 小學高年段學生人工智能學習觀念現實與理想狀態的特征及差異

小學高年段學生人工智能學習觀念認知網絡模型如圖2所示。其中，圖2（a）呈現了學生現實狀態下人工智能學習觀念的認知網絡模型，以M1為中心，與P2、L1具有強連接，其次是M2、M3、E1和A2，之后是連接強度略弱一點的P1。此外，L1和M2、M3以及A2之間也具有較強的連接。圖2（b）呈現了學生理想狀態下人工智能學習觀念的認知網絡模型，以P2作為核心節點，與M1、E1和L1具有強連接，其次是L2、M3、M5、M4、P3，之后是M2、I3等。這些結果表明，高年段小學生對當下人工智能學習的理解和感知是在有電腦、編程軟件、教育機器人等硬軟件設備的正式學習空間，通過與師生或生生對話進行編程活動。而理想狀態下，人工智能學習不再限于正式學習空間，人工智能學習是與智能產品對話、應用智能產品或技術甚至創作智能產品的過程。

為了進一步探究小學高年段學生現實和理想狀態下人工智能學習觀念的差異，本研究首先對比學生理想狀態和現實狀態模型質心的分布情況。T檢驗結果表明，兩者的質心在水平維度（X軸）上有顯著性差異（t=-31.47，p=0.00＜0.01），在垂直維度（Y軸）上沒有差異（t=0，p=1）。然后，進一步對比學生人工智能學習現實狀態和理想狀態模型連接強度的差異，在學生人工智能學習觀念現實狀態模型中減去學生人工智能學習觀念理想狀態模型，結果如圖3所示。以垂直維度Y軸為分界線，左側的線條表示在現實狀態模型中連接強度高于理想狀態模型，右側的線條表示在理想狀態模型中連接強度高于現實狀態模型。從圖3可知，在理想狀態模型中，P2作為中心節點，與P3、M5、L2等節點之間具有較強的連接；在現實狀態模型中，M1、L1、A2、M2、P1等節點之間的連接更強。這些結果表明，目前小學高年段學生現實狀態下的人工智能學習觀念偏向編程實踐活動，期待富有科技色彩的智能技術應用、非正式學習場所等。

3 計算思維水平高低分組的學生人工智能學習觀念的差異

為了探究不同計算思維水平學生人工智能學習觀念現實狀態模型的具體差異，本研究用高水平組學生的人工智能學習觀念現實狀態模型減去低水平組學生的人工智能學習觀念現實狀態模型，如圖4所示。以垂直維度Y軸為分界線，左側線條代表高水平組連接強度高于低水平組，圖中A2作為中心節點，與I1、P1、I2、M2、P2、L1、M1等具有較強的連接，同時I2與M2、M1也具有較強的連接。以垂直維度Y軸為分界線，右側線條代表低水平組連接強度高于高水平組，主要以M3為中心節點，與M1、L1、P2等具有較強的連接。此外，I1與M1、L1、P2等也具有較強的連接。這些結果表明，高水平組學生對于人工智能學習的感知更側重于以編程為主的學習活動，而低水平組學生對人工智能學習的感知和理解更多的與環境和設備有關。

為了探究不同計算思維水平學生人工智能學習觀念理想狀態模型的具體差異，本研究用高水平組學生的人工智能學習觀念理想狀態模型減去低水平組學生的人工智能學習觀念理想狀態模型，如圖5所示。以垂直維度Y軸為分界線，左側線條代表高水平組連接強度高于低水平組，主要是L2、M4、M5與P2、A4等元素之間的連接強度高于低水平組。以垂直維度Y軸為分界線，右側線條代表低水平組連接強度高于高水平組，主要以P1為中心節點，與L1、P2、E1、M4等具有較強的連接；以及以A2為中心節點，與P2、E1等具有較強的連接。這些結果表明，高水平組學生表現出略高的創造力，更關注自由的學習；低水平組學生理想狀態下的人工智能學習與高水平組學生現實狀態下的人工智能學習呈現相似性，即計算思維低水平組學生期待在老師的指導下參與編程、體驗智能技術等學習活動。

四 結論與分析

本研究發現小學高年段學生對當下人工智能學習的理解和感知偏重編程實踐，對人工智能學習的未來期待包括創造和應用科技產品、智能AI等；計算思維高分組學生對人工智能學習的現實感知偏重于學習活動，而低分組學生偏重于學習材料，期待更深層次的學習活動參與。

