【人工智能】小学科学 | 人机协同论证促进小学生对科学本质的认识——基于“测试材料的导热性”多轮次数据论证

【摘要】：科学本质认知是科学素养的核心维度，传统教学常难以触及“暂定性”“可证伪性”等深层特征。该研究构建“猜想-AI预测-实验验证-数据交互验证-AI大数据分析-认知迭代”的人机协同教学模式，以“测试材料的导热性”一课为例，通过“小组数据→班级数据→跨班数据→集体归纳→AI大数据分析”的多轮次数据论证驱动小学生对科学本质的认知。研究发现，AI结论的“不确定性”有效引发认知冲突，引导学生理解科学结论的条件性边界，如工具精度限定认知边界，结论依赖证据强度等。课堂观察表明，该模式下的课堂教学，可以较好地实现学生批判思维(质疑AI结论)、实证精神(基于数据论证)与技术理性(理解AI局限)的素养共生，为人机协同深化科学本质理解及科学教育数字化转型提供了新路径。

【关键词】：人机协同；多轮次数据论证；科学本质；认知冲突；人工智能

《义务教育科学课程标准(2022年版)》明确指出，科学课程是一门体现科学本质的综合性基础课程1]，这意味着科学课程不仅仅是传授科学知识，更重要的是引导学生理解科学的本质特征(Natureof Science，NOS)，包括科学知识的可验证性、相对性、暂时性等。这种对科学本质的理解，有助于学生形成对科学的整体性认识，从而更好地理解科学、技术与社会之间的关系。然而，传统教学常将科学结论简化为单向验证过程，忽视数据的条件性边界[2]，局限于“假设-验证”线性流程，缺乏对数据差异的深度归因。人工智能(AI)凭借其强大的数据存储、处理与模式识别能力，通过多源数据整合与可视化，为破解这一困境提供了可能[3]。本研究据此构建多轮次数据论证分析路径，探索人机协同深化科学本质(NOS)认知的实践范式。

对科学本质的界定是相关研究和教学实践的前提。袁维新和陈琴、庞丽娟等国内学者较早系统探讨了NOS的核心内涵，普遍认同其关键维度包括：科学知识的暂定性(即科学结论并非绝对真理，会随新证据的出现而不断修正)、可证伪性(科学理论必须具有被经验证据证伪的可能性，这是区分科学与非科学的重要标准)以及证据的条件性(科学结论的得出受限于特定的研究方法、工具和背景条件)[4][5]。马修斯(MichaelR.Matthews)在其著作《科学教学：科学史和科学哲学的贡献》中进一步提出了更具操作性的“科学特征”(Featuresof Science，FOS)框架[6]。马修斯强调，FOS并非单一概念，而是一个多维度的体系，为科学教育中理解NOS提供了可操作的结构化路径。该框架的认识论维度尤其关键，包括：可证伪性：强调科学结论必须具有被证据推翻的可能[7]；实证基础：科学知识必须建立在可观察、可检验的证据之上[8]：观察与推理的区别：科学家通过观察收集数据，但构建理论需要推理，学生常混淆两者[9]；暂定性：所有科学知识都具有可修正性[10][11]。

马修斯明确指出，有效的FOS/NOS教学必须超越简单的“知识传递”，其核心在于引导学生深入理解“证据与论证”之间的逻辑关系。这意味着教学应聚焦于帮助学生掌握如何基于证据构建合理的科学论证，以及理解证据如何支撑或反驳特定的科学主张。王星乔、米广春倡导的“论证式教学”正是这一理念的体现，旨在通过模拟科学家的论证实践来深化对科学探究本质的理解。

然而，将FOS/NOS理念有效融入小学科学课堂面临显著挑战。从学生认知发展角度看，蔡铁权、陈丽华和阁元红、郭文华的研究指出，小学生正处于具体运算阶段向形式运算阶段过渡时期，思维以具体形象为主，理解NOS中如“暂定性”等高度抽象的概念存在天然困难。他们更易接受确定性知识，对科学知识动态发展的特性难以把握。另一方面，教师层面的挑战更为关键。高潇怡、胡巧的实证调查揭示了小学科学教师普遍存在“科学本质观”认识模糊或不足的问题12]。蔡铁权、陈丽华和蔡其勇、靳玉乐的研究进一步指出，一线教师普遍缺乏关于NOS的学科教学知识(PCK)，对其教育价值认识不到位，也缺乏将其有效融入教学的具体策略和经验[13][14]。这种双重挑战(学生认知局限和教师准备不足)导致小学生在常规科学教学中难以获得系统、深入的NOS体验。

因此，正如马修斯所倡导的，以及康琪、季薛庆等研究所支持的，抓住FOS框架中可操作的关键要素(特别是与证据和论证密切相关的维度)进行教学设计，成为促进小学生理解NOS的可行且重要的途径。这为本研究选择“数据论证”作为切入点提供了直接的理论依据。

数据论证(DataArgumentation)作为科学实践的核心环节，被广泛认为是连接具体科学活动与抽象NOS认知的关键桥梁。美国《新一代科学教育标准》(NextGeneration ScienceStandards，NGSS)明确将“基于证据进行论证”(EngaginginArgument from Evidence)列为八大科学与工程实践之一，并强调其是学生理解“科学如何运作”(即NOS)的关键路径。郭玉英等在评述NGSS时指出，该标准要求学生在科学学习中不仅要掌握知识，更要学会像科学家一样思考和工作，其中数据论证是核心实践，涉及数据的收集、分析、解释以及基于数据构建主张、反驳和辩护[15]。万东升等的国际研究综述也印证了数据论证在科学本质教学研究中的核心地位日益提升[16]。

