孩子们如何评价数字语音助手、教师和同学所提供的科学解释？ 阿曼达·S·哈伯（Amanda S. Haber）、 索娜·C·库马尔（Sona C. Kumar）、 梅莉亚·斯文森（Melia Swenson）、 卡拉·博德（Kara Bode）以及 伊丽莎白·鲁埃尔（Elizabeth Ruel）

《Behavioral Sciences》：How Do Children Evaluate Scientific Explanations Provided by Digital Voice Assistants, Teachers, and Peers? Amanda S. Haber, Sona C. Kumar, Melia Swenson, Kara Bode and Elizabeth Ruel

　　**摘要**
截至2025年，美国约有1.543亿语音助手用户（Emarketer，2025年）。鉴于数字语音助手在儿童生活中的普及程度，理解儿童如何与这些数字技术互动以及从中学习显得至关重要。通过两项实验，我们采用了一种改进的选择性信任设计来探讨儿童（N = 310）在科学领域对技术和人类信息来源的寻求行为。在实验1（N = 143）中，我们研究了4至6岁的儿童更倾向于向数字语音助手还是同龄人提出科学问题，并更信任哪种解释。实验分为三个部分：(i) 科学问题提出与认可阶段；(ii) 明确判断阶段；(iii) 对数字语音助手的熟悉度提问阶段。在第一个阶段，儿童被问及他们更想向谁询问某些科学问题。在第二阶段，数字语音助手和同龄人均对该问题提供了解释。其中一半的儿童被分配到数字语音助手提供非循环性解释的条件组，另一半儿童被分配到同龄人提供非循环性解释的条件组。在实验2（N = 167）中，我们研究了儿童更倾向于向数字语音助手还是课堂老师提出科学问题，并更信任哪种解释。两项研究均表明，儿童更喜欢向数字语音助手提问并信任其提供的科学解释。通过了解儿童如何在科学领域通过数字技术学习，我们可以设计未来利用对话式人工智能进一步提高儿童科学参与度和批判性思维能力的干预措施。

**1. 引言**
尽管儿童可以通过直接探索周围世界来获取信息，但在数字时代成长的儿童却更多地通过向他人（如教师、看护人、同龄人）以及技术信息来源（包括互联网、机器人和数字语音助手/智能音箱，例如Apple的Siri、Amazon的Alexa、Google Home）提出科学问题（例如：“为什么鱼生活在水下？”）来学习有关世界的知识（Aeschlimann等人，2020年；Girouard-Hallam & Danovitch，2022年；Girouard & Danovitch，2026年；Hoehl等人，2024年；Lovato等人，2019年；Murray，2021年；Stower等人，2021年；Tong等人，2025年；Vella等人，2025年；Wang等人，2019年；Wu等人，2024年）。可以说，儿童与人类信息提供者或数字技术的“对话”（问题-回答交流）可以影响他们在早期童年的STEM学习（例如，Bonus等人，2025年；Callanan等人，2020年；Haber等人，2021a，2021b；Haber，2025年；Haden等人，2023年；Kelly等人，2023年）。目前，0至8岁的儿童每天平均花费2小时27分钟与屏幕媒体互动（Common Sense Media，2025年）。这种互动随年龄增长而增加，5至8岁的儿童每天平均与屏幕媒体互动超过3小时28分钟（Common Sense Media，2025年）。根据Common Sense Media（2025年）的报告，96%的美国儿童家中至少有一台智能手机，41%的美国儿童家中拥有数字语音助手（智能音箱），这一比例比2020年增长了8%。事实上，“到2岁时，每10个儿童中有4个拥有自己的平板电脑（40%）；到4岁时，超过一半的儿童拥有平板电脑（58%）”（Common Sense Media，2025年，第4页）。此外，超过21%的看护人报告说儿童每周至少使用智能音箱几次，主要用于获取信息和播放音乐（Common Sense Media，2025年）。这些数据表明，儿童从很小的时候就开始接触并积极使用技术资源。然而，我们对于儿童偏好将数字语音助手作为科学信息提供者以及他们对其解释的信任程度知之甚少。儿童早期STEM学习，特别是关于不可观察的科学过程（如细菌或电）的学习，往往依赖于更有知识的他人提供的科学解释。如今，更有知识的他人不仅包括看护人、教师和同龄人，还包括技术（Canfield & Ganea，2014年；Clegg等人，2019年；Haber等人，2022年；Harris等人，2018年；Leech等人，2020年；Vygotsky，1978年；Willard等人，2019年）。在本系列实验中，我们探讨了幼儿如何决定向数字语音助手提出科学问题，以及他们如何信任这些来源提供的科学解释。

数字语音助手或智能音箱代表了独特的信息来源。根据Common Sense Media（2020年）的定义，这类技术是指“能够响应语音指令、播放音乐和回答问题的任何设备”（第12页）。虽然与计算机或互联网交互可能需要读写能力，但儿童可以直接以类似于与人类信息提供者或机器人交互的方式与数字语音助手互动（Lau等人，2018年；Szcuka等人，2022年；Wojcik等人，2022年）。事实上，儿童可能会将数字语音助手与机器人联系在一起（Common Sense Media，2025年；Wojcik等人，2022年）。尽管关于儿童对数字语音助手提供信息的评价的实证数据很少，但先前的研究已经探讨了儿童与社会机器人（Breazeal等人，2016年；Cameron等人，2016年、2017年；Di Dio等人，2020a、2020b；Goldman等人，2023年；Hoehl等人，2024年；Manzi等人，2020年；Melson等人，2009年；Sommer等人，2019年、2021a、2021b、2023年；Tanaka等人，2007年；Van Straten等人，2023年）以及最近的人工智能（Oh等人，2025年）的互动。研究发现，儿童似乎会考虑准确性、能动性（例如意图）和经验等因素（Brink & Wellman，2020年；Cameron等人，2016年、2017年；Hoehl等人，2024年；Manzi等人，2020年；Melson等人，2009年）。例如，3岁的儿童更愿意从准确的社交机器人那里学习，而5岁的儿童则更喜欢来自可靠的人形机器人的信息（Brink & Wellman，2020年；Hoehl等人，2024年）。总体而言，研究表明，随着年龄的增长，儿童不太可能将机器人视为具有情感或意图的社交实体。当儿童与数字语音助手互动时，他们获取知识的主要方式是提出问题（Danovitch等人，2025年）。鉴于学龄前儿童每小时会提出超过76个信息寻求问题（Chouinard，2007年；Kurkul & Corriveau，2018年；Ronfard等人，2018年），并且如果对答案不满意会继续提问（Frazier等人，2016年），因此理解儿童如何将这些数字语音助手视为信息来源至关重要。Lovato等人（2019年）的一项研究为18个家庭（儿童年龄为5至6岁）提供了智能音箱（Alexa），发现儿童会向智能音箱提出各种类型的问题，包括科学和技术（24%的问题）、实用信息（天气和方向；18%）以及个人信息（9%）。同样，Beneteau等人（2019年）、Druga等人（2017年）和Yarosh等人（2018年）的研究进一步证明了幼儿确实会向这些设备提问，并且儿童似乎会修改问题以从数字语音助手那里获得准确答案（Danovitch等人，2025年；Festerling & Siraj，2020年；Girouard-Hallam & Danovitch，2022年）。Wojcik等人（2022年）的研究则考察了5岁和6岁的儿童选择从数字语音助手（Amazon的Echo）还是人类信息提供者那里学习关于罕见动物的信息。尽管样本量较小（约30名儿童），但结果表明，儿童更倾向于向数字语音助手提问。最后，研究表明，儿童使用数字语音助手来询问事实信息而非个人信息（例如，Lovato等人，2019年；Oran? & Ruggeri，2021年）。Girouard-Hallam和Danovitch（2022年）发现，7至8岁的儿童比4至5岁的儿童更倾向于从数字语音助手那里获取事实信息。综上所述，这些数据表明儿童从很小的时候就开始积极使用数字技术，而数字语音助手可以影响他们在早期童年的学习。

