Освіта з фізики

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Освіта з фізики — вивчення того, як студенти навчаються фізиці та як викладати її ефективніше; охоплює сократівський репетитор на базі ШІ, оцінювання обчислювального мислення, Довіра студентів і моделі впровадження ШІ, валідність автоматизованого оцінювання та підготовку викладачів. Статті з освіти з фізики в цій базі знань помітні своєю предметною специфічністю: вони досліджують, як інструменти ШІ взаємодіють з унікальними когнітивними вимогами фізичного міркування — наочно-просторовим мисленням, математичним моделюванням, мисленням абстрактних систем і багатокроковим Вирішення задач.

Питання для роздумів

• Фізичні задачі часто вимагають наочно-просторового мислення, математичного моделювання та багатокрокових міркувань. Чому саме ці когнітивні вимоги можуть бути тими, з якими поточні репетитори на базі ШІ погано справляються?
• Студенти повідомляють про величезний розрив між довірою й користуванням: 91% використовують ШІ для навчальних робіт, але лише 41% йому довіряють. Чи траплялося вам користуватися інструментом, якому ви не цілком довіряли? Що породжувало цей розрив?
• Оцінювання за допомогою ШІ систематично занижувало оцінки фізичних пояснень студентів зі слабшими мовними навичками. Про що це свідчить, якщо порівняти, як ШІ оцінює пояснення й правильну числову відповідь?
• Одне дослідження виявило, що сократівський чатбот на базі ШІ суттєво покращив конкретність питань у живому курсі фізики, але студенти також часто « поступалися стратегічним контролем» репетиторові. Коли передача стратегічного контролю сприяє навчанню, а коли завдає шкоди?
• Чому фізика може бути «полігоном» для ШІ в освіті — що робить її задачі ідеальними для вивчення впливу ШІ на міркування та оцінювання?
• Чи довірили б ви ШІ оцінювання вашої домашньої роботи з фізики або розбір діаграми сил разом із ним? Що має бути правдою про ШІ — і про ваш курс — щоб ви погодилися?

Вступ

Дослідження з освіти з фізики стало полігоном для ШІ в освіті, оскільки фізичні задачі є добре структурованими, але когнітивно вимогливими, що робить їх ідеальними для вивчення впливу інструментів ШІ на навчання, міркування та оцінювання. 26 статей у цій базі знань разом малюють картину галузі, що долає і обіцянку, і межі ШІ — від сократівських чатботів, які покращують якість студентських питань, до систематичних упереджень в оцінюванні, що штрафують лінгвістично різноманітних здобувачів.

Основні теми досліджень

Сократівський репетитор на базі ШІ у фізиці є найрозвиненішою темою, із трьома статтями, які розгортають сократівський діалог на базі Великі мовні моделі (LLM) у реальних курсах фізики. Hashmi et al. продемонстрували, що стійкий сократівський діалог із чатботом на базі ШІ різко покращує конкретність питань у вступній механіці — на матеріалі 150 студентів STEM у живому курсі. Hashmi & Rebello побудували знизу-вгору таксономію 357 категорій студентського дискурсу з того самого розгортання, виявивши, що метапроцедурні ходи — де студенти поступаються стратегічним контролем репетиторові — домінують у взаємодіях студентів. Обидва дослідження збагачують ширші дослідження Сократичний метод і пов’язані з рамками репетиторства на базі ШІ та Інтелектуальний тьюторінг.

Впровадження ШІ студентами та довіра досліджує, як студенти-фізики насправді користуються інструментами ШІ. Fouad & Bentley виявили розрив між довірою й користуванням у 50 пунктів: 91% використовують ШІ для навчальних робіт, але лише 41% йому довіряють, причому студенти спонтанно визначали режими відмов ШІ в наочно-просторових міркуваннях і в електричних колах. Becker et al. розробили типологію з двох профілів — 70% «прагматичних користувачів» і 30% «скептичних некористувачів» — на основі 1 189 відповідей опитування, показавши, що обидві групи йдуть на обчислені компроміси між ризиком і користю. Ці дослідження просувають напрями ШІ-грамотність та Калібрування довіри й кидають виклик універсальним політикам щодо ШІ. Епістемологічні переконання корелюють із вподобанням поведінки чатбота. У великому курсі на основі обчислювального аналізу 52% студентів надавали перевагу чатботу, який починав із керованого дослідження й відповідав лише за потреби, і вони демонстрували вищі результати за загальним показником EBAPS (p = 0,029) — різниці, які не витримали коригування Бонферроні, тому асоціація є підказковою, а не доведеною (Sirnoorkar and Mamidpalliwar (2026)).

