AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Естественно-научное образование

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Science education — изучение и практика того, как студенты изучают науку и как её преподавать; сейчас эта область перестраивается под влиянием генеративного ИИ (LLM, симуляций, виртуальных лабораторий и ИИ-оценивания) в physics, химии и biology. Статьи по естественно-научному образованию в этой базе знаний выявляют область, находящуюся в поиске разрешения ключевого противоречия: ИИ явно поддерживает исследование, исправление заблуждений и оценивание в масштабе, однако его ценность зависит от проектирования обучения, и он несёт реальные риски over-reliance, галлюцинаций и обезличенного, ориентированного на прибыль обучения.

Вопросы для размышления

  • Страница начинается с противоречия: ИИ явно поддерживает исследование и исправление заблуждений в масштабе, однако его ценность целиком зависит от проектирования обучения. Прежде чем читать: когда инструмент, который вы использовали в преподавании естественных наук, казался мощным, но педагогически пустым — и в чём заключалась разница?
  • При исследовании физики с помощью ИИ тот «придумал» значения масс, которые никто не измерял, когда студенты на него надавили. Что этот инцидент говорит об обращении с результатами ИИ как с авторитетными в науке, и как следует обучать студентов относиться к уверенно звучащему ответу?
  • Исследования указывают, что ИИ может сейчас приносить больше пользы как масштабируемый генератор контента, чем как интерактивный тьютор — в одном исследовании хорошо составленные тексты для концептуального изменения (экспертные или сделанные ИИ) превзошли подсказанный диалог с ИИ. Вас это удивляет, и что это говорит о том, где сейчас лежит реальная педагогическая отдача ИИ в естественных науках?
  • ИИ оценил 10 364 письменных работы по физике с высоким согласием с человеческими оценщиками, однако мультимодальные модели всё ещё показывают пробелы в сложном рассуждении и генерации диаграмм. Что именно в «аутентичной, насыщенной репрезентациями» научной работе может сопротивляться автоматизированному оцениванию?
  • Студенты-физики демонстрируют поразительный разрыв между доверием и полезностью — высокое использование, низкое доверие — и делятся на прагматичных пользователей и скептичных непользователей. Если сами студенты — скептики, калиброванные предметной областью, что это означает для единообразных для всех политик относительно ИИ на занятиях по естественным наукам?
  • Критический голос предупреждает об «ИИ-колонизации» естественно-научного образования — извлечение без согласия, алгоритмическая монокультура, обезличенная реформа. Прежде чем читать: где, по-вашему, преимущества ИИ в естественно-научном образовании избыточно преувеличиваются, и как выглядела бы гуманистическая, ориентированная на справедливость альтернатива?

Введение

Естественно-научное образование — это место, где обещание ИИ и его пределы сталкиваются наиболее зримо, потому что дисциплины требуют строгого Мультимодальный ИИ рассуждения — наглядно-пространственного мышления в физике, лабораторных навыков в химии и систем уровня организмов в биологии — наряду с хорошо структурированным, проверяемым контентом, с которым LLM справляются хорошо. Тринадцать синтезированных здесь статей охватывают все три дисциплины и все уровни — от средних классов K-12 до университетских курсов Высшее образование и программ pre-service teacher. Во всех них возникает согласованная картина: ИИ лучше всего работает не как генератор ответов, а как встроенный партнёр — соисследователь, генератор контента, ассистент виртуальной лаборатории, — чей вклад определяется instructional design и окружающей педагогической структурой.

Четырёхнедельная рандомизированная оценка ИИ-платформы для повторения в науках GCSE даёт этой картине причинную оценку — Hedges' g = 0.33, без свидетельств того, что эффект различался по предмету или по статусу неблагополучия, — в сравнении с уже насыщенным технологиями контрфактом, так что эта величина — именно добавленная ценность, а не ИИ в сравнении с отсутствием ИИ (Harrison et al. (2026)).

Эти находки уровня занятий располагаются внутри более крупного методологического вопроса. Martin, Rost, Koenen and Graulich (2026) утверждают, что исследования в естественно-научном образовании могут сейчас находиться в эпистемической итерации, опираясь на описание Хасока Чанга (2004) последовательных стадий знания, которые итеративно выстраиваются к специфическим эпистемическим целям. В их прочтении методологии ИИ могут трансформировать не только то, как область анализирует обучение студентов, но и то, каким эпистемическим целям, критериям и практикам она отдаёт приоритет. Они предлагают семифазную рефлексивную рамку (формулировка проблемы; инструментирование и измерение; экспериментирование и вывод на основе доказательств; сравнения и репликация; выстраивание норм и консенсуса; внедрение и его последствия; и непрерывное уточнение), иллюстрируемую примерно 150-летним развитием термометрии, и представляют её как рефлексивный инструмент, а не как валидированный метод или эмпирическую находку.

