AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Физическое образование

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Физическое образование — исследование того, как студенты изучают физику и как преподавать её более эффективно; сюда входят сократическое AI tutoring, оценивание computational thinking, модели Доверие студентов и принятия ИИ, валидность автоматизированного выставления оценок и подготовка преподавателей. Статьи по физическому образованию в этой базе знаний отличаются предметной специфичностью: они исследуют, как инструменты ИИ взаимодействуют с уникальными когнитивными требованиями физических рассуждений — наглядно-пространственным мышлением, математическим моделированием, абстрактным системным мышлением и многошаговым Решение задач.

Вопросы для размышления

  • Физические задачи часто требуют наглядно-пространственного мышления, математического моделирования и многошаговых рассуждений. Почему именно эти когнитивные требования могут оказаться трудными для современных ИИ-тьюторов?
  • Студенты сообщают о большом разрыве между доверием и полезностью: 91% используют ИИ в учебной работе, но лишь 41% ему доверяют. Приходилось ли вам пользоваться инструментом, которому вы не полностью доверяли? Что порождало этот разрыв?
  • ИИ-оценивание систематически занижает оценки физических объяснений студентов со слабым языковым владением. О чём это говорит относительно того, как ИИ оценивает объяснение в сравнении с правильным числовым ответом?
  • В одном исследовании сократический ИИ-чатбот значительно улучшил специфичность вопросов в живом курсе физики, но студенты также часто «уступали стратегический контроль» тьютору. Когда передача стратегического контроля помогает обучению, а когда вредит ему?
  • Почему физика может быть «испытательным полигоном» для AI in education — что делает её задачи идеальными для изучения того, как ИИ влияет на рассуждение и оценивание?
  • Доверились бы вы ИИ оценивать ваш набор физических задач или рассуждать вместе с вами о диаграмме сил? Что должно быть верно относительно ИИ — и относительно вашего курса — чтобы вы ответили «да»?

Введение

research по физическому образованию стали испытательным полигоном для ИИ в образовании, потому что физические задачи хорошо структурированы, но когнитивно требовательны, что делает их идеальными для изучения того, как инструменты ИИ влияют на обучение, рассуждение и оценивание. 26 статей в этой базе знаний в совокупности рисуют картину области, которая борется и с обещанием, и с пределами ИИ — от сократических chatbots, улучшающих качество вопросов студентов, до систематических искажений оценивания, наказывающих лингвистически разнообразных учащихся.

Ключевые темы исследований

Сократическое ИИ-тьюторство в физике — наиболее разработанная тема: три статьи разворачивают сократический диалог на базе Большие языковые модели (LLM) в реальных курсах физики. Hashmi et al. продемонстрировали, что устойчивое сократическое взаимодействие с ИИ-чатботом значительно улучшает специфичность вопросов во вводной механике; исследование проведено со 150 студентами STEM-направлений в живом курсе. Hashmi & Rebello построили восходящую таксономию из 357 категорий студенческого дискурса по тому же внедрению, показав, что метапроцедурные реплики — при которых студенты уступают стратегический контроль тьютору, — доминируют во взаимодействии студентов. Обе работы вносят вклад в более широкие исследования Сократический метод и связаны с AI Tutoring и рамками Интеллектуальное тьюторство.

Принятие ИИ студентами и доверие к нему исследует, как студенты-физики фактически используют инструменты ИИ. Fouad & Bentley обнаружили 50-балльный разрыв между доверием и полезностью: 91% используют ИИ в учебной работе, но лишь 41% ему доверяют, при этом студенты спонтанно называли режимы отказов ИИ в наглядно-пространственных рассуждениях и в схемах электрических цепей. Becker et al. разработали типологию из двух профилей — 70% «прагматичных пользователей» и 30% «скептических не-пользователей» — на основе 1 189 анкетных ответов, показав, что обе группы совершают расчётные компромиссы между риском и полезностью. Эти исследования продвигают изучение ИИ-грамотность и Калибровка доверия и оспаривают универсальные AI policies.

