AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

STEM 教育

创建 2026-08-09 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

STEM 教育 —— 科学、技术、工程与数学教育，是知识库中 教育中的 AI 研究最常见的领域。STEM 结构化的知识、清晰的对错答案与可计算的性质，使它成为 AI 辅导与评估的理想试验场。

值得思考的问题

  • STEM 是 AI 教育研究最常见的领域，因为它的知识结构化、有清晰的对错答案。你认为这让 STEM 成为最容易用 AI 教的地方——还是可能成为 AI 的局限最容易被掩盖的地方？
  • 本页引用的研究表明，学校里 AI 的采用"按学科分层"——在计算机科学中被常态化，在数学中被严令禁止。你认为为什么学科文化对 AI 的接受度塑造得如此之强，这对学生又有何后果？
  • 如果一个数学学生主要用 AI 来核对解答、获得解释，那是支架还是拐杖？是什么决定了区别？你会把界线画在哪里？
  • 鉴于 STEM 问题往往有可验证的答案，你认为 STEM 中哪些 AI 用法真正建立理解，哪些只是产出看似正确的输出？
  • 那些使 STEM 成为 AI 辅导理想领域的特质——清晰的答案、可计算的正确性——又如何可能贬低了科学与工程中那些混乱、开放、依赖判断的部分？

引言

STEM 作为 AIED 的首要领域

  • 数学： 数学教育研究横跨 GenAI 对数学学习的影响、小学分数辅导与 胜任力聚类。
  • 物理： 物理教育包括 ChatGPT 类型学研究、苏格拉底式物理聊天机器人与 评分偏差分析。
  • 计算机科学： 计算机科学教育是被研究最多的 STEM 子领域——代码评审、调试工具与 提示研究。
  • 工程： 工程支架、力学演示与 课程平衡把 AI 带进 工程教育。
  • 为本科生科研做支架： An 及同事（2026） 试点了一个 AI 系统，把研究出版物转换成结构化、可比较的数据集，供四个 STEM 学院的本科生完成论文。结果（20 名学生、80 份文档）显示实验参数的提取率超过 90%，文献综述时间减少约 65%，学生识别有影响力的实验变量的能力提高 50%——这是 AI支架化的 本科生科研如何能加强 STEM 教育中研究素养与认识认知的证据。
  • 模拟支持的教学： 在基于无人机的 STEM 教育中，教师与 AI 共同设计的 模拟 支架被与一门完全相同的动手 课程作对照，涉及 30 名中学生，检验模拟支持的教学是否产出更优的 学习结果。GenAI 的角色是加速内容创作，而教师的参与保住了教学法效度与情境相关性。
  • STEAM 艺术教育中 AI 辅助的规划： 一项针对儿童 STEAM 艺术教师的实验研究（Luo 与 Tahir 2025）发现，ChatGPT 辅助的教案在专家评定的质量上胜过教师生成的教案（中位数 20.5 对 17.6，p = .002，效应大，六位教授评分），教师报告了在效率与跨学科整合上的增益（61% 评为 4 分及以上）。这一结果是通过教师的委派方法实现的——最有用的方式是让 ChatGPT 在一份自行勾勒的教案中填补内容缺口——强化了那个反复出现的论点：当教师构建任务并批判地评估输出，而不是把整份教案交给模型时，AI 才抬升 STEM／STEAM 的工作。

汇总来看，AI 支持的教学在 STEM 中的效果如何

迄今为止该领域最大的定量综合——2005 至 2025 年间发表的 35 项实验与准实验研究（Doğan、Kılıç、Kalınkara 与 Talan（2026））——把 STEM 中的 AI 支持教学置于 Hedges' g = 0.670（95% CI [0.491, 0.848]），研究间方差由随机效应模型处理。层级分解是其中最有信息量的部分：效应在高中最大（g = 1.099），之后在大学（0.578）、小学（0.465）与 初中（0.392）依次变小；而 STEM 自我形象所预测的学科差异——科学（0.676）与数学（0.650）领先于技术与工程（0.501）——在统计上并不显著（Q = 4.85，df = 2，p = 0.088）。时长并不像剂量那样起作用：最强的区间是一至两个月（g = 0.833），最短的干预（五小时或以下）仍达到 0.621，而最弱的区间（g = 0.256）并不显著。与 学习收益上所记录的怀疑态度并读，合理的解读是：AI 支持的 STEM 教学产生一个中等的、真实但依层级而变化的效应，而非一个整齐划一的效应。

一项针对 18 项研究（2014—2024）的学科综述，把那些效应所测的对象进一步厘清：AI 在科学与化学教育中的结果集中于学习过程的测量（n = 9）而非成就，且证据基础偏向师范生（44.4%），只有一项初中和两项高中研究（Erümit 与 Özdemir Sarıalioğlu（2025））。

为什么 STEM 占主导

STEM 结构化的知识表征、可验证的答案与计算思维上的对齐，使它成为 AI 辅导最自然的契合点。计算思维研究显式地探索了这种对齐。

来自 2025—26 年 IJ STEM Education 研究的新证据

一批集中的 2026 年 International Journal of STEM Education 研究，厘清了 AI 如何在 STEM 的各子领域与各层级上发挥作用：

对 STEM 教师的启示

  • 选择与学科相称的 AI。 STEM 横跨数学（辅导）、物理（苏格拉底式对话、模拟）、计算机（代码生成、评审）与工程（设计、劳动力）——选择与各子领域标志性 教学法与教学策略 相匹配的工具，而不是假定一个通用聊天机器人适合所有领域。
  • 利用 AI 在结构化契合上的优势，但保护推理。 STEM 可验证的答案使它成为 AI 最易处理的领域；应通过把 AI 嵌入结构化的、以掌握为导向的工作流，来防范过度依赖与答案替换。
  • 在 STEM 课程中嵌入 AI 素养。 研究（生物、数学教师培养）表明，STEM 情境支持 AI 学习——在 AI 概念自然出现之处整合它们，而不是把它们孤立起来。
  • 在 AI 采用中关注 公平与可及性。 STEM 的 AI 工具并非中立；在部署它们时，监测评分偏差、数字鸿沟可及性与 文化相关的设计。

关联概念

关联文章

元数据

学科Cs Education, Math Education, Physics Education
层次K 12, Higher Ed
技术与方法智能辅导
评估与测量自动化评估
教育中的人工智能基础计算思维
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。