**本研究**
截至2025年，美国约有1.543亿语音助手用户，预计到2028年这一数字将至少增长到1.703亿（Wohr，2025年）。鉴于数字语音助手在儿童生活中的普及程度，了解儿童对这些技术信息来源的偏好和信任程度至关重要。这一点在科学领域尤为重要，因为科学解释的质量会影响儿童早期的STEM学习（例如，Danovitch等人，2021年；Leech等人，2020年；Mills等人，2022年；Russ等人，2008年；Sands等人，2023年；Venkadasalam等人，2024年）。然而，据我们所知，很少有研究探讨儿童决定向谁提出科学问题以及他们对这些来源提供的科学信息的信任程度。在两项研究中，我们采用了改进的选择性信任设计（参见Harris等人，2018年的综述）来探讨儿童在科学领域对技术和人类信息来源提供的解释的偏好和认知信任。在本研究中，认知信任指的是儿童期望某个来源提供准确解释的态度。大量研究表明，儿童通常会认可那些曾经提供准确信息或表现出专业知识的来源（例如，Koenig & Harris，2005年；Pasquini等人，2007年；Sobel & Corriveau，2010年）。

在实验1中，我们研究了儿童更倾向于向数字语音助手还是同龄人提出科学问题，以及他们对这些解释的信任程度（例如，Wang等人，2019年）。与以往的研究一致，实验中的同龄人被描述为“像你一样的孩子”。我们在实验1中重点关注数字语音助手，因为4岁的儿童尚未开始上幼儿园，因此与5岁和6岁的儿童相比，他们可能与课堂教师的互动经验较少。实验分为三个部分：(i) 科学问题提出与认可阶段；(ii) 明确判断阶段；(iii) 对数字语音助手的熟悉度提问阶段。借鉴Wang等人（2019年）的研究方法，我们首先测量了儿童在获得任何解释之前向这些来源提出科学问题的偏好（科学问题提出阶段）。儿童的认知信任是根据他们认可的信息提供者的解释来衡量的（科学认可阶段）。在科学问题提出与认可阶段的第一部分，儿童被问及他们更想向谁询问某些科学问题（例如：“如果你想了解下雨的原因，你会问Alexa/Siri/Google还是那个孩子？为什么？”）。在这一阶段的第二部分，数字语音助手和同龄人均对该问题提供了解释。在科学领域，科学解释可以影响儿童对因果过程背后概念和机制的理解（Callanan & Oakes，1992年；Legare & Lombrozo，2014年；Leech等人，2020年；Willard等人，2019年）。研究表明，随着年龄的增长，儿童对他人提供的解释质量变得更加敏感（Frazier等人，2009年；Kurkul & Corriveau，2018年；Wu等人，2024年）。解释质量的一个重要因素是循环性，这会对科学学习产生显著影响（Corriveau & Kurkul，2014年；Clegg等人，2019年；Ma等人，2024年；Mercier等人，2014年；Mills等人，2019年；Mills等人，2022年；Sands等人，2023年；Wu等人，2024年）。非循环性解释通常会对问题提供逻辑上的解释（例如，“当电灯打开时，电路就完成，从而允许电流流向电灯”；Corriveau & Kurkul，2014年）。循环解释在日常对话中很常见，通常会以循环的方式重复问题中的信息（例如，“灯亮是因为开关被打开了，开关给我们提供了光”；Corriveau & Kurkul, 2014）。研究表明，早在四岁的时候，孩子们就更喜欢非循环性的解释而不是循环性的解释（Corriveau & Kurkul, 2014; Mills et al., 2019），这样的信息会影响孩子们是否愿意从某个来源学习新信息（例如，Baum et al., 2008; Corriveau & Kurkul, 2014; Mercier et al., 2014; Wu et al., 2024）。在我们的研究中，一半的儿童被分配到一个数字语音助手提供非循环性解释的条件下，另一半儿童被分配到另一个同伴提供非循环性解释的条件下。在明确的判断阶段，孩子们被要求确定谁在回答科学问题时“更擅长”。最后，在熟悉度问题阶段，孩子们被问及他们在家中使用数字语音助手的情况。

我们预测孩子们可能会更倾向于向数字语音助手提出科学问题（无论解释的质量如何）。例如，Wang等人（2019）发现孩子们更喜欢从互联网获取科学和历史信息，这表明随着年龄的增长，他们可能更倾向于使用技术来源的信息。同样，Girouard和Danovitch（2026）发现，4至8岁的孩子更倾向于接受谷歌提供的信息，而不是老师的解释。我们对孩子们如何评价数字语音助手与同伴提供的解释质量并没有具体的预测。

在实验2中，我们使用了与实验1相同的方法来考察孩子们对数字语音助手或课堂老师的偏好。

### 实验1
#### 2.1. 材料与方法
#### 2.1.1. 参与者
第一项研究涉及143名4岁、5岁和6岁的儿童（平均年龄=64.72个月，标准差=10.13个月，年龄范围=48–83个月，76名女孩，67名男孩）和143名看护者（138名母亲，4名父亲，1名非二元性别者）。根据类似的研究（Girouard-Hallam et al., 2021; Girouard-Hallam & Danovitch, 2022）以及使用G*power 3.1.9.7进行的先验分析（Faul et al., 2007），我们的目标是招募至少129名儿童来进行具有二元因变量的逻辑回归模型分析（参数最多的分析；功效=0.95；小效应量?=0.15）（见补充材料）。另有30名儿童参与了实验，但由于记忆检查题回答错误（n=14）或缺失重要数据（n=16）而被排除在分析之外。如表1所示，大约42.7%的儿童不是白人（注：有2名看护者未报告孩子的种族和民族）。表2包括了看护者的 demographic 信息（例如，最高教育水平和收入水平）。研究获得了机构审查委员会的知情同意。