Эпистемологические убеждения соотносятся с предпочтением поведения чатбота. В крупном курсе с основами математического анализа 52% студентов предпочли чатбота, который начинал с управляемого исследования и отвечал только по запросу, и они показали более высокий общий балл EBAPS (p = 0,029) — различия, которые не выдержали поправки Бонферрони, что делает эту связь предположительной, а не убедительной (Sirnoorkar and Mamidpalliwar (2026)).

Изменение восприятия без изменения поведения — вот что O'Brien et al. (2026) добавляют к этой картине. Рефлексивное занятие о том, как работают LLM, проведённое в обязательном курсе первого года для студентов-физиков, резко повысило скептицизм: согласие с тем, что LLM могут оставить студентов с ложным чувством уверенности, выросло с 58% до 88%, а убеждение, что LLM превосходит среднего студента-физика, упало с 54% до 32% — при этом удобство (71% согласия) и давление сроков (65%) оставались доминирующими причинами использования. Пределы занятия столь же информативны, как и его эффект: обучение ИИ-грамотность изменило то, что студенты говорят об этих инструментах, а не давления, которые заставляют их к ним обращаться, поэтому вмешательство такого рода должно идти рядом с проектированием задач и политик, а не вместо них.

Формулирование задач превращает учащегося в автора задачи: 76% из 49 студентов-физиков отметили положительное изменение в своих взаимодействиях с генеративным ИИ после обучения инженерии промптов, при этом новички выиграли больше всего, и около 68% позитивно оценили эту технику как способ самостоятельной учёбы (Dawson & Rebello (2026)).

Оценивание и вычислительное мышление — исследование того, как ИИ может оценивать усвоение физики. Savage et al. использовали LLM для оценивания роста computational thinking во вводной физике, обнаружив, что LLM могут масштабировать оценивание ВМ, но испытывают трудности со сложными конструктами вроде системного мышления. Feser & Tschisgale продемонстрировали, что ИИ-оценивание систематически занижает оценки физических объяснений студентов со слабым языковым владением — вывод, который связан с Валидность оценивания, Снижение перекосов (bias mitigation) и Справедливость.

Психометрическая инфраструктура для диагностического оценивания. Le et al. (2026) переворачивают обычный вопрос об ИИ в физике: вместо того чтобы спрашивать, может ли модель решить или оценить физику, они спрашивают, можно ли заставить собственные исследовательские assessments области диагностировать её. Сопоставив задания FCI, FMCE и EMCS с 14 детализированными целями обучения и подогнав когнитивно-диагностическую модель DINA к 24 394 ответам на посттест из 807 курсов в 79 учебных заведениях через платформу LASSO, они построили Mechanics Cognitive Diagnostic — по сообщению авторов, первый компьютеризированный адаптивный когнитивно-диагностический тест по физике. FCI и EMCS подогнаны хорошо (RMSEA² = 0,033 и 0,022), тогда как FMCE — лишь маргинально (0,065), и авторы объясняют это несоответствие устройством инструмента, а не моделированием: 42 из 43 оцениваемых заданий FMCE разделяют сценарные основы в сцепленных наборах, создавая локальную зависимость заданий, которую запрещает допущение об условной независимости в DINA (в FCI блокируется 13 из 30 заданий; в EMCS — ни одного). Точность классификации достигла порога низкоставочного formative оценивания для 19 из 22 комбинаций «цель — оценивание»; три неудачи пришлись на цели EMCS по энергии, задания которых перекрываются примерно на 70 процентов, поэтому освоение одной цели невозможно отделить от других. Значение для преподавания физики состоит в том, что инструменты, которые курсы уже применяют, могут быть перепрофилированы для предоставления практически применимой обратной связи на уровне отдельных целей во время обучения, а не лишь ретроспективного балла посттеста — при условии что диагностические утверждения заданы на том разрешении, который банк заданий действительно способен поддержать.

