智能技術賦能虛擬科學探究學習過程評價與適應性反饋研究

[摘 ? 要] 虛擬科學探究學習過程的自動評價和適應性反饋是提升探究學習效果的重要支撐手段。研究首先從虛擬科學探究學習過程要素表征和分析模型、自動分析與實時評價、適應性反饋三個方面概述了智能技術在虛擬科學探究學習中的應用現(xiàn)狀，總結了當前技術應用面臨的深層次探究要素表征難、不確定探究過程刻畫難、適應性反饋生成難等現(xiàn)實挑戰(zhàn)。其次，在此基礎上，提出了基于活動流的底層計算模型構建、復雜探究過程動態(tài)監(jiān)測與自動評價、可解釋性歸因的自適應反饋內(nèi)容生成三個關鍵技術。再次，基于關鍵技術設計了虛擬科學實驗自主探究學習平臺的技術架構。最后，研究總結了當前研究的創(chuàng)新之處并提出未來建議，為智能技術賦能虛擬科學探究學習領域開展更深入的技術探索提供有益參考。

[關鍵詞] 智能技術； 虛擬科學探究學習； 過程評價； 適應性反饋； 平臺設計

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 鄭婭峰（1979—），女，河南洛陽人。研究員，博士，主要從事在線學習分析、教育數(shù)據(jù)挖掘、人工智能賦能科學教育研究。E-mail：zhengyafeng@bnu.edu.cn。

一、引 ? 言

讓學生參與科學探究學習是當前全球科學教育改革的核心[1]，是實現(xiàn)我國基礎科學教育目標和公民科學素養(yǎng)提升的關鍵路徑。近年來，基于計算機仿真等虛擬實驗環(huán)境開展科學探究學習（簡稱“虛擬科學探究學習”）成為國際科學教育發(fā)展的重要趨勢。然而，實現(xiàn)高質(zhì)量虛擬科學探究學習并非易事[2]。虛擬科學探究學習具有環(huán)境復雜度高、教學交互度強和學習路徑開放等特征，使得學生在虛擬科學探究學習中存在實驗資源利用率低、學習投入不足、學習體驗不佳等現(xiàn)實問題[3]。

已有研究表明，采用智能技術對科學探究學習中學生的探究行為、認知水平、情感態(tài)度等深度學習要素進行實時監(jiān)控和問題診斷，并提供及時的個性化反饋，可以有效提升學生實驗技能、學習興趣和學習效果[4]，但國內(nèi)外尚無在虛擬探究學習領域的系統(tǒng)化研究。因此，本研究通過對虛擬科學探究學習進行現(xiàn)狀和現(xiàn)實挑戰(zhàn)的分析，提出解決問題的關鍵技術方案。并以此為依托，自主研制“小水滴虛擬科學實驗自主探究學習平臺”，為該領域開展更深入的技術探索提供有益參考。

二、研究現(xiàn)狀

（一）虛擬科學探究學習過程的要素表征和分析模型研究

針對虛擬科學探究學習復雜的交互過程，構建有效的過程分析模型是準確理解學生探究學習中技能習得、認知發(fā)展和情感狀態(tài)的基礎?，F(xiàn)有針對科學探究學習的理論模型多集中在探究能力評價模型，常采用描述性語言構建總結性評價體系[5]。如李春密等從科學內(nèi)容、科學過程和科學品質(zhì)三個維度構建了包含科學現(xiàn)象、科學概念、提出問題、深刻性、靈活性等15個二級因子[6]。李英明構建了包括知識與技能、科學探究過程、情感態(tài)度與價值觀3個一級維度以及學科知識、實驗技能、探索調(diào)查等11個二級維度的理論模型[7]。盡管現(xiàn)有研究基于科學探究表現(xiàn)構建了比較全面的探究能力評價維度，但由于分析維度主要采用了描述性語言刻畫，適用于領域?qū)＜胰斯ぞ幋a和評價，難以客觀描述科學探究行為的動態(tài)變化過程。因而無法對虛擬科學探究學習過程進行定量、連續(xù)和伴隨式的實時自動刻畫[8]。