Зміна сприйняття без зміни поведінки — ось що O'Brien et al. (2026) додають до цієї картини. Рефлексивний урок про те, як працюють LLM, проведений в обов’язковому курсі першого року для студентів-фізиків, різко підвищив скептицизм — згода з тим, що LLM можуть залишити в студентів фальшиве відчуття впевненості, зросла з 58% до 88%, а переконання, що LLM перевершує середнього студента-фізика, впало з 54% до 32% — тоді як зручність (71% згоди) і тиск дедлайнів (65%) залишалися провідними причинами користування. Межі уроку настільки ж інформативні, як і його ефект: інструктаж із ШІ-грамотність змістив те, що студенти казали про ці інструменти, а не тиски, через які вони до них тяжіють, і саме тому інтервенція такого роду має стояти поряд із проєктуванням задач і політик, а не замість них.

Проблемопостановка перетворює здобувача на автора задачі: 76% зі 49 студентів-фізиків зафіксували позитивні зміни у своїх взаємодіях із GenAI після тренінгу з інженерії підказок, причому найбільше користалися новачки, і близько 68% позитивно оцінили цю техніку як засіб самостійного навчання (Dawson & Rebello (2026)).

Оцінювання та обчислювальне мислення досліджує, як ШІ може оцінювати навчальні здобутки з фізики. Savage et al. використали LLM для оцінювання зростання обчислювального мислення у вступній фізиці, виявивши, що LLM можуть масштабувати оцінювання CT, але погано справляються зі складними конструктами на кшталт мислення системами. Feser & Tschisgale продемонстрували, що оцінювання за допомогою ШІ систематично занижує оцінки фізичних пояснень студентів зі слабшими мовними навичками — висновок, який пов’язаний із Валідність оцінювання, Пом’якшення упередженості та Справедливість.

Психометрична інфраструктура для діагностичного оцінювання. Le et al. (2026) інвертують звичне питання «ШІ у фізиці»: замість того, щоб питати, чи може модель розв’язати або оцінити фізику, вони питають, чи можна змусити власні, засновані на дослідженнях оцінювання галузі діагностувати її. Відобразивши завдання FCI, FMCE та EMCS на 14 дрібнозернистих навчальних цілей і підігнавши когнітивно-діагностичну модель DINA до 24 394 посттестових відповідей зі 807 курсів у 79 установах через платформу LASSO, вони побудували механічний когнітивний діагностичний тест — уточнено першим когнітивно-діагностичним комп’ютеризованим адаптивним тестом у фізиці. FCI та EMCS підігнані добре (RMSEA² = 0,033 і 0,022), тоді як FMCE — лише маргінально (0,065), і автори пояснюють цей невідповідність проєктуванням інструменту, а не моделюванням: 42 із 43 оцінених завдань FMCE мають спільні сценарні основи в ланцюжкових наборах, створюючи локальну залежність між завданнями, яку забороняє припущення DINA про умовну незалежність (FCI блокує 13 із 30 завдань; EMCS — жодного). Точність класифікації відповідала бенчмарку низьких ставок формуючого оцінювання для 19 з 22 комбінацій «ціль–оцінювання»; три невдачі стосувалися цілей EMCS з енергетики, чиї завдання перекриваються приблизно на 70 відсотків, тому опанування однієї не може бути відокремлене від інших. Значення для викладання фізики полягає в тому, що інструменти, які курси вже застосовують, можна перепрофілювати, щоб забезпечувати дієвий зворотний зв’язок на рівні цілей під час навчання, а не ретроспективний бал посттесту, — за умови, що діагностичні твердження спрямовані на ту роздільну здатність, яку банк завдань справді може забезпечити.