Бенчмаркинг мультимодального ИИ на аутентичных физических задачах. Chen et al. (2026) представляют OmniPhys — крупномасштабный Мультимодальный ИИ Бенчмарк (15 246 вопросов, 19 850 изображений), охватывающий физику от уровня средней школы до университета на материале китайских образовательных корпусов. Что необычно, он оценивает не только понимание мультимодального входа, но и генерацию мультимодального выхода — способность моделей синтезировать структурированные физические диаграммы, ключевой компонент аутентичного решения задач. Обширные оценки выявляют критические пробелы в современных мультимодальных LLM, особенно в сложных рассуждениях и визуальной генерации.

Рамки учебного проектирования для обучения с ИИ-поддержкой. Kuhn et al. предлагают рамку AIRIS (Activate–Inquire–Reflect with Intelligent Support) — трёхфазную структуру когнитивно активированного использования ИИ в физике: студенты прогнозируют и зарисовывают ожидаемые результаты до обращения к ИИ (Activate), делегируют ИИ вычислительные и репрезентационные шаги, критически сравнивая его вывод со своими прогнозами (Inquire), и затем интерпретируют, проверяют согласованность между репрезентациями и размышляют о том, что внёс ИИ (Reflect). Опираясь на Саморегулируемое обучение, теорию Cognitive Load, множественные внешние репрезентации и Коллаборация человека и ИИ, она формулирует центральную задачу как задачу instructional design, а не как проблему списывания или выбора инструмента, и призывает к экспериментам с «условием удаления», проверяющим, сохраняется ли обучение при снятии ИИ-поддержки.

  • Обучайте критике ИИ-решений по рубрике. Двадцать четыре вводные лабораторные группы по физике, которые критиковали ИИ-решение с рефлексией под руководством MAPS, выявили пропущенное численное интегрирование, неопределённые обозначения и построение качественных графиков вместо количественных, тогда как группы, решавшие лишь смежную задачу, принимали отполированный вывод или отвергали его, исходя из собственных заблуждений (Borse et al. (2026)).

Генеративное видео как синтетические экспериментальные данные. Alvarado-Cruz et al. (2026) генерируют видеосценарии с помощью PixVerse, Grok Imagine и Pippit для трёх режимов силы сопротивления — постоянного трения, линейного и квадратичного сопротивления, — извлекают кинематику с помощью инструмента Открытый код Tracker и подгоняют аналитические модели методом нелинейных наименьших квадратов. Синтетические данные согласовались с классическими уравнениями движения и восстанавливали физически осмысленные параметры, при этом повторяющийся практический вывод состоит в том, что специфичность промпта определяет физическую связность: более детальные описания давали более связную динамику. Рабочий процесс зеркально отражает экспериментальную практику от построения модели до quantitative валидации и переосмысляет prompt formulation как этап экспериментального проектирования, а не как удобство. Чего он пока не демонстрирует, так это обучения: валидация здесь — это согласие между сгенерированным движением и моделями авторов, а не оценочное суждение студентов, поэтому подход наследует вопрос validity, который должны решать любые сгенерированные данные, используемые как свидетельство.

Индивидуальные симуляции для тем, которые не покрывает PhET. Сгенерированные LLM модели на HTML/JavaScript позволяют преподавателям создавать нужную курсу симуляцию вместо ближайшей опубликованной, при условии технической и физической валидации; в пилоте 53 студента в 26 парах строили и совершенствовали свои модели свободного падения, и предварительных навыков программирования не требовалось (Ben-Zion et al., 2025).

Многоразовый промпт из четырёх элементов — инструменты, отображение, ручное управление, оптимизация — позволяет преподавателю без кода сгенерировать браузерную AR-симуляцию, в которой жесты сведения и разведения пальцев управляют физикой; в пилоте с 29 студентами жест помог всем 29 «почувствовать» длину волны (среднее 4,52), а 86% сообщили о большей вовлечённости (Levy et al. (2026)).

Приборы, сгенерированные ИИ из промпта. Лабораторная работа по вращению, сгенерированная промптингом на естественном языке ИИ-ассистента без ручного кодирования, измеряла равномерное и равноускоренное круговое движение с точностью до 1% от независимого видеоанализа в Tracker, позволяя преподавателям строить интерфейс вокруг своих педагогических переменных вместо того, чтобы адаптироваться к предварительно скомпилированному приложению с датчиками (Suñer et al. (2026)).