近年來，部分學者針對學生科學建模、實驗操作和科學論證等關鍵環(huán)節(jié)的行為特征，提取關鍵過程要素進行自動化建模研究[9]。如Mulder等人基于學生科學建模過程的日志數(shù)據(jù)，從變量命名、關系設置和類型選擇等要素對科學建模質(zhì)量進行自動化評價[10]。Jiang等人將虛擬環(huán)境中的實驗技能刻畫為實驗設置、觀察和證據(jù)記錄三個要素，并具體化了要素涉及的移動溫度計、保存圖片等9種實驗操作行為[9]。針對科學論證環(huán)節(jié)，Mao等人構建了科學聲明、證據(jù)解釋、不確定性評級和不確定性推理四個分析要素[11]。但是這些模型大多只針對虛擬科學探究學習的單一環(huán)節(jié)，缺少虛擬科學探究學習全過程、內(nèi)隱特征要素的全面刻畫。

（二）智能技術賦能虛擬科學探究學習過程自動分析與評價

與一般在線學習系統(tǒng)遵循固定學習流程不同，虛擬科學探究學習具有開放性、自主性的特征，學習路徑具有不確定性，探究行為和學習產(chǎn)出都表現(xiàn)出明顯個體差異性，因而虛擬科學探究過程難以通過傳統(tǒng)統(tǒng)計分析方法精準分析和評價[12]。

機器學習（ML）算法在識別和檢測學生科學探究中復雜的行為、認知和情感狀態(tài)的潛力已經(jīng)受到部分研究者的關注[13]。當前ML算法主要用于分析虛擬科學探究學習中仿真實驗操作和科學論證環(huán)節(jié)。其中，仿真實驗操作分析主要是基于大量學生與實驗系統(tǒng)交互的行為操作和探究軌跡，利用樣本熵等方法對學生的實驗操作正確性[14]、仿真實驗行為模式[15]等進行實時分析與診斷，有效識別出學生的實驗技能水平或認知狀態(tài)。科學論證過程分析與評估主要采用文本自動評分技術對論證文本實現(xiàn)自動評價。目前，常用科學論證文本評分技術包括支持向量回歸（SVR）、支持向量機（SVM）、決策樹（DT）等機器學習方法。如著名的ETS（Educational Testing Service）機構開發(fā)的c-rater-ML就使用SVR技術對學生的論證文本和分數(shù)映射關系進行建模，并得到廣泛應用[16]。此外，鑒于學習情感和態(tài)度是影響探究學習效果和高階思維能力的重要因素，基于文本的情感分析也是虛擬科學探究學習過程分析的新興領域[17]。近年來，基于機器學習的文本情感、文本意圖分析研究取得了顯著成果，但目前虛擬科學探究學習領域?qū)η楦袘B(tài)度的分析還主要基于學生自我反饋報告，難以實現(xiàn)對探求欲、情緒調(diào)節(jié)等隱性特征的自動分析和識別。此外，已有研究多數(shù)基于特定的主題和任務環(huán)境，難以適應科學探究中多種主題場景的泛化要求[2]。

（三）智能技術賦能虛擬科學探究學習過程的適應性反饋研究

在科學探究學習過程中為學生提供可解釋、可理解的歸因性反饋，對于實時開展精準教學干預、提升科學探究學習效果至關重要[18]。機器學習技術的發(fā)展為探究過程的實時反饋提供了新思路和有效途徑。一些研究使用機器學習方法為學習者提供實驗操作行為、科學論證過程的反饋和指導。如Chen等人針對學生在虛擬科學探究中的實驗流程錯誤和科學知識欠缺等問題提供及時的問題反饋和操作引導[19]。Zhu等人采用機器學習對學生的科學論證文本進行評分并提出改進建議，促進學生對科學論證文本的不斷修改完善[16]。除此以外，評估結果還常常與可視化呈現(xiàn)相結合，為學生提供關于學習過程和進展的反饋[20]。這些研究表明，基于機器學習的科學探究評估與反饋具有支持適應性學習的潛力，且通過可視化方法能夠更好地傳遞過程狀態(tài)信息和指導建議。然而，已有研究的不足之處在于僅將分析或預測的結果直接反饋給學生，而未能解釋其背后的原因[21]。盡管此類反饋對指導學生的探究行為具有一定的促進作用，但研究發(fā)現(xiàn)，簡單的模式化反饋與錯誤提示，難以真正促進學生深層次的觀念轉(zhuǎn)變和知識理解[22]。如Mao等人對論證文本得分相同的學生給出同樣的反饋內(nèi)容，但實際中相同分數(shù)的學生在觀點提出、證據(jù)使用等諸多方面存在差異，僅僅呈現(xiàn)固定分數(shù)對應的反饋建議仍無法指導學生進行精準有效地修改[11]。