Бенчмаркування мультимодального ШІ на автентичних фізичних задачах. Chen et al. (2026) представляють OmniPhys, масштабний Мультимодальний ШІ Бенчмарк (15 246 питань, 19 850 зображень), що охоплює фізику від шкільного до університетського рівня з китайських освітніх корпусів. Незвично, що він оцінює не лише розуміння мультимодального входу, а й генерацію мультимодального *виходу» — чи можуть моделі синтезувати структуровані фізичні діаграми, ключову складову автентичного вирішення задач. Розлогі оцінки виявляють критичні прогалини в сучасних мультимодальних LLM, особливо в складних міркуваннях і генерації зображень.

Рамки навчального проєктування для ШІ-підсиленого викладання. Kuhn et al. пропонують рамку AIRIS (Activate–Inquire–Reflect with Intelligent Support) — трифазову структуру для когнітивно активованого використання ШІ у фізиці: студенти прогнозують і ескізують очікувані результати перед звертанням до ШІ (Activate), делегують обчислювальні й репрезентаційні кроки ШІ, критично порівнюючи вихід із власними прогнозами (Inquire), і інтерпретують, перевіряють узгодженість між репрезентаціями й осмислюють внесок ШІ після (Reflect). Споруджена на Саморегульоване навчання, теорії когнітивного навантаження, множинних зовнішніх репрезентаціях і Співпраця людини та ШІ, вона формулює центральний виклик як навчальне проєктування, а не як списування чи вибір інструменту, і закликає до експериментів із «умовою відміни», що перевіряють, чи виживає навчання після зняття підтримки ШІ.

• Навчайте критиці рішень ШІ за рубрикою. Двадцять чотири групи вступної фізичної лабораторії, які критикували рішення ШІ з рефлексією на основі MAPS, виявили пропущену чисельну інтеграцію, невизначені позначення та якісне замість кількісного побудовані графіки, тоді як групи, які лише розв’язували споріднену задачу, приймали відполірований вихід або відкидали його через власні хибні уявлення (Borse et al. (2026)).

Генеративне відео як синтетичні експериментальні дані. Alvarado-Cruz et al. (2026) генерують відеосценарії за допомогою PixVerse, Grok Imagine і Pippit для трьох режимів сил опору — постійного тертя, лінійного опору та квадратичного опору, — вилучають кінематику інструментом Tracker з Відкритий код і підганяють аналітичні моделі нелінійним методом найменших квадратів. Синтетичні дані узгодилися з класичними рівняннями руху та відтворили фізично осмислені параметри, і повторюваним практичним висновком є те, що конкретність підказки визначає фізичну узгодженість: детальніші описи породжували узгодженішу динаміку. Робочий процес віддзеркалює експериментальну практику від побудови моделі до кількісної валідації та переосмислює формулювання підказки як етап експериментального проєктування, а не як зручність. Чого він ще не демонструє, так це навчання: валідація тут — це узгодженість між згенерованим рухом і моделями авторів, а не оцінним міркуванням студентів, тому підхід успадковує питання алідності, на яке мусять відповідати будь-які згенеровані дані, використані як доказ.

Власні симуляції для тем, яких не покриває PhET. Згенеровані LLM моделі HTML/JavaScript дозволяють викладачам створити саму ту симуляцію, яка потрібна курсу, а не найближчу опубліковану, за умови технічної та фізичної валідації; в пілотному дослідженні 53 студенти в 26 парах побудували й удосконалили свої моделі вільного падіння без потреби в навичках програмування (Ben-Zion et al., 2025).