Виртуальные лаборатории и симуляции

ИИ резко снижает порог создания настроенных, воплощённых научных инструментов. Levy et al. показывают, что промпт из четырёх элементов на естественном языке может сгенерировать управляемую руками симуляцию физики в дополненной реальности (жест «щипок и растяжение» настраивает длину волны виртуальной лампы), причём 86% студентов пилотной программы сообщили о большей engagement. Аналогично Suñer et al. сгенерировали полностью посредством промптинга браузерную лабораторию вращательного движения, валидированную по сравнению с видеоанализом с точностью лучше 1%. Эти работы переосмысляют generative AI как programming, позволяющий преподавателям проектировать программное обеспечение вокруг pedagogical intent, а не адаптировать занятия к фиксированным приложениям — продвигая embodied и основанное на Моделирование обучение. В Химическое образование Abdikayumova & Madybekova встроили симуляции PhET и тьюторинг ChatGPT в контекстуальный инквизитивный цикл 7E для студентов 10-го класса, достигнув значительно более высоких достижений и вовлечённости, чем каждый компонент по отдельности, — доказательство того, что контекстуализация, структурированное исследование и адаптивный ИИ действуют синергически. Поведенческий анализ того, как учащиеся работают внутри таких сред моделирования, усиливает этот урок проектирования: отследив 315 онлайн-учащихся, строящих экологические модели в VERA, An, Hammock & Goel (2025) обнаружили, что учащиеся, вовлечённые в полное исследование с выдвижением гипотез, строят самые сложные и разнообразные модели, тогда как учащиеся с преобладанием наблюдения в основном копируют существующие модели, — что говорит о том, что инструменты научного моделирования должны активно поощрять полноцикловое исследовательское поведение, а не оставлять учащихся в пассивном, доминируемом наблюдением режиме.

ИИ-тьюторы и обучение на основе исследования

Обучение на основе исследования — центральная тема. Jiang et al. в своём systematic review 24 исследований позиционируют ChatGPT как «ИИ-соисследователя», используемого главным образом на фазах концептуализации, исследования и обсуждения STEAM inquiry, улучшая результативность, critical thinking и вовлечённость, — однако с рисками чрезмерной опоры на инструмент, галлюцинаций и поверхностных выводов, когда результаты воспринимаются как авторитетные. Aydın обнаружил, что восемь недель направляемого исследования с поддержкой ИИ дали большие приросты в концептуальном понимании фотосинтеза и дыхания у будущих преподавателей, тогда как AI literacy и computational thinking не показали значимого изменения, — что говорит о том, что дисциплинарное обучение может улучшаться даже когда более широкие компетенции нуждаются в более длительном или более явном обучении. Tufino & Damiani показывают, что ИИ может скаффолдить эпистемическое ядро исследования ISLE, оставаясь ограниченным вербальным каналом, но обнаружили хрупкость фасилитации: под давлением студентов ИИ «придумал» значения масс, которые никто не измерял, подчёркивая Риск галлюцинаций и необходимость проверять, а не предполагать достоверность ИИ. Kuhn et al. предлагают рамку AIRIS (Activate–Inquire–Reflect), чтобы удержать предсказание, интерпретацию и оценивание как неделегируемые человеческие задачи, и призывают к экспериментам с «условием отзыва», проверяющим, выживает ли обучение при удалении ИИ, — прямой ответ на «проблему кипящей лягушки» эрозии эпистемической практики. Экспертная суждение об учебных планах, сгенерированных ИИ, распространяет этот урок проектирования на curriculum науку: Karaismailoglu, Surmeli and Yildirim (2026) попросили одиннадцать турецких специалистов по преподаванию естественных наук оценить ChatGPT-4 и ориентированный на образование инструмент (Teacher's Buddy) по планам для шестого класса по модулю «Устойчивая жизнь и биоразнообразие», согласованному с моделью Design-Based (EDBL). Обе платформы получили высшие баллы по «Представлению решения», но низшие по инженерным навыкам (общего назначения x̄ = 37.45; ориентированный на образование x̄ = 41.45) — общая слабость в симуляции итеративных, процессно-ориентированных стадий (прототипирование, анализ отказов, пересмотр, рефлексивное повторное тестирование), которые определяют обучение на основе проектирования, — и только 3 из 11 экспертов сочли любой план прямо «Применимым», а 7 оценили их как «Может быть применён с исправлениями».

Концептуальный обзор теоретически обосновывает материальный канал: наука — это открытая система, которая пересматривает утверждения против физических доказательств, тогда как языковая модель операционально закрыта для доказательств на этапе вывода (Muminova & Mamatkulov, 2026).

Заблуждения и концептуальное изменение

В области концептуального изменения доказательства нюансированны и отчасти контринтуитивны. Akdoğan обнаружил в дизайне Соломона с четырьмя группами на 413 студентов, что как экспертные, так и сгенерированные ИИ conceptual change texts были одинаково и значительно более эффективны в снижении Заблуждения об ИИ по теплу и температуре, чем интерактивный диалог с ИИ, который не дал преимуществ над контролем, — позиционируя текущую педагогическую ценность ИИ как масштабируемый content generator, а не как интерактивного тьютора, с приростами, сконцентрированными среди высокодостигающих студентов (equity). Это усиливается работой Borse et al., которые показывают, что специфичность промпта формирует качество решений по физике и что критика с направлением MAPS лучше подготавливает студентов к оцениванию результата ИИ, чем независимое problem solving, трактуя подверженность ошибкам ИИ как учебный ресурс для Критическое мышление.