三、現(xiàn)存挑戰(zhàn)

（一）細粒度、深層次的探究要素難以動態(tài)表征與建模

從分析維度來看，當前研究僅從科學論證或科學建模等單一視角對探究過程要素進行靜態(tài)描述性定義，存在要素邊界不明確、視角維度單一、多指向靜態(tài)能力水平表征等問題。從量化表征來看，缺乏對探究學習過程行為、認知、情感等要素的全面刻畫，且常用的描述性語言刻畫，難以滿足實時自動化分析需求。因此，如何從探究學習理論和教學實踐需求出發(fā)，合理構建全過程、全維度、可計算的虛擬科學探究學習過程分析模型和要素量化表征方法，是當前研究領域具有挑戰(zhàn)性的研究難點之一。

（二）開放性、不確定性的探究過程難以刻畫和揭示

現(xiàn)有針對虛擬科學探究學習過程的自動分析仍以淺表性過程數(shù)據(jù)分析為主，較少對探究過程中的實驗操作、科學論證、反思交流等重要環(huán)節(jié)進行有效的動態(tài)分析和評價，難以刻畫學習者實驗技能、認知發(fā)展、情緒調(diào)節(jié)等隱性特征行為。更進一步，大多數(shù)已有分析方法都建立在特定的探究主題和任務環(huán)境下，難以遷移到不同的主題場景下。因此，如何綜合運用人工智能領域的文本分類、動態(tài)貝葉斯行為建模等技術方法，突破主題局限，實現(xiàn)對不同主題探究過程的全面刻畫和規(guī)律揭示是當前研究面臨的重要挑戰(zhàn)。

（三）可解釋、適應性的反饋建議難以自動生成

已有虛擬科學探究學習過程自動反饋內(nèi)容大多是通用的固定反饋，導致反饋服務存在針對性低、理解困難等問題，未能滿足虛擬科學探究個性化動態(tài)反饋需求。另外，現(xiàn)有反饋以直接的結果指導為主，缺少對探究過程的解釋和建議，無法支持學生有效改進科學探究行為[23]。如何對探究過程的自動化評價結果進行可解釋歸因，從而實現(xiàn)高適應性的個性化反饋，是這一領域的重要挑戰(zhàn)[24]。

四、關鍵技術路徑

面對復雜的虛擬科學探究學習過程，構建全過程、多要素、可計算的分析模型，依據(jù)分析模型對復雜探究過程進行實時分析、精準評價，提供適應性反饋，促進探究學習效果的提升，是智能技術賦能虛擬科學探究學習過程的關鍵技術問題。其關鍵技術路徑如下：

（一）基于活動流的底層計算模型構建

針對開放復雜的虛擬探究學習過程關鍵環(huán)節(jié)和內(nèi)在要素，需要構建虛擬科學探究學習過程計算模型。計算模型以探究操作為依據(jù)，應明確定義流序列的動詞（Verb）庫和對象（Object）庫內(nèi)容，形成針對交互操作的活動流實例，實現(xiàn)關鍵交互操作和深層學習狀態(tài)的多維聯(lián)結，為復雜的虛擬探究過程提供統(tǒng)一的計算模型和形式化規(guī)約。