Повторювана чотириелементна підказка — інструменти, відображення, керування жестоми, оптимізація — дозволяє викладачеві без коду згенерувати браузерну AR-симуляцію, у якій жести зведення і розведення пальців керують фізикою; в пілотному дослідженні зі 29 студентів жест допоміг усім 29 «відчути» довжину хвилі (середнє 4,52), і 86% повідомили про вищу залученість (Levy et al. (2026)). Інструментарій, згенерований ШІ з підказки. Лабораторія обертання, згенерована підказкою природною мовою до асистента на базі ШІ без ручного кодування, вимірювала рівномірний та прискорений круговий рух із точністю до 1% від незалежного відеоаналізу в Tracker, дозволяючи викладачам побудувати інтерфейс навколо власних педагогічних змінних, а не адаптуватися до заздаледь скомпільованого додатка-сенсора (Suñer et al. (2026)).

Допоміжна результативність vs. недопоміжні знання в перепроєктованому курсі. Перепроєктування 2026 року вступного курсу ядерної фізики та фізики частинок в Рурському університеті Бохума (Mikhasenko et al.) дозволило генеративний ШІ на десяти свідомо ШІ-стійких, дослідницьких за формою домашніх аркушах, розроблених так, щоб наївна інженерія підказок не вистачала. Залученість і амбітність були високі — 24 з 42 студентів отримали кредит за всі десять аркушів, і одне виведення заповнило більше двох метрів класної дошки, — але письмовий іспит на 90 хвилин без допомоги став «серйозним попередженням»: середнє 20,6/80, і лише двоє зі 27 іспитованих досягли 40. Автори роблять висновок, що допоміжна результативність і незалежно відтворювані знання є різними здобутками, які не можна вважати такими, що тренують або демонструють одне одного, і що курси з фізики мусять залишати частину практики для роботи без допомоги — що підсилює ширші докази бази знань щодо перенесення навчання.

Огляд PRISMA 2026 року з 11 емпіричних досліджень у шести країнах приходить до того самого висновку на рівні галузі: короткострокові здобутки від зворотного зв’язку ШІ та симуляцій не збереглися в наступних іспитах і не перенеслися на незалежну результативність (огляд ШІ в університетській освіті з фізики).

Проєктування ролей агентів як навчальна змінна. Wang et al. (2026) утримують модель (DeepSeek R1), платформу та температуру незмінними й змінюють лише роль, задану підказкою: агента, орієнтований на викладача, який авторитетно відповідає з обмеженого джерела знань підручника, проти агента, орієнтованого на студента, налаштованого як емпатичний викладач зі знанням розуміння студентів, запрограмованого діагностувати причину Хибні уявлення про AI, називати відповідне поняття й переносити його на аналогічне явище. На матеріалі 59 випускників шкіл, які працювали над двома концептуальними завданнями, агент, орієнтований на студента, дав вищі бали посттесту (9,67 проти 7,93; r = 0,38), нижче стороннє і вище доречне когнітивне навантаження, сильніший досвід потокової зануреності (d = 0,92) і вище сприйняття емпатії (r = 0,53) — доказ того, що саме рамкування ролі, а не лише точність відповідей, робить фізичного агента навчально ефективним (Педагогічний агент, Інженерія підказок).

• Бали бенчмарків применшують те, що моделі вже вміють у фізиці. Переоцінювання шести широковживаних фізичних бенчмарків за участі галузевих експертів виявило, що більшість зафіксованої недостатності є артефактом дефектних завдань і жорстких автоматизованих оцінювачів: із 250 перевірених відкидань 143 (57,20%) — дефекти бенчмарку й 95 (38,00%) — помилки оцінювача, і лише 12 (4,80%) — справжні помилки моделі. Після коригування середнє HLE-Physics mean@4 зросло з 47,28% до 78,66%, а CritPt — з 32,29% до 87,50%. Для викладання фізики це працює в обидва боки: це означає, що студенти вже можуть отримати текстові рішення експертного рівня для багатьох канонічних задач, тому оцінювання фізичного міркування має рухатися до завдань, які опираються забрудненню бенчмарками, і до доказів процесу, а не кінцевих відповідей. (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks)

• Оцінювання ШІ може відтворювати високоставочний фізичний результат, не узгоджуючись у кожній частині. Оцінюючи 10 364 рукописних сторінок олімпіади та університету, мультимодальна LLM відтворила ту саму п’ятистудентську олімпійну команду, що й екзаменатори, і корелювала з сумами при r = 0,93–0,96, але точне узгодження по частинах питань сягнуло лише 70% — друге читання під контролем екзаменатора, а не заміна (Pathak et al. (2026)).

