《Journal of Intelligence》：The Role of Artificial Intelligence in Preservice Science Teachers’ Analogical Reasoning: Evidence from Analogy Design
编辑推荐：
摘要：本研究旨在考察人工智能（Artificial Intelligence, AI）在职前科学教师类比推理中的作用，通过比较使用与不使用AI所完成的类比设计产品特征来予以探讨。研究在土耳其一所公立大学的133名职前科学教师中开展，参与者被分为两组：使用AI进
摘要：本研究旨在考察人工智能（Artificial Intelligence, AI）在职前科学教师类比推理中的作用，通过比较使用与不使用AI所完成的类比设计产品特征来予以探讨。研究在土耳其一所公立大学的133名职前科学教师中开展，参与者被分为两组：使用AI进行类比设计组（n = 62）与不使用AI组（n = 71）。研究人员采用描述性分析对类比设计产品进行编码，并将所得分类数据通过皮尔逊卡方检验（Pearson's chi-square test）进行分析；此外，对AI支持组结构化访谈获得的质性数据进行了内容分析（content analysis）。结果显示，两组在类比设计的多个维度上存在显著差异：呈现形式（presentation format）、语义距离（semantic distance）、类比关联（analogical association）、丰富度水平（wealth level）及局限性识别（identification of limitations）。AI辅助设计的类比较多采用图文结合（pictorial–verbal）形式，涵盖近距离与远距离（close and remote）语义距离，整合了结构—功能关联（structural–functional associations），并表现出扩展类比（extended analogy）特征。访谈结果表明，职前科学教师主要将AI用于创意生成（idea generation）、可视化（visualization）及创造性探索（creative exploration），而非单纯获取事实性知识。上述结果通过凸显AI在支持科学教师教育中表征转换过程（representational transformation processes）方面的潜力，丰富了现有文献。
论文解读：《Journal of Intelligence》刊载研究——人工智能在支持职前科学教师类比推理与类比设计中的认知支架作用
一、研究背景与问题提出
科学教育中许多核心概念具有抽象且不可直接观测的特性，学生往往依赖日常经验与直觉理解，易形成与科学解释不符的概念模型。建构主义学习观认为科学学习是心智模型重组而非知识直接传递的过程，教师需将科学知识转化为学生可理解的教—学表征（pedagogical representations），其中类比（analogy）是重要的表征工具，可通过建立熟悉源领域（source domain）与目标科学概念（target domain）间结构性—功能性映射（structural–functional mapping）来支持概念理解。有效的类比构建依赖于类比推理（analogical reasoning），即在不同情境间建立关系映射的多维认知过程，包括表面相似性判断与深层关系结构匹配。然而，职前教师常缺乏将学科知识转化为适切教学类比的能力，而传统教学中对其表征转换过程的支撑不足。
当前教育领域AI研究多聚焦内容生成、教案编写或写作反馈，较少从教师教育视角探讨AI是否及如何影响教师候选人的表征转化与教学设计推理过程。特别是，AI能否作为外部认知脚手架（external cognitive scaffolding，分布式认知观下），减轻源域生成与抽象概念可视化的外在认知负荷（extraneous cognitive load），使职前教师将更多认知资源投入关系映射、概念准确性核查及可能错配（mismatch）识别，尚缺乏实证依据。鉴于天文学概念尺度宏大、难可视化，是检验类比设计与表征转化能力的典型情境，研究人员开展此项研究以探究：使用AI辅助与否，职前科学教师完成的类比设计在类型、呈现方式、语义距离、类比关联、抽象程度、丰富度、局限性说明及源领域选择上是否存在显著差异，从而揭示AI在类比推理与表征转化中的角色。
二、主要研究方法概述