構建過程包含以下三個環(huán)節(jié)。首先，虛擬探究學習過程的底層活動流參考Experience API（xAPI）標準規(guī)范，以“角色（Actor）+動作（Verb）+對象（Object）+時間戳（Timestamp）+結果（Result）+情境（Context）”六元組進行刻畫，即： ∈ IA（Inquiry activities）。其中，Actor指學生個體；Verb 指學生操作行為的具體類型，如移動、設置、記錄、修改等，為必選項；Object 指操作行為的資源對象，如移動的儀器、修改的論證文本等，為必選項；Timestamp指操作行為的發(fā)生時間，為必選項；Result指活動產(chǎn)出的科學論證文本、數(shù)據(jù)記錄、反思文本等內(nèi)容，為可選項；Context指學習行為發(fā)生的主題、任務、環(huán)節(jié)等背景信息，為可選項。其次，實例化活動流，以確保數(shù)據(jù)采集的準確性和模型的可計算性。本研究定義對象庫（Object）包含論證、反思評論、實驗數(shù)據(jù)、儀器、實驗參數(shù)等16種重要資源對象。定義操作行為動詞（Verb）表中有共計25個關鍵動作，分別對應學生提出研究假設、配置實驗環(huán)境、開展實驗設計、進行數(shù)據(jù)記錄等關鍵探究環(huán)節(jié)的具體操作動作，依據(jù)動詞對對象的操作關系，形成操作行為活動流實例。所有的操作行為都以Statement語句的形式存儲和交互，如“Actor（參與者）+Move（移動）+Equipment（儀器）+Timestamp（時間戳）”。如學習者A完成了第一節(jié)探究主題，將會把學生A學習這節(jié)課程的所有行為事件以“A在5分30秒移動了儀器d”“A在5分45秒在數(shù)據(jù)表格t中記錄了數(shù)據(jù)”等活動流形式存儲匯集在學習記錄存儲當中。這些詳細的數(shù)據(jù)記錄用于支持不同目的探究過程分析計算指標的原始數(shù)據(jù)獲取。最后，基于計算分析模型，依據(jù)我國科學課程標準對探究實踐核心素養(yǎng)的內(nèi)涵和要求，構建面向行為—認知—情感虛擬科學探究過程要素分類體系，形成領域知識指導下的指標設計。具體制定探究路徑、實驗技能、科學概念、科學論證、學習堅毅、探究態(tài)度等二級維度指標，明確分析指標、數(shù)據(jù)來源、計算方法等具體內(nèi)容，形成量化表征方法。例如，實驗技能可以設定為考察實驗設置、儀器操作、變量設置、數(shù)據(jù)記錄四項能力，關注學生是否掌握了正確設置實驗條件、正確選擇儀器工具，合理調(diào)整變量以及正確記錄了過程數(shù)據(jù)等關鍵技能。

（二）復雜探究過程動態(tài)監(jiān)測與自動評價

探究學習行為建模面臨的最大挑戰(zhàn)是探究行為高度不確定性。由于動態(tài)貝葉斯網(wǎng)絡可用于模擬不同時刻中變量的相互依賴關系，表示不確定的知識并執(zhí)行推理計算，且其概率推理可以實時發(fā)生。因此，可以利用動態(tài)貝葉斯網(wǎng)絡為復雜探究過程動態(tài)監(jiān)測和自動評價提供關鍵技術支撐。具體技術路線包含靜態(tài)貝葉斯網(wǎng)絡構建、動態(tài)貝葉斯網(wǎng)絡構建、關鍵探究路徑挖掘、實驗技能自動評價四個主要步驟。