#### 2.1.2. 程序
家庭是通过实验室数据库、社交媒体上的公共广告以及美国东北部城市的图书馆和托儿中心的传单招募的。该研究得到了Fairfield大学机构审查委员会的批准，并获得了知情同意。所有家庭因参与实验而获得了10美元的礼品卡。

首先，孩子们使用电脑或平板电脑与实验者通过Zoom会议进行交流。尽管看护者留在房间里，但他们被指示在会议期间不要与孩子进行任何交流（Girouard-Hallam et al., 2021）。研究包括以下按固定顺序呈现的阶段：

- **数字语音助手介绍**：实验者向孩子简要介绍了数字语音助手的功能（设计参考了Girouard-Hallam et al., 2021）：“这些设备可以响应你的声音并回答你的问题。它们有各种形状、颜色和大小。”接着，实验者向孩子展示了三个语音助手的照片：“Alexa”（亚马逊）、“Siri”（苹果）和“Google Home”，并询问孩子对哪一个最熟悉。这三个语音助手的展示顺序在参与者之间是平衡的。
- **科学提问与认可阶段**：实验者首先向孩子解释说：“今天你会听到一些科学问题。一个‘像你这样的孩子’（参考Wang et al., 2019；实验者指了一名同龄孩子的照片）或者[Alexa/Siri/Google]（使用的是孩子最熟悉的语音助手的照片）可以帮助我们找到这些问题的答案。让我们看看今天有哪些科学问题！”共有五个科学主题：飞机、电、鱼、雨和花/树（见表3）。

对于每个科学主题，都有一个“提问”问题（总是首先提出）和一个“认可”问题（总是其次提出）。共有五个“提问”问题和五个“认可”问题。对于“提问”问题，实验者询问孩子更愿意向谁寻求答案。例如，实验者问：“如果你想了解鱼是如何在水下呼吸的，你会问[Alexa/Siri/Google]还是那个孩子？”孩子们被要求解释他们的选择原因。
- **数字语音助手与同伴的解释**：对于特定的科学问题，数字语音助手和同伴分别提供了一种解释（由实验者读出）。一半的儿童被分配到一个数字语音助手总是提供非循环性解释的条件下（n=71），另一半儿童被分配到一个同伴总是提供非循环性解释的条件下（n=72；见表3中的解释示例）。循环性解释会重复问题中的信息（例如，“灯亮是因为开关被打开了，开关给我们提供了光”），而非循环性解释则会提供问题的逻辑解释（“灯亮是因为电路接通了，电流流动使灯亮起”；Corriveau & Kurkul, 2014; Wu et al., 2024）。例如，实验者说：“[Alexa/Siri/Google]说鱼通过鳃吸收水并将水中的氧气溶解到血液中。[孩子]说鱼在水下呼吸，而且鱼不会在陆地上生活和移动。”听到解释后，实验者问：“你更喜欢[Alexa/Siri/Google]还是那个孩子的解释？”同样，孩子们被要求解释他们的选择原因。科学主题和解释的顺序在参与者之间是平衡的（Corriveau & Kurkul, 2014）。

#### 明确判断
在“明确判断”阶段，孩子们被提出一个记忆检查问题（“你还记得[Alexa/Siri/Google]和那个孩子谈论过哪些事情吗，比如为什么下雨以及飞机是如何飞行的？”）。如果孩子们没有回答或回答“不”，他们就被从数据集中剔除（Corriveau & Kurkul, 2014）。根据以往的研究，孩子们被问了三个明确判断问题。实验者问孩子：“[Siri/Alexa/Google]在这些事情的解释上做得很好吗？”以及“那个孩子在这些事情的解释上做得很好吗？”这些问题的顺序在参与者之间是平衡的。最后，孩子们被问：“你认为谁在回答科学问题时更擅长？”对于每个明确判断问题，孩子们都被要求解释他们的回答。

#### 熟悉度问题
在“熟悉度问题”阶段，参考了以往的研究（Girouard-Hallam et al., 2023），孩子们被询问他们使用数字语音助手的经历（例如，“你会用它来玩游戏或听音乐吗？”）。此外，看护者在Zoom会议后也完成了熟悉度问卷，以了解他们家中数字语音助手的使用情况（家长调查项目参考了Girouard-Hallam & Danovitch, 2022）。熟悉度问卷是更大项目的一部分，该项目涉及儿童使用数字语音助手的情况，超出了当前实验的范围。

#### 2.1.3. 编码
- **科学提问与认可试验的编码**：孩子们被要求为五个科学提问问题和五个科学认可问题解释他们的回答。解释被转录并编码为十个互斥的类别，基于数据中出现的主题（见表4中的完整编码方案和示例）：属性、知识、先前知识、理解、真实性/正确性、重复、更好、作为信息提供者的身份、不知道、没有回答/无意义。
- **明确判断问题的编码**：孩子们被要求为三个明确判断问题解释他们的回答，这些回答被编码为十个互斥的类别，基于数据中出现的主题（见表5中的完整编码方案和示例）：属性、知识、先前经验、解释质量、准确性/不准确性、重复、更好、作为信息提供者的身份、不知道、没有回答。

为了确认评分者之间的可靠性，随机抽取了127个回答样本（总样本的16.5%）由两名受过培训的研究助手进行编码。一致性达到了99%（Kappa = 0.99）。分歧通过与第一作者的讨论解决了。

### 2.2. 结果
#### 2.2.1. 初步结果
总体而言，48.3%的儿童对Alexa最熟悉，18.2%对Google Home最熟悉，33.6%对Siri最熟悉。重要的是，初步的卡方独立性检验表明，不同条件下孩子们对数字语音助手的熟悉度没有差异（X2(1) ≈ 0, p = 1）。

#### 2.2.2. 初始科学提问偏好
我们首先进行了二项式检验，以确定孩子们在任一信息提供者提供解释之前，最初选择向数字语音助手还是同伴提问的比例是否与随机概率（0.5）不同。在所有条件下，孩子们在研究开始时显著更倾向于选择数字语音助手（p < 0.001）。此外，控制条件的逻辑回归分析显示，孩子们的初始提问偏好没有受到年龄的影响（见表6）。