数据论证的价值在于其能够具象化地体现NOS的关键特征。然而，任宁生、邓小丽指出，传统科学教学中常常依赖单一或少量数据点进行解释和得出结论，这种局限性难以让学生充分体会科学规律的复杂性和结论的或然性17]。杜爱慧、王星乔、米广春以及季薛庆等研究论证式教学的学者均强调，多轮次的数据分析与验证具有显著优势：通过扩大样本量，学生能接触到更丰富、更具代表性的数据，更全面地把握现象：通过跨班级的数据比较和验证，学生能更深刻地体验到“证据的层级性”(不同证据的说服力差异)和“结论的条件性”(结论适用的范围和限制)，从而直观地感知科学知识的暂定性和实证基础要求[18][19]张敏霞、张靖、朱铁成、余霞莹、张颖之、刘恩山以及梁永平等学者也从不同角度论证了基于证据的论证过程对于揭示NOS要素(如观察与推理的区别、科学知识的建构性)的核心作用[20-23]。

近年来，人工智能(AI)技术的迅猛发展为数据论证教学，特别是实现多轮次、深层次的数据论证以深化NOS认知，带来了革命性的契机。祝智庭、韩中美等提出“教育人工智能(eAI)”概念，强调人本人工智能的新范式[24]。祝智庭、陈怡、朱晓悦阐述了技术赋能智慧教育的路径，其中AI的数据处理能力是关键[25]。郝祥军、顾小清指出，AI重塑了知识观，其强大的数据整合与分析能力能够挖掘人力难以发现的复杂模式和统计规律，为学生展现更广阔、更深邃的“科学视野”，这为进行多轮次、多维度数据分析提供了技术保障26]。兰国帅等提出的教育者AI素养框架，也包含了利用AI工具进行数据分析和支持学生探究的能力[27]。更重要的是，AI分析常常产生带有概率或置信度的“不确定性结论”(如预测模型的结果)。柯清超等和黎加厚在探讨生成式AI教育应用时均指出，这种不确定性能够有效地引发学生的认知冲突[28][29]。当学生面对AI生成的、并非绝对确定的结果时，会更自然地反思：为什么会有不确定性？什么因素影响了结果？新的数据会如何改变结论？这种反思恰恰直指科学知识的暂定性、可证伪性以及证据的条件性等NOS核心特征。因此，AI不仅是高效的数据处理工具，其生成的“不确定性”本身就能成为触发和深化学生理解NOS的强力载体30]。陈婷、李兰提出的基于问题提出的“深度学习过程”理念[31]以及焦建利、魏宁探讨的AI时代教育变革，为本研究构建“人机协同”的数据论证环境以深化NOS认知提供了重要的理论支撑和实践方向。

基于上述研究脉络，本研究认为在科学教育中，充分利用多轮次数据论证，结合AI技术的优势，引导学生积极参与数据论证过程，能够帮助学生在实践中不断深化对科学本质的理解，培养其科学思维和探究能力，为未来的科学学习和研究奠定坚实的基础。因此，探索“多轮次数据论证”作为人机协同环境下深化小学生科学本质(NOS)认知的核心机制，具有坚实的理论基础和迫切的实践需求，是本研究旨在解决的核心问题。

本节课以“制作保温杯前需探究材料的导热性”为任务，构建多轮次数据论证框架(如下页图1所示)，通过人机协同深化科学本质(NOS)认知。具体流程如下：

教师以“冰块消失之谜”为情境，引出核心问题：“铜、铁、塑料、木头的导热性如何排序？”学生基于生活经验提出猜想，暴露前概念。

引导学生与AI助手“保温材料博士”(利用豆包制作的智能体角色)对话，输入相同问题后发现7组结果：铜>铁>塑料>木头，2组结果：铜>铁>木头>塑料，AI的预测结果存在分歧。教师引导质疑：“AI结论不一致时，如何验证真相？”并明确“科学不迷信权威，实践是检验真理的标准”，将AI预测转化为待验证的命题，确立实证精神的核心地位。此环节通过“人机不一致”的认知冲突，使学生初步理解科学探究的复杂性，呼应科学本质中“可证伪性”的内涵任何结论都需经实验检验，而非依赖权威。

图1多轮次数据论证框架

学生小组使用配备温度传感器的实验装置，控制材料规格、水量、初始温度等变量，实时采集四种材料的温度变化数据，自动生成时间-温度曲线图。技术赋能使学生从繁琐的人工记录中解放，聚焦核心科学逻辑“曲线斜率反映导热速度”，为深度论证奠定数据基础。

本环节通过五层级论证框架，引导学生逐级理解NOS核心内涵：

层级1：小组数据论证(现象描述与初阶推理)：各小组分享实验结果，说明排序依据。教师引导学生关注“曲线形态与导热速度”的关联，同时点明：单一小组数据仅反映特定条件现象(呼应NOS:结论的条件性)。

层级2：班级数据论证(差异归因与反思误差)：汇总全班9组数据，发现共识(铜>铁)与分歧(4组塑料>木头，5组木头>塑料)。教师追问：“为何塑料与木头的排序存在分歧？”学生结合实验过程归因。此环节通过“数据不一致”的冲突，使学生认识到实验的固有不确定性，理解科学结论需考虑多因素影响，培养实证精神。