第一，靜態(tài)貝葉斯網(wǎng)絡構建。利用專家先驗知識依據(jù)具體探究主題任務確定探究操作、事件和技能之間的關系，并將探究操作、事件和子技能分別置于網(wǎng)絡的不同層次和分支，用以反映操作和子技能之間的關系，其中將實驗技能作為頂層節(jié)點，構建初始靜態(tài)貝葉斯網(wǎng)絡。第二，構建動態(tài)貝葉斯網(wǎng)絡。在所構建的靜態(tài)貝葉斯網(wǎng)絡結構基礎上，進一步表征相鄰時刻操作、事件、子技能之間的影響關系，構成轉(zhuǎn)移網(wǎng)絡，并與靜態(tài)貝葉斯網(wǎng)絡共同構成初始的動態(tài)貝葉斯網(wǎng)絡結構。同時，為方便后期推理，需要進行動態(tài)貝葉斯網(wǎng)絡的參數(shù)學習，即構建條件概率表。第三，挖掘關鍵探究路徑。關鍵探究路徑挖掘?qū)⒗没バ畔⒅岛Y選出當前時刻對整體學生實驗技能評分影響最大的操作序列，進而對比學生個體操作序列發(fā)現(xiàn)學生已完成的關鍵探究路徑。具體實施時，首先計算t時刻下各操作與實驗技能之間的互信息值。設置互信息閾值，僅保留互信息值超過閾值的操作，將保留的操作按照互信息值大小排序，得到t時刻個體學生的關鍵操作序列。其次，檢查t時刻個體學生操作序列中的每一個操作，若其在關鍵操作序列中，則將該操作并入該學生已完成的探究操作序列，最終獲得學生關鍵探究路徑。第四，實驗技能自動評價。實驗技能評價是利用動態(tài)貝葉斯網(wǎng)絡以當前時刻t學生關鍵探究路徑為依據(jù)，評估其當前時刻下各項技能的掌握程度。具體做法是將該學生當前關鍵探究路徑作為新證據(jù)輸入動態(tài)貝葉斯網(wǎng)絡，計算在新證據(jù)的條件下t時刻實驗技能的后驗概率，從而評估個體在t時刻的技能水平。

（三）可解釋自適應反饋內(nèi)容自動生成與調(diào)節(jié)支持

為形成準確的適應性反饋，可以依據(jù)學生當前探究路徑和技能水平，利用聯(lián)合樹計算該技能水平下每個操作或事件的后驗概率并排序，獲得影響學生實驗技能水平的關鍵影響因素，形成準確的問題歸因。具體做法上可以將學生t時刻時探究子技能或總技能作為證據(jù)加入聯(lián)合樹，求得當前在該技能水平下任一操作行為發(fā)生的后驗概率，依據(jù)后驗概率大小能夠判定當前達成該技能水平的關鍵影響因素及其重要性排序。利用評價數(shù)據(jù)和可解釋的歸因數(shù)據(jù)就可以進行反饋文本的自適應生成。反饋文本的生成過程可以看作是通過某種處理方式將反饋模板中的可變信息與輸入數(shù)據(jù)進行匹配的過程，從輸入數(shù)據(jù)中找到需要的信息，填充至模板規(guī)定位置。這種方法具備可解釋性與可控制性，更容易保證生成文本的正確性和規(guī)范性。如基于規(guī)則的定制反饋模板可以是：“你在實驗技能上表現(xiàn){實驗技能水平}，{提出假設表現(xiàn)的映射詞}地提出假設，{儀器使用表現(xiàn)的映射詞}地使用儀器，但你還需要{變量選擇表現(xiàn)的映射詞}選擇變量，并{數(shù)據(jù)整理表現(xiàn)的映射詞}進行數(shù)據(jù)整理，以幫助你更好的分析實驗結果”。其中，{}內(nèi)的內(nèi)容為可變項，生成文本時根據(jù)過程評價和歸因挖掘后輸入數(shù)據(jù)的具體取值，匹配規(guī)則映射形成文本表述填入。在此基礎上，可以利用專家經(jīng)驗，形成不同的調(diào)節(jié)支持策略，將反饋文本在不同的觸發(fā)條件下以智能代理的形式推送給學習者，實現(xiàn)教學主體與智能分析引擎的相互合作，共同實現(xiàn)對教學過程精準分析與結果呈現(xiàn)，完成復雜任務決策并優(yōu)化教育教學過程。