#### 2.2.3. 初始科学认可
我们进行了二项式检验，以确定孩子们最初对数字语音助手还是同伴的科学解释的认可程度是否与随机概率（0.5）不同。在所有条件下，孩子们最初对数字语音助手的认可程度显著高于随机概率（p < 0.001）。在认可数字语音助手的儿童中，不同解释质量之间没有差异（p = 0.68）。在认可同伴的儿童中，不同解释质量之间也没有差异（p = 0.67）。控制条件后，孩子们的初始认可程度没有受到年龄的影响（见表6）。

#### 2.2.4. 总体科学提问偏好
在五个试验中，孩子们被问及他们会向哪个信息提供者提问科学问题。孩子们被分为两类：一类表现出对数字语音助手的偏好（在三个或更多试验中选择数字语音助手），另一类表现出对同伴的偏好（在三个或更多试验中选择同伴）。有一个孩子没有表现出明显的偏好，因此被排除在分析之外。精确的二项式检验显示，在所有条件下，孩子们对数字语音助手的偏好高于随机概率（p < 0.01）。在偏好数字语音助手的儿童中，不同条件之间没有差异（p = 0.62）；同样，在偏好同伴的儿童中，不同条件之间也没有差异（p = 0.42）。控制条件的逻辑回归分析显示，孩子们的偏好没有受到年龄的影响（见表7）。

#### 2.2.5. 总体科学认可
在五个试验中，孩子们被问及他们会认可哪个信息提供者的科学解释。儿童被分为两类：一类是在三次或更多次试验中表现出对数字语音助手（DVA）的偏好（支持DVA）；另一类是在三次或更多次试验中表现出对同伴的偏好（支持同伴）。有一名儿童没有表现出明显的偏好，因此被排除在这项分析之外。精确的二项式检验表明，在所有条件下，儿童对DVA的偏好都高于随机水平（p < 0.01）。在偏好DVA的儿童中，不同条件之间没有差异（p = 0.12）。而在偏好同伴的儿童中，当同伴提供非循环性解释而非循环性解释时，更多儿童表现出这种偏好（p = 0.02）。控制条件的逻辑回归分析显示，儿童对DVA和同伴的偏好与年龄无关（见表6）。具体原因见表7。

2.2.6 明确判断
儿童被要求将同伴和DVA的解释评为好或不好。然后我们检查了儿童的判断是否因解释的质量而有所不同。
- **DVA**：精确的二项式检验表明，在所有条件下，儿童更倾向于认为DVA的解释是好的（p < 0.01）。这一结论不受解释质量的影响。无论DVA的解释是循环性的（p < 0.001）还是非循环性的（p < 0.001），儿童都更可能认为它们是好的。
- **同伴**：精确的二项式检验显示，在所有条件下，儿童将同伴的评价为好或不好与随机水平没有差异（p = 0.93）。进一步分析发现，当同伴提供循环性解释时，儿童对同伴的评价与随机水平相同（p = 0.48）；当同伴提供非循环性解释时，儿童的评价也与随机水平相同（p = 0.29）。
- **DVA与同伴之争**：最后，儿童被要求判断DVA和同伴谁更胜一筹。在所有条件下，DVA被评为更优（p < 0.001）。对于那些认为DVA更优的儿童，不同条件之间没有差异（p = 0.69）；对于那些认为同伴更优的儿童，不同条件之间也没有差异（p = 0.75）。具体原因见表7。

2.3 实验1讨论
在实验1中，我们研究了儿童相对于同伴更倾向于向数字语音助手提出科学问题的偏好。我们还探讨了儿童对这些信息来源所提供的解释的信任程度。下面简要讨论研究结果。
首先，4岁、5岁和6岁的儿童表现出更倾向于向数字语音助手提出科学问题，并对其提供的解释更信任。总体而言，实验结果支持了我们的假设，进一步证实了以往的研究（Beneteau等人，2019年；Draguda等人，2017年；Girouard-Hallam & Danovitch，2022年；Lovato等人，2019年；Oran? & Ruggeri，2021年；Wojcik等人，2022年），这些研究表明儿童在科学领域会向数字语音助手提问（将这类设备视为重要的信息来源）。我们的研究还表明，4岁、5岁和6岁的儿童不仅更喜欢DVA作为科学信息提供者，而且似乎也更信任它们的解释。此外，在评估谁更擅长回答科学问题时（整体评估），无论条件如何，儿童都认为DVA比同伴更优秀。

一个可能的解释是，儿童认为数字语音助手比同伴拥有更多的专业知识和能力（例如，Wang等人，2019年）。实际上，我们发现无论解释的质量如何（非循环性解释与循环性解释），儿童都更信任数字语音助手提供的解释。因此，为了更好地理解儿童在数字时代如何评估周围的世界中的科学信息，我们还想研究儿童在面对来自课堂教师和数字语音助手的科学信息时的信任程度。可以说，课堂教师在科学领域的概念和过程方面比儿童有更多的专业知识。因此，当面临具有相似专业能力的信息提供者时，儿童可能会根据解释的质量来决定信任谁。

3. 实验2
3.1 引言
基于实验1的结果，我们在实验2中研究了儿童向数字语音助手或课堂教师提出科学问题的偏好以及他们对这两种信息提供者所提供的科学解释的信任程度。
对于实验2，我们提出了几个假设。首先，根据实验1的结果和以往的研究，我们预计儿童会更倾向于将科学信息导向数字信息提供者而非课堂教师（例如，Girouard & Danovitch，2026年；Wang等人，2019年）。对于儿童为何信任数字语音助手而非课堂教师所提供的科学解释，我们有两个合理的解释。一方面，鉴于实验1的结果，儿童可能更信任数字语音助手提供的解释（无论解释的质量如何）。另一方面，当教师提供非循环性解释而非循环性解释时，儿童也可能更倾向于信任教师。如前所述，以往的研究表明，4至10岁的儿童更喜欢提供非循环性解释的信息提供者（Corriveau & Kurkul，2014年；Mills等人，2019年；Wu等人，2024年）。

3.2 材料与方法
3.2.1 参与者
第二项研究共有167名4岁、5岁和6岁的儿童（平均年龄65.44个月，标准差10.66个月，年龄范围48-83个月，其中97名女孩，69名男孩，1名非二元性别者）和167名看护者（159名母亲，8名父亲）。另有22名儿童参与了研究，但由于未能通过记忆测试（n = 20）或不熟悉数字语音助手（n = 2）而被排除在分析之外。如表8所示，大约44.3%的儿童是非白人（注：有1名看护者未报告儿童的种族和族裔）。表9包含了看护者的基本信息（如最高教育程度和收入水平）。所有研究均获得了机构伦理委员会的同意。