• Фізичні бенчмарки можуть бути співмірними з навчальним планом і неанглійськими. Jahin et al. (2026) побудували 1 834 бенгальських питань з національного підручника фізики для 9–10 класів і графа знань із 1 760 вузлів; один фіксований рецепт донавчання дав приріст на 5,5, 15,0 та 23,3 пункти при 0,6Б, 1,7Б і 4Б параметрів.

Зв’язки зі спорідненими поняттями

Освіта з фізики розміщена в ширшій області Освіта в галузі STEM, але має особливі зв’язки: з Сократичний метод — через сильну традицію сократівського діалогу в розв’язуванні фізичних задач; з Обчислювальне мислення — через зростаючу роль обчислень у фізиці; з Валідність оцінювання — через виклики оцінювання фізичних пояснень; та з Навчання на робочому місці — через підготовку на основі Симуляція. Поняття Досвід здобувача та ШІ-грамотність є необхідними для розуміння того, як студенти-фізики орієнтуються серед інструментів ШІ, тоді як Освітнє вимірювання та автоматизоване оцінювання пов’язані з виміром оцінювання.

Наслідки для викладачів фізики

• Проєктуйте під довіру студентів, а не лише під впровадження. Fouad & Bentley документують розрив між довірою й користуванням у 50 пунктів (91% користуються, 41% довіряють), причому студенти визначають відмови ШІ в наочно-просторових міркуваннях і в електричних колах — створюйте можливості виявити й обговорити ці межі, а не припускайте згоду.

• Використовуйте сократівський ШІ, щоб поглибити якість питань, але стежте за стратегічною передачею. Сократівські чатботи покращують конкретність питань, проте дослідження таксономій виявляють, що домінують метапроцедурні ходи — студенти передають стратегічний контроль репетиторові. Втручайтеся, щоб студенти залишалися приймальниками рішень.

• Структуруйте використання ШІ когнітивно, а не лише дозволяльно. AIRIS (Activate–Inquire–Reflect) показує цінність того, що студенти прогнозують/окреслюють до звернення до ШІ, делегують обчислювальні кроки, критично порівнюючи вихід, і осмислюють після — розглядайте інтеграцію ШІ як задачу навчального проєктування й перевіряйте, чи виживає навчання після зняття ШІ. У рандомізованому дослідженні зі 95 студентів бакалаврату 45 хвилин узгодженого зі саморегульованим навчанням тренінгу на задачах з механіки підвищили точність, коли студенти згодом виправляли завдання з електромагнетизму за допомогою моделі: 69,3% їхніх неправильних відповідей стали правильними проти 41,3% у нетренованому контролі (d = 0,81) (Huang et al. (2026)).

• Стежте проти упередженості в оцінюванні. Оцінювання за допомогою ШІ систематично занижує оцінки пояснень студентів зі слабшими мовними навичками; використовуйте мовно-чутливе оцінювання або оцінювання з людським модеруванням для концептуального оцінювання.

• Використовуйте змодельовані класи для підготовки викладачів. Змодельовані багатоагентні класи дають майбутнім викладачам рідкісну практику реагування на автентичне міркування студентів — недорогий доповнювач до живого мікровикладання.

• Залишайте практику та оцінювання без допомоги. Перепроєктування в Бохумі (Mikhasenko et al. 2026) показує, що дозволені ШІ домашні завдання дослідницької форми, виконані з високою залученістю, можуть залишити студентів далеко позаду на іспиті без допомоги (середнє 20,6/80) — розглядайте допоміжну результативність і незалежно відтворювані знання як різні речі й вбудовуйте в курс свідому практику без допомоги та письмовий іспит.