1 小學高年段學生人工智能學習觀念的現實狀態偏重編程實踐

研究結果顯示，學生現實狀態下的人工智能學習主要圍繞編程、編程軟件、老師、正式學習空間、電腦等元素，說明小學高年段學生人工智能學習觀念的現實狀態偏重編程實踐。這一結果與聯合國教科文組織2022年對全球范圍內多個國家的人工智能課程內容的現狀調研結果一致，編程在當下小學人工智能教育中占據主要地位，同時這一結果在教師視角也得到了印證[33]。結合已有研究分析發現，當下小學人工智能內容過度集中于編程和人工智能基礎教育中的師資問題是導致這一結果的兩個主要因素：首先，在人工智能課程中，學生通常通過學習編程來理解人工智能的基本原理，并掌握人工智能技術的基本應用方法，編程普遍存在于小學人工智能課程內容中[34]。其次，一線小學人工智能師資多來源于信息技術、勞動與技術、綜合實踐等課程[35]，缺乏專業的師資力量。教師的人工智能教學觀以及課堂中教學資源與技術的應用，對學生的人工智能學習具有一定的影響[36]。因此，提升小學人工智能教師教學勝任力，深化小學人工智能教育內容的建構與發展，仍然是我國小學人工智能教育建設的緊要任務。

2 小學高年段學生人工智能學習觀念的理想狀態偏重智能體驗與應用

在對未來人工智能學習的描繪中，25.99%的學生用“智能教師代理”這一人物形象輔助或代替傳統的“教師”角色，36.56%的學生認為人工智能學習的地點為“非正式學習空間”，26.43%的學生關注到了現實狀態下未出現或者極其不常見的“未來科技產品”，積極學習情緒也由44.93%提升至60.35%。同時，認知網絡分析顯示小學高年段學生理想狀態下的人工智能學習觀念主要在非正式學習空間、未來科技產品、智能教師代理、人機對話、積極等元素上形成較強的連接。由此推斷，小學高年段學生理想狀態下的人工智能學習不拘泥于編程，對更自由的、富含智能科技的人工智能賦能教育充滿了想象與期待。這一結果與中國青少年科技輔導協會人工智能普及教育專業委員會對18個省市地區學生的調研結論一致——小學高年段學生對學習人工智能知識、感受人工智能科技的樂趣充滿了期待[37]。先前研究也發現，課堂中接入智能技術能夠增強學生的學習興趣，進而提升學生的學習成績[38]。因此，以人工智能課程為落腳點持續推進人工智能賦能教育，將前沿智能技術的體驗和應用無縫融入人工智能基礎教育，是引領小學人工智能教育建設與改革的關鍵方向。

3 計算思維高分組關注學習活動，低分組關注學習材料，期待學習活動參與

在現實狀態下，計算思維高分組學生對人工智能學習的理解與感知主要圍繞以編程為主的學習活動；低分組學生對人工智能學習的理解與感知主要圍繞以支持人工智能學習的機器人、電腦等為主的學習材料。但是，理想狀態下低分組學生與高分組學生最大的差異在于低分組學生期待在老師的指導下進行編程、體驗人工智能等學習活動，各元素主要圍繞老師、編程、體驗人工智能等元素形成較強連接。計算思維是指掌握并應用計算機科學的抽象、分解、算法、迭代、調試、一般化等基礎概念進行問題求解、系統設計的實踐過程[39]。編程活動通過鍛煉學生的抽象思維、邏輯思維等，促使學生使用計算機學科知識與技能解決實際問題，即提升計算思維能力[40]。受項目式學習理念、設備數量限制等因素的影響，小學人工智能課程多采用分組學習，程序編碼員主要由組內“學習好”的組員擔任，其他組員則擔任編程之外的匯報、填寫任務單等角色。這在一定程度上造成了部分學生深入當下人工智能教育的核心，參與更多的創造性編程項目，即計算思維高分組學生；部分學生游離于課堂邊緣，缺少編程實踐的機會，即計算思維低分組學生。但是，在學生的理想狀態下，低分組學生對在教師指導下進行體驗智能技術、編程實踐、操控機器人等人工智能學習活動充滿期待。因此，變革與優化人工智能課程教學方法，以提升課堂中全體學生人工智能知識的可獲得性、易獲得性以及實踐操作的參與度，是小學人工智能教師及相關研究者的重要課題。