3.2.2 程序与编码
开放式解释的程序和编码与实验1相同，唯一的区别在于信息提供者的选择。儿童不需要在DVA和同伴之间做出选择，而是在DVA和课堂教师之间做出选择。实验者首先向儿童解释：“今天你们将听到一些科学问题。一位在学校任教的老师（实验者指着一张老师的照片）或[Alexa/Siri/Google]（使用儿童最熟悉的数字语音助手的照片）可以帮助我们找到这些问题的答案。让我们看看今天有哪些科学问题吧！”
一半的儿童被分配到DVA始终提供非循环性解释的组（n = 80），另一半被分配到课堂教师始终提供非循环性解释的组（n = 87）。所有解释都与实验1相同（见表3）。

3.3 结果
3.3.1 初步结果
总体而言，41.9%的儿童最熟悉Alexa，23.4%熟悉Google Home，34.7%熟悉Siri。重要的是，初步的卡方独立性检验表明，不同条件下儿童对DVA的熟悉程度没有差异（X2(1) = 0.49，p = 0.5）。

3.3.2 初始提问偏好
我们进行了二项式检验，以确定儿童在任一信息提供者提供解释之前，最初选择向DVA还是教师提出科学问题的比例是否偏离随机水平（0.5）。结果显示，儿童最初的偏好显著偏离随机水平，更多的儿童倾向于选择向DVA提问（p < 0.01）。随后，我们进行了逻辑回归分析，以确定在不同年龄组中，儿童的偏好是否因年龄而异（控制条件）。年龄并不能预测儿童对信息提供者的偏好（见表10）。

3.3.3 初始认可度
我们进行了二项式检验，以确定儿童最初对DVA或教师科学解释的认可程度是否偏离随机水平（0.5）。结果表明，儿童最初的偏好显著偏离随机水平，更多的儿童倾向于认可DVA的解释（p < 0.001）。然后我们将数据分为选择DVA的儿童和选择教师的儿童，以考察儿童的选择是否受信息提供者解释类型（循环性或非循环性）的影响。在选择DVA的儿童中，不同解释质量对他们的偏好没有影响（p = 0.10）。在选择教师的儿童中，不同解释质量对其偏好有显著影响（p < 0.01）。换句话说，当教师提供非循环性解释时，儿童更倾向于认可教师的解释。最后，我们进行了逻辑回归分析，以确定在不同年龄组中，儿童的偏好是否因年龄而异（控制条件）。年龄并不能预测儿童对信息提供者的偏好（见表10）。

3.3.4 总体提问偏好
在五次试验中，儿童被问及他们更愿意向谁提出科学问题。在三次或更多次试验中选择向DVA提问的儿童被归类为偏好DVA；在三次或更多次试验中选择向教师提问的儿童被归类为偏好教师。有一名儿童没有表现出明确的偏好，因此被排除在分析之外。我们进行了二项式检验，以确定偏好DVA与偏好教师的儿童比例是否偏离随机水平（0.5）。结果表明，儿童的选择显著偏离随机水平，更多的儿童偏好DVA（p < 0.001）。然后我们将数据分为选择DVA的儿童和选择教师的儿童，以考察儿童的选择是否受信息提供者解释类型（循环性或非循环性）的影响。在选择DVA的儿童中，不同解释质量对他们的偏好没有影响（p = 0.18）。在选择教师的儿童中，不同解释质量对其偏好有显著影响（p < 0.01）。具体来说，当教师提供非循环性解释时，儿童更倾向于认可教师的解释。控制条件的二元逻辑回归分析显示，年龄可以预测儿童的偏好，6岁的儿童对教师的偏好明显强于4岁的儿童（见表11）。具体原因见表11。

3.3.5 总体认可度
在五次试验中，儿童被问及他们更愿意认可哪位信息提供者的科学解释。在三次或更多次试验中选择认可DVA的儿童被归类为偏好DVA；在三次或更多次试验中选择认可教师的儿童被归类为偏好教师。我们进行了精确的二项式检验，以确定偏好DVA与偏好教师的儿童比例是否偏离随机水平（0.5）。结果表明，儿童的偏好显著偏离随机水平，更多的儿童偏好DVA（p < 0.001）。然后我们分析了不同解释类型（循环性或非循环性）对儿童决策的影响。在选择DVA的儿童中，不同解释质量对其偏好没有影响（p = 0.18）。在选择教师的儿童中，不同解释质量对其偏好有显著影响（p < 0.01）。具体来说，当教师提供非循环性解释时，儿童更倾向于认可教师的解释。控制条件的二元逻辑回归分析显示，年龄可以预测儿童的偏好，6岁的儿童对教师的偏好明显强于4岁的儿童（见表11）。具体原因见表11。

3.3.5 总体提问认可度
在五次试验中，儿童被问及他们更愿意认可哪位信息提供者的科学解释。在三次或更多次试验中选择认可DVA的儿童被归类为偏好DVA；在三次或更多次试验中选择认可教师的儿童被归类为偏好教师。我们进行了精确的二项式检验，以确定偏好DVA与偏好教师的儿童比例是否偏离随机水平（0.5）。结果表明，儿童的偏好显著偏离随机水平，更多的儿童偏好DVA（p < 0.001）。然后我们分析了不同解释类型（循环性或非循环性）对儿童决策的影响。在选择DVA的儿童中，不同解释质量对其偏好没有影响（p = 0.18）。在选择教师的儿童中，不同解释质量对其偏好有显著影响（p < 0.01）。具体来说，当教师提供非循环性解释时，儿童更倾向于认可教师的解释。一项控制了条件的二元逻辑回归分析表明，年龄确实能预测信息提供者的偏好，其中6岁的儿童比4岁的儿童更倾向于选择教师作为信息提供者（见表10）。具体理由请参见表11。

3.3.6 明确判断
研究人员邀请儿童将教师和DVA（Digital Voice Assistant）的解释评为“好”或“不太好”。随后，我们分析了儿童的判断是否因解释的质量而有所不同。

**教师**：
二元精确检验显示，在所有条件下，儿童都认为教师的解释是好的（p < 0.01）。进一步分析发现，当教师提供循环解释时，儿童将教师评为“好”或“不太好”的概率与随机情况相同（p = 1）。而当教师提供非循环解释时，儿童更可能将教师的解释评为“好”（p < 0.001）。

**DVA**：
二元精确检验同样显示，在所有条件下，儿童都认为DVA的解释是好的（p < 0.01）。当DVA提供循环解释时，儿童更可能将DVA的解释评为“好”（p < 0.01）。当DVA提供非循环解释时，儿童也更可能将DVA的解释评为“好”（p < 0.001）。