• Перевіряйте відданість фасилітатора; зберігайте фазу моделювання вільною від ШІ. Коли налаштований спеціально Gem під тиском «просто скажіть нам», яка гиря важила більше, вигадав значення мас, які ніхто не вимірював, тому відданість мовно-заснованого фасилітатора мусить перевірятися, а не припускатися, а вільна від ШІ фаза побудови зберігає ту ручну роботу, до якої він не дотягнеться (Tufino & Damiani (2026)).

Пов’язані поняття

• Освіта в галузі STEM
• Сократичний метод
• Інтелектуальний тьюторінг
• Обчислювальне мислення
• ШІ-грамотність
• Калібрування довіри
• Досвід здобувача
• Валідність оцінювання
• Пом’якшення упередженості
• Справедливість
• Автоматизоване оцінювання
• Освітнє вимірювання
• Аналітика навчання
• Навчання на робочому місці
• Симуляція
• Генеративний ШІ
• Вища освіта
• AIEd в дисциплінах
• Хімічна освіта — Освіта з хімії та ШІ: лабораторії, формуюче оцінювання, межі LLM, філософія експериментування
• Освіта з біології — Освіта з біології та ШІ: асистенти лабораторних робіт, ШІ-грамотність у біології, критичне мислення, спеціалізовані інструменти

Пов’язані статті

• From Prompts to Physical Laws: A Generative AI Workflow for Engineering Physics Education — From Prompts to Physical Laws: A Generative AI Workflow for Engineering Physics Education
• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Агенти фізики, змодельовані підказками, орієнтовані на викладача vs. орієнтовані на студента (Wang et al. 2026)
• OmniPhys: A Unified Multimodal Benchmark for Physics Understanding and Generation from Chinese Educational Corpora
• Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab — Використання ШІ для швидкої генерації фізичних симуляцій / віртуальних лабораторій (Ben-Zion et al. 2025)
• Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot
• A Bottom-Up Taxonomy of Student Discourse with a Socratic AI Physics Tutor
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education
• Using LLMs to Detect Growth in Computational Thinking in Introductory Physics
• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics
• A multi-agent AI classroom based on dual-process reasoning hazards: a pilot with prospective physics teachers
• Students' Epistemological Beliefs and their Chatbot Preferences in AI-mediated Physics Learning
• Studying Circular Motion with an AI-Generated Smartphone Physics Lab
• From Prompt to Embodied Simulation: Using Generative AI to Create AR Physics Learning Tools
• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study
• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: A Framework for Cognitively Activated AI Augmentation in Physics
• Large Scale AI Grading of Handwritten Physics Assessments: Score Agreement and Olympiad Team Selection Outcomes — Оцінювання рукописних фізичних робіт за допомогою ШІ (олімпіада)
• AI in Particle Physics Education: Research Problems and Foundational Skills — AI in Particle Physics Education: Research Problems and Foundational Skills
• Mechanics Cognitive Diagnostic: Testing Fine-Grained Learning Objectives in Introductory Physics — Mechanics Cognitive Diagnostic: перетворення FCI, FMCE та EMCS на когнітивний діагностичний тест із 14 цілей (Le et al. 2026)
• Skepticism vs. Convenience: Physics Students' Perceptions and Use of Large Language Models Before and After Instruction — Skepticism vs. Convenience: Physics Students' Perceptions and Use of Large Language Models Before and After Instruction
• Artificial Intelligence Driven Physics Assignments using Context Prompts — Artificial Intelligence Driven Physics Assignments using Context Prompts
• AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice — AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice
• PhysicsMate: A Curriculum-Grounded Bengali Benchmark for Secondary Physics QA with Small-Model Adaptation — PhysicsMate: 1 834 бенгальських пари «запитання–відповідь» зі шкільної фізики, відображені на граф навчального плану з 1 760 вузлів, із приростами під час адаптації малих моделей
• Artificial intelligence in university physics education: a systematic review of empirical studies — Artificial intelligence in university physics education: a systematic review of empirical studies
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — Структурований тренінг із GenAI для перегляду фізичних задач: рандомізоване контрольоване дослідження (Huang et al. 2026)