五 總結與展望

學生人工智能學習觀念的現實與理想狀態直接映射了當下人工智能教育的成效以及學生對未來人工智能課程學習的期許。研究結果發現，小學高年段學生現實狀態下對人工智能學習的理解偏重于編程教育，理想狀態下對人工智能學習的理解則更加智能與自由，同時學習情緒也更積極；計算思維高分組學生更觸及當下人工智能教育的核心，計算思維低分組學生游離于課堂邊緣，但是期待在教師指導下參與人工智能課程中的核心學習任務。編程教育為人工智能教育在小學的落實提供了基礎，但是編程教育不等于人工智能教育，進一步推動小學人工智能教育教學資源建設，提高一線教師的人工智能課程教學勝任力，改進小學人工智能教育教學模式，滿足學生學習需求，提升全體學生學習參與度，是小學人工智能教育教學質量提升的重要路徑。

參考文獻

[1]國務院.國務院關于印發新一代人工智能發展規劃的通知[OL].lt;https：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htmgt;

[2]何聚厚，李天宇，何秀青.中小學人工智能教育大單元設計的意蘊、困境和路徑[J].中國電化教育，2022，（2）：30-37.

[3]盧宇，湯筱玙，宋佳宸，等.智能時代的中小學人工智能教育：總體定位與核心內容領域[J].中國遠程教育，2021，（5）：22-31、77.

[4]柴陽麗，杜華.低齡兒童人工智能啟蒙教育框架和實施途徑[J].電化教育研究，2022，（9）：89-97.

[5]李天宇.基于STEAM教育的中小學人工智能教育研究——以“機器會思考嗎”一課為例[J].現代教育技術，2021，（1）：90-97.

[6]Voon X P， Wong L H， Looi C K， et al. Constructivism-informed variation theory lesson designs in enriching and elevating science learning： Case studies of seamless learning design[J]. Journal of Research in Science Teaching， 2020，（10）：1531-1553.

[7]Sadi ?. Relational analysis of high school students’ cognitive self-regulated learning strategies and conceptions of learning biology[J]. Eurasia Journal of Mathematics， Science and Technology Education， 2017，（6）：1701-1722.

[8]Pinto G， Bigozzi L， Vettori G， et al. The relationship between conceptions of learning and academic outcomes in middle school students according to gender differences[J]. Learning， Culture and Social Interaction， 2018，16：45-54.

[9][32]高晗蕊，張屹，王康，等.基于圖畫分析的小學生人工智能學習觀念橫斷面調查研究[J].中國電化教育，2023，（7）：99-108.

[10]范福蘭，黃艷琳，熊曳，等.小學生人工智能學習行為意愿的影響機制研究[J].教育測量與評價，2022，（6）：13-24.

[11][14]United Nations Educational， Scientific and Cultural Organization. K-12 AI curricula： A mapping of government-endorsed AI curricula[OL]. lt;https：//unesdoc.unesco.org/ark：/48223/pf0000380602gt;

[12][33]張志新，杜慧，高露，等.發達地區中小學人工智能課程建設現狀、問題與對策——以某“新一線”城市為例探討[J].中國電化教育，2020，（9）：40-49.

[13]于穎，高宇.素養導向的小學人工智能“教什么”——基于扎根理論的質性分析[J].中國電化教育，2023，（12）：84-91.

[15]Delal H， Oner D. Developing middle school students’ computational thinking skills using unplugged computing activities[J]. Informatics in Education， 2020，（1）：1-13.

[16]張屹，馬靜思，周平紅，等.人工智能課程中游戲化學習培養高中生計算思維實踐的研究——以“挑戰Alpha井字棋”為例[J].電化教育研究，2022，（9）：63-72.

[17]Rizvi S， Waite J， Sentance S. Artificial intelligence teaching and learning in K-12 from 2019 to 2022： A systematic literature review[J]. Computers and Education： Artificial Intelligence， 2023，（4）：100145.

[18]Chiou G L， Liang J C， Tsai C C. Undergraduate students’ conceptions of and approaches to learning in biology： A study of their structural models and gender differences[J]. International Journal of Science Education， 2012，（2）：167-195.

[19]S?lj? R. Learning in the learner’s perspective. I. Some common-sense conceptions[R]. Gothenburg， Sweden： Institute of Education， University of Gothenburg， 1979：1-28.

[20]Duarte A M. Conceptions of learning and approaches to learning in Portuguese students[J]. Higher Education， 2007，（6）：781-794.

[21]Tsai C C. Conceptions of learning science among high school students in Taiwan： A phenomenographic analysis[J]. International Journal of Science Education， 2004，（14）：1733-1750.

[22]Van-rossum E J， Deijkers R， Hamer R. Students’ learning conceptions and their interpretation of significant educational concepts[J]. Higher Education， 1985，（6）：617-641.