**DVA与教师之间的比较**：
最后，研究人员要求儿童判断DVA和教师谁更优秀。在所有条件下，儿童都认为DVA比教师更优秀（p < 0.01）。在条件1中，当DVA提供非循环解释时，儿童确实认为DVA更优秀（p < 0.001）。在条件2中，当教师提供非循环解释时，儿童的判断结果是随机的（p = 1）。具体理由请参见表11。

3.4 实验2讨论
在实验2中，我们研究了儿童将科学问题询问给数字语音助手还是课堂教师的偏好。同时，我们也考察了儿童在决定是否信任这些信息来源所提供的科学信息时，是否会考虑解释的质量。总体而言，实验2的结果进一步支持了实验1的发现。
首先，在科学问题和认同问题中，4岁、5岁和6岁的儿童都更倾向于将科学问题询问给数字语音助手，而非课堂教师，这表明儿童将数字语音助手视为科学领域中的信息来源（Beneteau等人，2019；Druga等人，2017；Girouard-Hallam & Danovitch，2022；Lovato等人，2019；Oran? & Ruggeri，2021；Wojcik等人，2022）。在总体讨论部分，我们将再次讨论这一点。
其次，我们假设当教师提供非循环（高质量）解释而不是循环解释时，儿童更可能认同教师的解释。实验2的部分结果支持了这一假设：在初次科学认同、总科学问题偏好和总科学认同试验中，当教师提供非循环解释时，儿童更可能认同教师的解释。尽管我们对DVA和解释质量没有具体的预测，但实验2还发现，当DVA提供非循环解释时，儿童也更可能认同DVA的解释。这与以往的研究结果一致，即4-10岁的儿童更倾向于认同提供高质量非循环解释的信息提供者（Corriveau & Kurkul，2014；Mills等人，2019；Wu等人，2024）。值得注意的是，在之前的研究中（参见Corriveau & Kurkul，2014），信息提供者是人类。我们的研究结果的一个解释是，儿童在决定信任谁提供的科学信息时，可能会将解释的质量视为可信度的线索。我们将在总体讨论部分再次讨论这一点。

4. 总体讨论
在数字媒体时代，儿童接触并积极使用数字技术，这迅速改变了他们在幼儿期获取知识的方式，尤其是在科学领域。通过两个实验，我们发现年幼的儿童显著更倾向于从数字来源学习科学信息。这表明数字媒体可以在幼儿时期塑造他们的STEM学习。
首先，实验1和2的结果表明，4岁、5岁和6岁的儿童更倾向于将数字语音助手作为科学信息提供者（并更愿意向他们提出科学问题），并且信任他们的科学解释，而非同龄人或课堂教师（实验1）（实验2）。这些数据支持了我们的第一个假设，进一步证明了早在4岁时，儿童就已经将数字语音助手视为科学领域中的信息来源，并倾向于寻求和信任这些数字技术提供的科学信息（Aeschlimann等人，2020；Beneteau等人，2019；Druga等人，2017；Girouard-Hallam & Danovitch，2022；Lovato等人，2019；Oran? & Ruggeri，2021；Wang等人，2019；Wojcik等人，2022）。
其次，实验1和2的结果表明，儿童似乎忽略了数字语音助手的解释质量。换句话说，无论DVA提供的是非循环解释还是循环解释，儿童往往更信任数字语音助手的科学解释。
一个合理的解释是，儿童将数字语音助手视为熟悉的信息提供者。在我们的研究中，选择DVA是基于儿童“最了解”的设备。相比之下，教师（被描述为“在学校教书的老师”）和同龄人（被描述为“像你一样的孩子”）都是通过图片代表的，而不是真实的人物。因此，不同信息提供者之间的熟悉度不对称，这可能影响了儿童的偏好。尽管在两个实验中，儿童对DVA的熟悉度没有显著差异，但我们发现儿童对Alexa的熟悉度最高，其次是Siri，最后是Google Home。也许，儿童愿意向DVA提问的程度受到信息提供者呈现方式及其熟悉度的影响（例如，Lovato & Piper，2015；Druga等人，2017）。
然而，可以说，儿童对DVA的熟悉度可能会增加他们对这些设备的使用频率，但并不影响他们对设备提供的信息准确性的评价。首先，儿童对数字语音助手的熟悉度可能更多地集中在设备的“功能”上。从很小的时候起，儿童就可能学会了如何与DVA互动，这通常涉及快速回答问题。这表明儿童对这类设备的熟悉度可能基于对其功能的理解，而不是它们如何获取信息。而儿童对人类信息提供者的熟悉度可能反映了他们对人们有欲望、意图、专业知识和思维的理解。其次，先前的研究表明，儿童更可能从DVA那里寻求事实性或程序性信息（例如，Girouard-Hallam & Danovitch，2022）。如果熟悉度是儿童偏爱这些设备的唯一原因，那么他们在所有领域对数字语音助手的偏好和信任应该是统一的。我们的研究仅关注了科学领域的事实性和程序性问题，但可以合理推测，对于与社会和个人信息相关的科学问题，儿童可能不会表现出同样的偏好（Haber & Kumar，2025）。基于这一点（以及以往的研究结果），幼儿在某些特定领域倾向于向DVA寻求信息。因此，熟悉度本身不能完全解释儿童为何将数字语音助手作为科学信息提供者及其解释的信任。
另一个合理的解释是，儿童因为技术的可用性而更喜欢数字语音助手。在这种情况下，儿童可能因为数字语音助手的交互性和响应性而选择使用它们。例如，研究表明，儿童可能会根据功能（如播放音乐、回答问题或设置计时器）而不是推理能力或信息准确性来评价数字语音助手（例如，Druga等人，2017；Festerling & Siraj，2020；Lovato & Piper，2015；Yarosh等人，2018）。也许儿童将DVA视为工具，更看重信息提供速度和便利性，而不是解释或信息的质量。这种解释可以说明为什么儿童无论解释质量如何，都倾向于信任数字语音助手。
最后，第三个合理的解释是，儿童在信任数字语音助手提供的信息时，可能会利用不同的可信度线索。由于DVA的交互性，他们可能认为数字语音助手比无生命的物体或人工制品更具“能动性”。例如，一些年幼的儿童将DVA描述为“友好的”、“有帮助的”或“体贴的”（Druga等人，2017；Girouard-Hallam等人，2021；Yarosh等人，2018）。这种分类方式（将数字助手与人类信息提供者进行比较）可能影响了他们对数字语音助手提供的解释的信任。我们的研究结果表明，儿童更倾向于将数字语音助手视为提供信息的工具，但他们可能不会对数字语音助手的解释应用相同的批判标准。
总之，儿童对数字语音助手的偏好和信任可能不仅仅基于熟悉度。第二个合理的解释是，儿童因为技术的可用性而更喜欢数字语音助手。在这种情况下，儿童可能因为数字语音助手的交互性和响应性而选择使用它们。例如，研究表明，儿童可能根据功能（如播放音乐、回答问题或设置计时器）来评价数字语音助手，而不是根据推理能力或信息准确性（例如，Druga等人，2017；Festerling & Siraj，2020；Lovato & Piper，2015；Yarosh等人，2018）。也许儿童将DVA视为工具，更注重信息的速度和便利性，而不是解释或信息的质量。这一发现不仅适用于数字语音助手，也适用于其他基于人工智能的系统。鉴于儿童更偏好将数字语音助手作为科学信息来源，并且他们信任这些设备提供的解释（无论解释的质量如何），未来工作的一个重要方向是开发分阶段的教学干预措施，以培养儿童在与数字技术互动时运用批判性思维技能的能力（主要是应用解释质量标准的能力）。在科学领域，这一点尤为重要，因为科学问题和解释可以极大地促进早期STEM学习的发展（Danovitch等人，2021；Haber等人，2022；Leech等人，2020；Mills等人，2022）。如果儿童信任数字语音助手提供的科学信息，那么这些设备提供的信息必须准确、细致、平衡且正确。由于许多年幼的孩子都在使用数字语音助手，因此早期童年是孩子们开始学习辨别错误信息并质疑数字媒体提供的科学信息准确性的关键时期。此外，科学学习不仅仅是内容本身：孩子们对科学作为一种过程的理解（提问、实验、从错误中学习以及与他人分享想法）、归属感、兴趣和动机（努力、失败和成功之间的关系）都是影响他们参与科学学习的因素（参见Haber & Kumar，2025的综述）。虽然儿童与数字技术的互动可以让他们获得科学信息，但与成人的互动也为他们的科学学习提供了独特的贡献。具体来说，教师和看护人可以考虑科学学习的社会情感方面，并为孩子们提供动手操作的科学学习体验。例如，通过关于科学的对话，成人可以激活孩子们对某个科学主题或概念的已有知识，并鼓励他们将所学内容与个人生活联系起来（例如，Callanan等人，2020；Haber，2025；Haber & Kumar，2025；Kumar & Haber，2025；Vygotsky，1978；Willard等人，2019）。因此，成人在培养孩子们的参与度、动机和归属感方面继续发挥着关键作用。数字媒体和人类信息提供者在塑造孩子们的早期STEM体验中起着互补的作用。