五、智能技術支持的虛擬科學探究學習

平臺架構

依據(jù)上述關鍵技術，結合探究教學的要求，本研究基于自主研發(fā)的“小水滴虛擬科學實驗自主探究學習平臺”開展技術整合。整合后的平臺架構設計如圖1所示：（1）在應用層，智能對話、調(diào)節(jié)配置、可視分析、探究設置、自動反饋、探究評價六個功能構建了完整的應用。前端使用Vue，ElementUI技術棧進行功能布局和展示；（2）在通用配置層，主要通過前端發(fā)送請求到后端，后端協(xié)議解析并權限驗證，保證接口的安全性。前端會將學生的所有信息發(fā)送至后端，進行數(shù)據(jù)采集，同時對學生的所有行為進行調(diào)度和分析；（3）在業(yè)務層，主要包含評價計算、反饋生成、評價歸因三大模塊。其中，評價計算模塊主要使用基于貝葉斯網(wǎng)絡的關鍵路徑挖掘，通過關鍵路徑獲得過程評價數(shù)據(jù)。反饋生成模塊結合定制的反饋模板和映射規(guī)則，形成自適應的反饋內(nèi)容。評價歸因模塊主要通過基于聯(lián)合樹推理的關鍵因素歸因，獲得評價數(shù)據(jù)計算背后的最關鍵影響因素，并將關鍵因素歸因數(shù)據(jù)和評價數(shù)據(jù)傳遞給反饋生成模塊；（4）在數(shù)據(jù)層，對采集到的學生數(shù)據(jù)進行緩存，以應對高并發(fā)的情況，用Mybatis Plus框架將數(shù)據(jù)持久化，存至MySQL數(shù)據(jù)庫中。同時，所有行為活動流都以xAPI規(guī)范進行記錄，然后傳送到學習記錄存儲（LRS）中。將課件PPT、文檔、題目、圖片等存儲到OSS中。平臺應用NodeJS為開發(fā)的主要語言，在代碼管理中，前端使用NPM進行管理和打包，后端使用Maven進行管理Jar包和版本控制，使用Docker進行環(huán)境搭建和打包。

基于該平臺，學生可開展科學探究自主學習，在技術支持下完成預測、探究、解釋、反思等多種學習活動任務。在這個過程中，系統(tǒng)整合教師反饋策略，依據(jù)反饋策略基于學生答題情況進行自動判斷，并給予反思性、解釋性等多種反饋。還可以基于社會調(diào)節(jié)理論，利用對話機器人，通過多種約束條件和觸發(fā)策略的調(diào)節(jié)給予學生適當?shù)墓膭钆c學習過程支持。

六、討論與建議

智能技術賦能虛擬科學探究學習是提升科學探究效果，促進學生科學核心素養(yǎng)發(fā)展的關鍵。為真正解決智能技術賦能復雜探究學習的瓶頸問題，研究針對虛擬科學探究學習過程已有分析模型靜態(tài)化、淺表化的局限，提出基于活動流的計算分析模型，將“行為—認知—情感”核心要素映射到統(tǒng)一的計算表征空間，構建了關鍵交互操作和深層學習狀態(tài)的多維聯(lián)結，實現(xiàn)了復雜動態(tài)探究過程建模與量化表征，在理論層面提供了虛擬科學探究學習過程分析模型建構的新理念。特別是，與以往研究中直接采集所需操作行為并進行定制處理不同[14-15]，研究先設定了整個探究活動所需的角色對象、資源對象、行為動作等，并基于活動流完整地記錄了整個過程的全流程信息，為后期統(tǒng)一的計算表征奠定了理論基礎。

除此以外，當前虛擬科學探究學習行為分析研究大多數(shù)都基于特定的任務場景和環(huán)境，其方法本身具有定制性，不易擴展和遷移到不同場景的學習行為建模，這也是當前不同場景科學探究學習行為建模面臨的行為不確定性挑戰(zhàn)[25]。為了解決這一挑戰(zhàn)，研究使用貝葉斯網(wǎng)絡，能夠用來模擬真實場景中變量的相互關系并處理不確定性這一特征[26]，選用動態(tài)貝葉斯網(wǎng)絡，并納入專家判斷，不僅提高了行為識別的準確性，且在數(shù)據(jù)樣本較少的情況下也能達到較高的預測精度[27]。此外，貝葉斯網(wǎng)絡通過標準的樹狀結構將可觀察的特征與對應的技能進行層級關聯(lián)，并在輸入新的證據(jù)時以概率推斷的形式立即更新結果[26]，以提供實時診斷與反饋[28]。因此，這一方法針對不確定行為評價準確度低、方法可遷移性差等問題，在技術層面探索了虛擬科學探究學習過程自動分析和評價的新途徑和新方法。針對虛擬科學探究學習反饋針對性低、可解釋性差的問題，研究突破自適應反饋內(nèi)容自動生成方法，使得可解釋方法不僅僅應用于提升對分析結果的信任和歸因，更是將歸因結果與自動反饋文本生成技術深度融合，提升了反饋建議的個性化、精準性和適應性，在可解釋人工智能與自適應反饋領域提出了新的交叉應用方法。