[23]Chiou G L， Lee M H， Tsai C C. High school students’ approaches to learning physics with relationship to epistemic views on physics and conceptions of learning physics[J]. Research in Science amp; Technological Education， 2013，（1）：1-15.

[24]Marton F， Dall’Alba G， Beaty E. Conceptions of learning[J]. International Journal of Educational Research， 1993，（3）：277-300.

[25]Yeh H Y， Tsai Y H， Tsai C C， et al. Investigating students’ conceptions of technology-assisted science learning： A drawing analysis[J]. Journal of Science Education and Technology， 2019，（4）：329-340.

[26]Hsieh W M， Tsai C C. Learning illustrated： An exploratory cross-sectional drawing analysis of students’ conceptions of learning[J]. The Journal of Educational Research， 2018，（2）：139-150.

[27]Tu Y F， Hwang G J. University students’ conceptions of ChatGPT-supported learning： A drawing and epistemic network analysis[J]. Interactive Learning Environments， 2023，（11）：1-25.

[28]Nash P， Shaffer D W. Epistemic trajectories： Mentoring in a game design practicum[J]. Instructional Science， 2013，（4）：745-771.

[29]Nguyen H. Exploring group discussion with conversational agents using epistemic network analysis[A]. International Conference on Quantitative Ethnography [C]. Cham： Springer International Publishing， 2022：378-394.

[30]Chang H Y， Tsai C C. Epistemic network analysis of students’ drawings to investigate their conceptions of science learning with technology[J]. Journal of Science Education and Technology， 2023，（2）：267-283.

[31]Román-González M， Pérez-González J C， Moreno-León J， et al. Can computational talent be detected？ Predictive validity of the computational thinking test[J]. International Journal of Child-Computer Interaction， 2018，（18）： 47-58.

[34]沈晨，柏宏權.中小學人工智能課程學習平臺建設現狀與優化策略[J].電化教育研究，2021，（10）：77-83.

[35]柏宏權，王姣陽.中小學人工智能課程教師勝任力現狀與對策研究[J].課程·教材·教法，2020，（12）：123-130.

[36]Yau K W， Chai C S， Chiu T K F， et al. A phenomenographic approach on teacher conceptions of teaching artificial intelligence （AI） in K-12 schools[J]. Education and Information Technologies， 2023，（1）：1041-1064.

[37]中國青少年科技輔導員協會.構建教育資源聚合平臺推進人工智能普及教育——《中小學人工智能普及教育現狀調研報告》發布[J].中國科技教育，2019，（1）：3-4.

[38]Li F， Wang X， He X， et al. How augmented reality affected academic achievement in K-12 education： A meta-analysis and thematic-analysis[J]. Interactive Learning Environments， 2023，（9）：5582-5600.

[39]Wing J M. Computational thinking and thinking about computing[J]. Philosophical Transactions of the Royal Society A-Mathematical Physical and Engineering Sciences， 2008，（1881）：3717-3725.

[40]多召軍，劉巖松，任永功.編程教育促進兒童計算思維發展的內在機理與教學實踐研究[J].電化教育研究，2022，（8）：101-108.

Reserch on Artificial Intelligence Learning Concepts of Senior Students in Primary Schools

——Cognitive Network Analysis Based on Pictures

Abstract： With the continuous advancement of basic education of artificial intelligence， senior students in primary schools have more thoughts on artificial intelligence learning， but the current research on the artificial intelligence learning concept of senior students in primary schools and its relationship with computational thinking of senior students in primary schools is still insufficient. Therefore， this paper collected the realistic and ideal drawings of artificial intelligence learning from 285 fifth-grade students， adopted the cognitive network analysis method based on pictures， coded students’ drawings into 6 dimensions and 19 elements， and visualized the relationship structure between students’ artificial learning conceptual elements. The research results found that： the realistic state of artificial intelligence learning concepts of senior students in primary schools emphasized programming practice; the ideal state of artificial intelligence learning concepts of senior students in primary schools stressed the experience and application of intelligent technology; the students with high-score computational thinking focused on learning activities， while students with low-score computational thinking focused on learning materials and looked forward to participating in learning activities. Through the presentation of perception and understanding of senior students in primary schools on existing artificial intelligence learning， as well as their expectations on future artificial intelligence learning， this paper was expected to provide thinking for promoting the reform and innovation of artificial intelligence education in primary schools.

Keywords： senior grades of primary school; students’ conceptions of artificial intelligence learning; computational thinking; cognitive network analysis; drawing analysis