4.1 数字素养与STEM教育：对课堂和幼儿教育中AI使用的启示
这项研究的发现也与数字素养和STEM教育领域的研究相关联。数字素养被定义为个人能够批判性地查找、评估、解释和使用来自数字来源的信息的技能（例如，Buckingham，2015；Lan等人，2026；Law等人，2018；Wei，2022）。对于生活在技术世界中的孩子们来说，数字素养至关重要。根据Eshet-Alkalai（2004）提出的多维度数字素养框架，数字素养包括五个组成部分：信息素养（批判性地评估信息质量）、图像视觉素养（理解图形信息）、复制素养（基于现有材料开发新内容）、分支素养（探索非线性信息）和社会情感素养（理解数字通信中的社会和情感成分）；参见Sabyrkhanova等人（2026）。同样，Law等人（2018）将数字素养定义为获取信息、批判性评估信息、创建新内容和使用各种数字设备的能力。数字素养与批判性思维和问题解决技能的提高有关（例如，Tyres-Chowdhry & Binder，2021）、阅读理解能力和数学技能，更广泛地说，还与学术成就相关（例如，Hu等人，2018；Lan等人，2026；参见Li等人，2025的元分析）。研究人员提出的一种解释是，具有较高数字素养技巧的儿童和青少年能够更高效有效地评估和导航数字技术提供的信息。近年来，研究人员还关注“AI素养”，这是一种21世纪的数字素养技能，重点在于有效利用、交流和评估AI提供的数据（例如，Druga & Ko，2021；Kandlhofer等人，2016；Kewalramani等人，2021；Long & Magerko，2020；Ng等人，2021；Steinbauer等人，2021；Su等人，2023；Williams等人，2019；Yang，2022）。具体来说，AI素养的研究者们着重于理解AI系统如何生成输出，并批判性地质疑和评估这些数字技术提供的信息（例如，Long & Magerko，2020；参见Su等人，2023的元分析）。
可以说，我们的研究关注的是AI和数字素养的基本技能之一：评估数字语音助手提供的解释的质量。尽管年幼的孩子可能更喜欢来自人类信息提供者的更高质量的解释，但他们并不会自发地应用同样的标准和技能来评估数字语音助手的解释。因此，教育工作者和政策制定者需要在幼儿时期就教授批判性评估AI系统信息的技能。这些技能应包括AI系统的运作方式、其局限性，以及为什么个体需要质疑从这些系统接收到的信息的准确性。事实上，根据National Association for the Education of Young Children与Saint Vincent College的Fred Rogers Center for Early Learning and Children’s Media于2012年发布的联合声明，“儿童的数字和媒体素养意味着具备批判性的观看、倾听和网上浏览技能。孩子们学会过滤接收到的信息，从而做出更明智的选择，并掌握有效使用技术和基于技术和媒体的信息的技能。这些探究习惯会渗透到课程的各个领域以及终身学习中”（第9-10页）。正如我们下面讨论的那样，STEM教育为在幼儿时期教授数字和AI素养技能提供了机会。早期STEM教育（参见National Research Council，2013）利用孩子们对周围世界的好奇心，通过培养他们提出问题、进行调查研究、分析数据、构建解释、使用证据支持论点以及有效交流和评估信息等核心技能来实现这一目标。此外，根据Global STEM Alliance的观点，21世纪的STEM技能包括批判性思维和问题解决能力、创造力、协作能力、数字素养和计算机科学（参见Govender，2025的综述）。随着AI系统在儿童正式和非正式学习环境中的应用日益增加，研究人员开始探讨AI在幼儿教育中的使用（例如，Cimino等人，2025；Ljungcrantz，2026），特别是AI在K-12教育中的使用（例如，Abisoye，2023；Chiu & Li，2023；Ozturk，2025；S. J. Lee & Kwon，2024；J. Lee，2026）。例如，Xu等人（2022）发现，将对话式AI融入儿童的叙事科学编程视频中与更高的科学评估分数相关。在其他研究中，儿童使用可编程机器人、编程平台和其他多媒体玩具与计算思维和批判性思维技能、创造力及语言发展有关（例如，Bourha等人，2026；Hu等人，2024；Kewalramani等人，2020；J. Lee等人，2025；Murcia等人，2020；Papadakis，2021；H. Q. Zeng & Ng，2025；Zhang等人，2025）。最近，S. A. Zeng（2025）认为，“对话式AI”（包括机器人、数字语音助手和对话式学习应用程序）可以被视为儿童早期游戏化数学思维和学习中的“对话伙伴”（关注四个方面：认知支架、响应性和时机、儿童自主性以及数学语言质量）。因此，研究表明，基于AI的系统可以支持K-12正式教育中的STEM学习。
对话式AI（主要是数字语音助手）可以在幼儿时期塑造儿童的STEM学习。在我们的研究中，孩子们更喜欢向数字语音助手提出科学问题，这表明这类基于AI的数字技术正在成为早期STEM探索中的重要社会学习伙伴。与数字语音助手的互动可以通过鼓励他们提出关于科学概念或主题的问题来激发孩子们的好奇心和基于探究的学习（这是21世纪STEM的关键技能之一）（例如，Cimino等人，2025）。在课堂环境中，数字语音助手甚至可以作为支持STEM学习的工具或辅助手段，通过个性化支持满足学生的多样化需求（例如，参见Akhmetova等人，2025，关于高中STEM教育中AI的综述），并回答教师由于多种任务而无法解决的问题（例如，确保安全（监控行为）以及课程目标和学习目的（Haber等人，2021a）。
此外，在课堂情境中，教师可以通过向这些设备提问来为孩子们示范如何使用数字语音助手作为信息来源。在K-12教育中，其中一个科学主题是天气和气候（参见下一代科学标准）。假设一位教师开始科学课时向数字语音助手提问：“今天的天气怎么样？”这一步将AI引入了讨论，使其成为STEM学习的具体部分（示范提问行为）。然而，接下来的步骤可能是最关键的部分。成人不仅需要示范如何提问并接受对话式AI提供的信息，还需要向孩子们示范在接受信息后应该做什么。在我们的研究中，我们发现孩子们无论解释的质量如何，都信任数字语音助手提供的科学解释。也许我们得到这些结果的一个原因是，孩子们经常观察到成人向这些设备提问，但他们很少有机会听到成人对这些信息的批判性评估。因此，孩子们可能没有太多机会观察成人如何进行这一步。我们不仅需要关注这些设备的“提问”方面，还需要明确教授孩子们在接受信息后应该做什么。批判性地评估信息是一项AI和数字素养技能，也是STEM过程的一部分。回到天气的例子，当数字语音助手给出答案后，教师可以用多种方式回应。例如，教师可以边思考边回应（“我想知道这些信息是从哪里来的”），或者通过提问来吸引孩子们的注意力（“你觉得Alexa/Siri/Google Home是如何向我们提供这些信息的？”），或者建议进行一项调查（“我们出去看看能否找到一些证据来支持这个说法”）。尽管这是一个简单的例子，但这种协作型的练习让孩子们了解了基于AI的系统的工作原理——邀请他们看到如何将数字语音助手作为STEM探究过程的一部分（提问、调查/分析数据、评估和使用证据支持解释、与他人分享想法）。随着课程和对话的继续，教师可以解释我们如何评估来自数字语音助手的解释以及如何确定信息的准确性和可信度。
通过将AI和数字素养技能融入有意义的幼儿STEM学习体验中，我们为孩子们示范了关键技能，包括如何进行观察、批判性地评估信息、修正想法、纠正误解以及为现实世界问题创造替代解决方案。这些技能在科学领域尤为重要，同时也为孩子们提供了了解这些设备局限性的机会。我们的研究结果表明，对幼儿进行明确指导是必要的。因此，在未来的研究中，我们正在设计一个简单的三步干预措施，供教师在幼儿园课堂上使用，帮助将批判性AI和数字素养技能融入STEM学习（重点是生命周期、栖息地以及力和运动等主题）。鉴于新技术的快速发展，教师可能从旨在帮助他们理解如何在正式学习之前就将AI融入STEM活动的专业发展研讨会中受益。