Выполнение с помощью vs. знание без помощи в перепроектированном курсе. Перепроектирование 2026 года вводного курса ядерной физики и физики частиц в Рурском университете г. Бохум (Mikhasenko et al.) разрешило использование generative AI на десяти намеренно устойчивых к ИИ, исследовательски оформленных домашних листах, построенных так, что наивного prompting было бы недостаточно. Engagement и амбициозность были высокими — 24 из 42 студентов получили зачёт по всем десяти листам, и один вывод занял более двух метров доски, — но непомощный письменный экзамен на 90 минут стал «серьёзным предупреждением»: средний балл 20,6 из 80, и лишь двое из 27 экзаменовавшихся достигли 40. Авторы заключают, что выполнение с помощью и самостоятельно извлекаемое знание — различные достижения, которые нельзя предполагать тренирующими или демонстрирующими друг друга, и что курсы физики должны оставлять часть практики для работы без помощи — что усиливает более широкие доказательства базы знаний по transfer.

Обзор PRISMA 2026 года, охватывающий 11 эмпирических исследований в шести странах, приходит к тому же выводу на уровне области: краткосрочные приросты от обратной связи ИИ и симуляций не сохранялись на последующих экзаменах и не переносились на независимое выполнение (review of AI in university physics education).

Проектирование роли агента как учебная переменная. Wang et al. (2026) удерживают постоянными модель (DeepSeek R1), платформу и температуру и варьируют только задаваемую промптом роль: агент, центрированный на преподавателе, авторитетно отвечающий из ограниченного источника знаний учебника, в сравнении с агентом, центрированным на студенте, настроенным как эмпатичный преподаватель, знающий понимание студентов, и запрограммированным диагностировать причину Заблуждения об ИИ, называть релевантное понятие и переносить на аналогичное явление. Среди 59 выпускников школ, работавших с двумя концептуальными заданиями, агент, центрированный на студенте, дал более высокие баллы посттеста (9,67 против 7,93; r = 0,38), более низкую постороннюю и более высокую релевантную когнитивную нагрузку, более сильный опыт потока (d = 0,92) и более высокое воспринимаемое эмпатическое участие (r = 0,53) — свидетельство того, что именно framing роли — то есть рамочная подача роли, — а не только точность ответов, делает физического агента педагогически эффективным (Педагогический агент, Промпт-инжиниринг).

  • Баллы бенчмарков преуменьшают то, что модели уже умеют в физике. Переоценка шести широко используемых физических бенчмарков с участием экспертов в предметной области показала, что большая часть заявленного отставания — артефакт дефектных заданий и ограничительных автоматизированных оценщиков: из 250 проверенных отклонений 143 (57,20%) были дефектами бенчмарка, а 95 (38,00%) — ошибками оценщика, и лишь 12 (4,80%) были подлинными ошибками модели. После исправления средний балл HLE-Physics при mean@4 вырос с 47,28% до 78,66%, а CritPt — с 32,29% до 87,50%. Для преподавания физики это работает в обе стороны: это означает, что студенты уже могут получать текстовые решения экспертного уровня для многих канонических задач, поэтому оценивание физических рассуждений должно двигаться в сторону заданий, устойчивых к загрязнению бенчмарками, и в сторону доказательств процесса, а не окончательных ответов. (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)

  • ИИ-оценивание может воспроизводить высокоставочный результат по физике, не совпадая в каждой части. Оценивая 10 364 рукописные страницы олимпиадных и университетских работ, мультимодальная LLM выделила ту же команду олимпиады из пяти студентов, что и экзаменаторы, и коррелировала с итоговыми баллами на уровне r = 0,93–0,96, но точное согласие по частям заданий достигало лишь 70% — второй прочтение под контролем экзаменатора, а не замена ему (Pathak et al. (2026)).