ИИ-оценивание и оценка

ИИ-оценивание быстро продвигается на высокозначимых работах. Pathak et al. оценили 10 364 отсканированные страницы письменных оценок по физике (включая национальную олимпиаду и сбор для отбора команды), достигнув высоких корреляций баллов (0.91–0.97) и восстановив ту же команду из пяти студентов, что и человеческое оценивание, — утверждая, что ИИ работает как валидный second reader и инструмент аудита под контролем экзаменатора, когда получает детальные, специфичные для физики рубрики. Автооценивание коротких ответов имеет более долгую и более фундаментальную родословную трансформеров: Morley et al.'s scoping review 21 исследования (2017 — начало 2024) обнаружил, что модели семейства BERT доминировали в автооценивании коротких ответов по науке до 2021 года, прежде чем подходы на базе GPT были приняты посредством промптинга примерно с 2022 года, что модели, дополненные предметными данными (учебниками, рубриками, дальнейшим предобучением), последовательно превосходили базовые, и что неустранённые угрозы reliability, explainability и fairness свидетельствуют в пользу таких автооценивателей как поддержки, а не замены human examiners. Однако Chen et al.'s OmniPhys Бенчмарк выявляет, что мультимодальные LLM всё ещё показывают значительные пробелы в сложном рассуждении и генерации диаграмм, предостерегая от избыточного доверия automated оцениванию по физике на аутентичных, насыщенных репрезентациями заданиях, которые определяют глубокую дисциплинарную компетентность. Химический аналог заостряет зависимость от формата: Cvengros & Kortemeyer оценили итоговую работу по общей химии 296 студентов с помощью мультимодальной Большие языковые модели (LLM), обнаружив высокое согласие с ассистентами преподавателя по текстовым и химическим ответам на реакции, но худшее, чем случайное, качество на рисунках и графиках (фоновые сетки отвлекают компьютерное зрение ИИ) — доказательство того, что надёжное ИИ-оценивание в науке избирательно по формату ответа и требует основанного на уверенности откладывания human examiners для графических пунктов, а не единообразного подхода «оценивай всё».

Восприятие преподавателями и критический взгляд

Готовность преподавателей решающа. Amponsah et al. обнаружили, что ганские будущие преподаватели естественных наук придерживаются положительных установок и сильных намерений в отношении ИИ, но лишь умеренного реального использования в аудитории — разрыв между намерением и использованием, указывающий на ИИ-компетентность преподавателя и institutional поддержку как на реальные рычаги. Becker et al. и Fouad & Bentley документируют, что студенты-физики — скептики, калиброванные предметной областью, а некритичные последователи: разрыв доверия-полезности в 50 пунктов (91% используют, 41% доверяют) и два различных профиля пользователей (прагматичные пользователи против скептичных непользователей), что оспаривает единообразные для всех политики. Контрастируя с техно-оптимизмом, Avraamidou предупреждает об «ИИ-колонизации» естественно-научного образования — извлечении без согласия, алгоритмической монокультуре и обезличенной, центрированной на прибыли реформе — и призывает к феминистскому, гуманистическому ИИ, ставящему справедливость выше прибыли, тогда как систематический обзор Erümit & Özdemir Sarıalioğlu 18 исследований подчёркивает ethical риски (предвзятость, галлюцинации, plagiarism, эрозия независимого мышления) и необходимость teacher training и осознанного использования. Общий урок всех тринадцати статей: ИИ в естественно-научном образовании даёт приросты, когда встроен в добротное исследование, Скаффолдинг и проектирование Оценивание, — и подрывает обучение, когда вытесняет эпистемическую работу, которую студенты должны выполнять сами.

Schroeder et al. (2026) спрашивают, насколько хорошо общие модели справляются с самим научным контентом: на наборах заданий, согласованных с NGSS, для средней школы (1 078 заданий) и старшей школы (1 150 заданий) девять моделей с открытыми весами в основном превышали 90%, при этом размер модели не был связан с точностью, а преподаватель естественных наук оценил 236 из 240 выборочных заданий (98.3%) как согласованные, отметив при этом отсутствие диаграмм, интерпретации данных и математической репрезентации — текстовые задания не могут охватить каждое ожидание результативности NGSS. Высокая трудность заданий и низкая дифференцирующая способность оставляют открытым вопрос, нуждаются ли задания в улучшении или же среднее научное образование стало проходимым для этого класса моделей, и авторы называют мультиходовую, основанную на доказательствах обратную связь недостающим стандартом.

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаScience Education, Stem Education
Обучение и преподаваниеОбучение на основе исследования
Технологии и методыГенеративный ИИ
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.