未來，該領域研究可以持續(xù)優(yōu)化反饋的形式，通過教學智能體，生成式對話語言模型、可視化儀表板等技術深化過程監(jiān)測、診斷和適應性反饋等支持服務，在自動化的對話引導、學習調(diào)節(jié)、情感支持等方面開展更為廣泛的探索，更好地支持虛擬科學探究學習效果的達成。同時，還需關注學習科學、認知神經(jīng)科學研究對虛擬科學探究學習平臺和活動設計的驅(qū)動作用，深化以人為中心的人機智能協(xié)同的學習反饋模式，助力虛擬科學探究學習更好地服務科學教育。

[參考文獻]

[1] SCHWARTZ L， ADLER I， MADJAR N， et al. Rising to the challenge： the effect of individual and social metacognitive scaffolds on students' expressions of autonomy and competence throughout an inquiry process[J]. Journal of science education and technology， 2021，30（4）：582-593.

[2] LIN X， HWANG G， WANG J， et al. Effects of a contextualised reflective mechanism-based augmented reality learning model on students' scientific inquiry learning performances， behavioural patterns， and higher order thinking[J]. Interactive learning environments， 2023，31（10）：6931-6951.

[3] 彭麗宇. 促進深度學習的虛擬實驗教學改革[J].西南師范大學學報：自然科學版，2023，48（1）：102-107.

[4] ZHU M， LIU O L， LEE H. The effect of automated feedback on revision behavior and learning gains in formative assessment of scientific argument writing[J]. Computers & education， 2020，143：103668.

[5] 劉東方.科學探究能力表現(xiàn)模型的建構及其在評價中的應用[J].課程·教材·教法，2018，38（9）：122-127.

[6] 李春密，梁潔，蔡美潔.中學生科學探究能力結構模型初探[J].課程·教材·教法，2004（6）：86-90.

[7] 李英明.虛實融合實驗環(huán)境中探究式學習評價體系的構建[D].杭州：杭州師范大學，2021.

[8] DICKLER R. Using innovative methods to explore the potential of an alerting dashboard for science inquiry[J]. Journal of learning analytics，2021，8（2）：1-18.

[9] JIANG S， HUANG X， SUNG S H， et al. Learning analytics for assessing hands-on laboratory skills in science classrooms using bayesian network analysis[J]. Research in science education，2023，53：425-444.

[10] MULDER Y G， BOLLEN L， DE JONG T， et al. Scaffolding learning by modelling： the effects of partially worked-out models[J]. Journal of research in science teaching， 2016，53（3）：502-523.

[11] MAO L， LIU O L， ROOHR K， et al. Validation of automated scoring for a formative assessment that employs scientific argumentation[J]. Educational assessment， 2018，23（2）：121-138.

[12] 張立山，馮碩，李亭亭.面向課堂教學評價的形式化建模與智能計算[J].現(xiàn)代遠程教育研究，2021，33（1）：13-25.

[13] ZHAI X， YIN Y， PELLEGRINO J W， et al. Applying machine learning in science assessment： a systematic review[J]. Studies in science education， 2020，56（1）：111-151.

[14] GOBERT J D， SAO PEDRO M， RAZIUDDIN J， et al. From log files to assessment metrics： measuring students' science inquiry skills using educational data mining[J]. Journal of the learning sciences， 2013，22（4）：521-563.

[15] LEE H， GWEON G， LORD T， et al. Machine learning-enabled automated feedback： supporting students' revision of scientific arguments based on data drawn from simulation[J]. Journal of science education and technology， 2021，30（2）：168-192.