  • Физические бенчмарки могут быть привязаны к учебной программе и быть неанглоязычными. Jahin et al. (2026) построили 1 834 бенгальских вопроса на основе национального учебника физики для 9–10 классов и графа знаний из 1 760 узлов; одна фиксированная процедура тонкой настройки дала прирост 5,5, 15,0 и 23,3 балла при 0,6B, 1,7B и 4B параметрах.

Связи с родственными концепциями

Физическое образование лежит внутри более широкой области STEM-образование, но имеет отличительные связи: с Сократический метод — через сильную традицию сократического диалога в решении физических задач; с Вычислительное мышление — через растущую роль вычислений в физике; с Валидность оценивания — через трудности оценивания физических объяснений; и с Обучение на рабочем месте — через подготовку на основе Моделирование. Концепции Опыт студентов и ИИ-грамотность необходимы для понимания того, как студенты-физики ориентируются в инструментах ИИ, тогда как Образовательное измерение и Automated Grading связаны с измерительным измерением.

Практические следствия для преподавателей физики

  • Проектируйте под доверие студентов, а не только под принятие. Fouad & Bentley документируют 50-балльный разрыв между доверием и полезностью (91% используют, 41% доверяют), при этом студенты указывают на отказы ИИ в наглядно-пространственных рассуждениях и в схемах цепей, — создавайте возможности вскрывать и обсуждать эти пределы вместо того, чтобы предполагать принятие.

  • Используйте сократический ИИ для углубления качества вопросов, но следите за уступкой стратегии. Socratic chatbots улучшают специфичность вопросов, однако taxonomy research показывают, что доминируют метапроцедурные реплики — студенты передают стратегический контроль тьютору. Вмешивайтесь, чтобы студенты оставались принимающими решения.

  • Структурируйте использование ИИ когнитивно, а не только разрешительно. AIRIS (Activate–Inquire–Reflect) показывает ценность того, чтобы студенты прогнозировали/набрасывали план до обращения к ИИ, делегировали вычислительные шаги, критически сравнивая вывод, и размышляли после этого, — рассматривайте интеграцию ИИ как задачу учебного проектирования и проверяйте, сохраняется ли обучение при удалении ИИ. В рандомизированном испытании с 95 студентами старших курсов 45 минут обучения, согласованного с СРО, по задачам механики повысили точность, когда студенты впоследствии пересматривали задания по электромагнетизму с помощью модели: 69,3% их неверных ответов стали верными против 41,3% у нетренированных контролей (d = 0,81) (Huang et al. (2026)).

  • Защищайтесь от искажений оценивания. AI scoring систематически занижает оценки объяснений студентов со слабым языковым владением; используйте языко-чувствительное оценивание или оценивание с модерацией человеком для концептуального оценивания.

  • Используйте симулированные аудитории для подготовки преподавателей. Simulated multi-agent classrooms дают будущим преподавателям редкую практику реагирования на аутентичные рассуждения студентов — недорогое дополнение к живому микрообучению.

  • Оставляйте практику и оценивание без помощи. Перепроектирование в Бохуме (Mikhasenko et al. 2026) показывает, что домашняя работа исследовательского характера с разрешённым ИИ, выполняемая с высокой вовлечённостью, может оставить студентов далеко позади на экзамене без помощи (среднее 20,6 из 80), — рассматривайте выполнение с помощью и самостоятельно извлекаемое знание как различные достижения и встраивайте в курс специальную практику без помощи и письменный экзамен.

  • Проверяйте точность следования фасилитатора; сохраняйте фазу построения модели без ИИ. Когда у специально настроенного Gem потребовали «просто сказать», какой груз весил больше, он выдумал значения масс, которые никто не измерял, поэтому точность следования фасилитатора, работающего на естественном языке, должна проверяться, а не предполагаться, а фаза построения без ИИ сохраняет практическую работу, до которой ИИ не может дотянуться (Tufino & Damiani (2026)).

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаPhysics Education, Stem Education
УровеньHigher Ed
Целевая аудиторияLearners, Instructors
Обучение и преподаваниеСократический метод
Технологии и методыГенеративный ИИ, Интеллектуальное тьюторство
Основы ИИ в образованииИИ-грамотность
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.