4.2 局限性和未来方向
这项研究存在一些局限性，并指出了未来的发展方向。首先，在两项研究中，我们通过在实验室的Facebook页面上发布广告并向东北地区的当地图书馆、儿童博物馆和游戏中心发送传单来招募参与者。进一步的数据是通过Zoom收集的。因此，参与者通常需要能够使用手机、平板电脑或电脑来参与研究。这可能限制了这两项研究的样本规模。其次，这项工作的一个局限性是，孩子们对数字语音助手的熟悉程度以及他们在学校中的使用经验可能会影响他们对于教师和同伴所提供科学信息解释的偏好和信任程度。可以推测，孩子们在家里可能会接触到Siri（或其他数字语音助手）。重要的是，所有参与研究的儿童都对数字语音助手有一定的了解。初步分析显示，孩子们最熟悉的是Amazon的Alexa，其次是Apple的Siri和Google Home，并且在两种条件下没有显著差异。第三，这两项研究的数据主要关注的是4岁、5岁和6岁的儿童；然而，鉴于已有研究表明儿童对包括数字语音助手和互联网在内的数字技术的信任度存在年龄差异（Girouard & Danovitch, 2026; Tong et al., 2025; Wang et al., 2019），未来的研究应该关注7岁和8岁的儿童，以进一步探讨他们在评估来自数字来源的科学信息时如何考虑解释的质量。第四，在实验开始时，实验者向儿童简要介绍了数字语音助手，并展示了这些品牌的设备图片，选择孩子们“最熟悉的”设备作为研究对象，以确保他们有基本的熟悉感。相比之下，教师被描述为“在学校授课的老师”，而同伴则被描述为“和你一样的孩子”，两者都是通过图片而非真实人物来呈现的。如上所述，这种熟悉度的操作在不同信息提供者之间的对称性并不明显，这可能会影响孩子们的偏好。此外，孩子们也可能认为数字语音助手是研究的主要关注对象，因此会倾向于选择它们。未来的一个研究方向可以探讨儿童在日常环境中（如家中或教室里的“科学区”）如何主动使用数字语音助手。与通常包含直接提示的实验研究不同，这种自然观察能够让我们更好地理解孩子们是如何自发地决定利用技术信息源来获取科学知识的。总之，在幼儿期，数字媒介正在塑造孩子们如何获取周围世界的科学知识。我们的研究表明，4岁、5岁和6岁的儿童更倾向于从数字语音助手那里获取科学信息，并对其解释比从同伴或课堂教师那里获得的信息更信任（实验1和实验2）。通过了解儿童在科学领域如何通过数字技术进行学习，我们可以设计未来的干预措施，利用对话式人工智能来进一步提升儿童在幼儿期的科学参与度和批判性思维能力。补充材料相关信息可在以下链接下载：https://www.mdpi.com/article/10.3390/bs16050661/s1。