[16] ZHU M， LEE H， WANG T， et al. Investigating the impact of automated feedback on students' scientific argumentation[J]. International journal of science education， 2017，39（12）：1648-1668.

[17] AVILA-GARZON C， BACCA-ACOSTA J， KINSHUK， et al. Augmented reality in education： an overview of twenty-five years of research[J]. Contemporary educational technology， 2021，13（3）：1-29.

[18] 武法提，高姝睿，田浩.人機智能協(xié)同的精準學習干預：動因、模型與路向[J]. 電化教育研究，2022，43（4）：70-76.

[19] CHEN C H， HUANG K， LIU J H. Inquiry-enhanced digital game-based learning： effects on secondary students' conceptual understanding in science， game performance， and behavioral patterns[J]. The Asia-Pacific education researcher，2020，29（4）：319-330.

[20] SCHWENDIMANN B A， RODRIGUEZ-TRIANA M J， VOZNIUK A， et al. Perceiving learning at a glance： a systematic literature review of learning dashboard research[J]. IEEE transactions on learning technologies， 2017，10（1）：30-41.

[21] AFZAAL M， NOURI J， ZIA A， et al. Generation of automatic data-driven feedback to students using explainable machine learning[C]//International Conference on Artificial Intelligence in Education. Cham： Springer International Publishing， 2021： 37-42.

[22] BANERES D， RODRIGUEZ M E， SERRA M. An early feedback prediction system for learners at-risk within a first-year higher education course[J]. IEEE transactions on learning technologies， 2019，12（2）：249-263.

[23] SEDRAKYAN G， MALMBERG J， VERBERT K， et al. Linking learning behavior analytics and learning science concepts： Designing a learning analytics dashboard for feedback to support learning regulation[J]. Computers in human behavior， 2020，107：105512.

[24] 王萍，田小勇，孫僑羽.可解釋教育人工智能研究：系統(tǒng)框架，應用價值與案例分析[J].遠程教育雜志，2021，39（6）：20-29.

[25] CONATI C， GERTNER A， VANLEHN K. Using bayesian networks to manage uncertainty in student modeling[J]. User modeling and user-adapted interaction， 2002，12（4）：371-417.

[26] FAN Y， ZHANG J， ZU D， et al. An automatic optimal course recommendation method for online math education platforms based on bayesian model[J]. International journal of emerging technologies in learning， 2021，16（13）：95-107.

[27] ZHOU Y， FENTON N， NEIL M. Bayesian network approach to multinomial parameter learning using data and expert judgments[J]. International journal of approximate reasoning， 2014，55（5）：1252-1268.

[28] TADLAOUI M A， AAMMOU S， KHALDI M， et al. Learner modeling in adaptive educational systems： a comparative study[J]. International journal of modern education and computer science， 2016，8（3）：1-10.

A Study on the Process Evaluation and Adaptive Feedback of Virtual Science Inquiry Learning Enabled by Intelligent Technology

ZHENG Yafeng

（Center for Educational Science and Technology， Beijing Normal University， Zhuhai Guangdong 519087）

[Abstract] Automatic evaluation and adaptive feedback of virtual science inquiry learning are important supporting means to improve the effectiveness of inquiry learning. Firstly， this study outlines the application status of intelligent technology in virtual science inquiry learning from three aspects， namely， the element representation and analysis model， the automatic analysis and real-time evaluation， and the adaptive feedback. And this study summarizes the practical challenges faced by the current application of the technology， such as the difficulty in deeply exploring the element representation， portraying uncertain inquiry processes， and generating adaptive feedback. Secondly， on this basis， three key technologies are proposed： the construction of underlying computing model based on activity flow， the dynamic monitoring and automatic evaluation of complex inquiry process， and the generation of self-adaptive feedback content with explainable attribution. Thirdly， based on the key technologies， a technical architecture of the independent inquiry learning platform for virtual science experiments is designed. Finally， the study summarizes the innovation of the current research and puts forward future suggestions to provide a useful reference for further technical exploration in the field of virtual science inquiry learning enabled by intelligent technology.

[Keywords] Intelligent Technology; Virtual Science Inquiry Learning; Process Evaluation; Adaptive Feedback; Platform Design