ARTICLE · 1098486
DISER | 特刊文章《借助教案与开放性问题探究大语言模型识别科学教师PCK的能力》
编者按：
《学科与跨学科科学教育研究》（DISER）期刊于2025年特邀美国华盛顿州立大学何鹏教授和密西根州立大学Joseph Krajcik教授作为主编，编辑出版了《科学教育中使用人工智能的机遇与挑战》（Opportunities and Challenges on Using AI in Science Education）特刊，深入探讨AI在科学教育中的应用现状、面临的挑战以及未来的发展方向。
DISER将在科教院微信公众号中陆续向读者介绍特刊中的优秀文章。
题 目：借助教案与开放性问题探究大语言模型识别科学教师PCK的能力
作 者：
Arif Rachmatullah1*, Shaishav Tayde2, Nonye Alozie1, Soonhye Park3and Selin Capan1*通讯作者：Arif Rachmatullah
arif.rachmatullah@sir.com; arifrrach@gmail.com
作者单位：
1 SRI International, Menlo Park, USA
2 University of California Irvine, Irvine, USA
3 North Carolina State University, Raleigh, USA
摘 要
学科教学知识（PCK）一直是科学教师教育研究的基石，鉴于其数据采集和分析缺乏标准化流程且耗时费力，其实际应用仍受限制。本研究旨在探究大语言模型（LLMs）基于开放式作答与教案，识别科学教师关于“光合作用”主题的PCK水平的可行性。研究通过多轮迭代训练与测试LLMs来评估不同PCK构成要素，创新性地引入人工合成应答数据训练模型，并采用真实教师应答进行验证。研究结果表明，合成数据能有效训练LLMs识别教师PCK水平，但模型表现因PCK要素而异。例如，部分模型在评估“教学策略与表征知识”及“科学学习评价知识”方面表现优异，但在处理“学生理解知识”时存在困难。本研究还探讨了教师特征（如自我效能感、教龄、专业认证情况）与人工及LLMs所识别的PCK水平之间的关联。结果显示，针对特定PCK要素，两类评估结果的相关性具有一定一致性，但不同模型间的稳定性存在差异。此外，基于教案识别PCK水平的人机一致性信度已接近人人一致性信度，部分指标超过0.80。这些发现凸显了LLMs通过整合多源数据推动科学教师PCK研究并实现规模化应用的巨大潜力。本文还讨论了利用LLMs识别PCK水平的挑战与机遇，为未来研究与科学教师教育实践提供了启示。
点击左下角“阅读原文”，阅读特刊文章。
Disciplinary and Interdisciplinary Science Education Research （DISER，学科与跨学科科学教育研究）以“聚焦前沿议题”为核心，策划了“后疫情时代科学教育转型”“项目式学习实践探索” “科学教育中使用人工智能的机遇与挑战”“科学教育中的社会性科学议题”等系列特刊，邀请全球顶尖学者共同探讨科学教育创新趋势。其内容既涵盖理论研究，也注重实践落地，为教育政策制定者与一线教师提供参考。DISER创刊于2019年底，由北京师范大学教育学部委托Springer出版。作为国际化平台，DISER已接到来自100余个国家和地区作者的投稿，2024年正式进入SCOPUS数据库，2025年文章下载量超过37万次，学术认可度和影响力不断增加。期刊坚持“完全开放获取”政策，致力于打破学术壁垒，论文出版费由北京师范大学教育学部全额承担，助力全球学者无负担分享成果。