研究人员采用嵌入式多案例研究（embedded multiple case study）设计，以土耳其某公立大学科学教师教育专业三年级133名职前科学教师为对象，分为AI支持类比组（AI-supported Analogy Group, AIG, n=62）与非AI类比组（Non-AI Analogy Group, NAIG, n=71）。两组均接受相同天文学课程内容讲授（10周，共20学时），随后在研究者监督下面授类比与类比推理概念，分别完成为期4周（共8学时，400分钟）的天文学主题（取自初中科学课程标准）类比设计任务——AIG允许自选生成式AI工具（如ChatGPT、Gemini、Canva等）全程参与主题选取、源域生成、类比开发、可视化、修订与完善，并须对AI产出作科学性核验；NAIG仅借助自身知识与传统资源完成。两组使用统一类比设计模板（含主题、类比文字表述、源—目标领域结构映射表），研究者仅就选题天文学相关性及源—目标大致相似性给有限反馈，不代做映射。收集两类数据：①133份类比设计成品，按既定七维度编码（类比类型与呈现形式、语义距离、类比关联、抽象状态、丰富度水平、局限性说明及源领域），分类数据进行Pearson卡方检验与Bonferroni校正事后检验，报道Cramer's V效应量；②AIG组62份结构化访谈回应，进行内容分析，并由第二编码者计算编码一致性（类比设计数据95.7%，访谈数据92.8%）。实施前通过结构化自陈问卷确认两组均无类比设计经验、对类比推理理解相当且无AI教育应用经历。
三、研究结果
■ 类比主题分布（Topics of the analogies designed）
NAIG选题覆盖10个天文学主题，以太阳系（Solar System）最多；AIG覆盖8个主题，以恒星生命周期（Life Cycle of Stars）与太阳系并列最多。两组选题均源自同一初中课标框架。
■ 类比特征分布（Findings related to the characteristics of the analogies）
描述性统计显示：NAIG类比多为故事叙述型（story format）、纯文字呈现（verbal）、近距离语义距离（close）、结构关联（structural association）、简单类比（simple analogy）、较少说明局限性；AIG类比多为问答/讨论型（question/discussion-based）、图文结合呈现（pictorial–verbal）、近距离—远距离语义距离（close–remote semantic distance）、结构—功能关联（structural–functional association）、扩展类比（extended analogy, Curtis & Reigeluth, 1984），且更频繁标注局限性及潜在错配警示。抽象状态（state of abstraction）两组均以具体—抽象（concrete–abstract）为主，无组间差异。源领域（source domain）上AIG相对更多选用环境型（environmental）源域。
■ 卡方检验结果（Chi-square analysis of the codes across analogy themes）
经Pearson χ2检验：类比类型 χ2(3, N=133)=31.13, p<.001, Cramer's V=0.484；呈现形式 χ2(1, N=133)=35.17, p<.001, Cramer's V=0.514（大效应）；语义距离 χ2(1, N=133)=58.90, p<.001, Cramer's V=0.665（大效应）；类比关联 χ2(2, N=133)=25.71, p<.001, Cramer's V=0.440；丰富度 χ2(2, N=133)=43.67, p<.001, Cramer's V=0.573（大效应）；局限性说明 χ2(1, N=133)=35.39, p<.001, Cramer's V=0.516（大效应）；错配警示 χ2(1, N=133)=12.51, p<.001, Cramer's V=0.307；源领域 χ2(2, N=133)=9.24, p<.05, Cramer's V=0.264（小效应）。抽象状态无显著差异（χ2(2, N=133)=2.06, p>.05）。事后检验确认NAIG偏向直接讲授/故事型/文字/近距离/结构关联/简单类比/无局限说明/拟人—环境源域；AIG偏向问答型/图文结合/近距离—远距离/结构—功能关联/扩展类比/说明局限/环境源域。
■ 职前教师对AI使用的看法（Preservice science teachers' views on AI-assisted analogy design）
内容分析表明，AI用途前三为创意生成（idea generation）、可视化创建/增强（visual creation/enhancement）、想法发展与精炼（idea development/refinement）；感知支持为提供视觉支持、节省时间、激发创造力、便利流程、观点多样性；使用策略多为从AI生成示例中筛选及AI辅助想法发展；过程中职前教师习得了提示词撰写（prompt writing）能力并意识到须核验科学性（need to verify scientific accuracy）、比对多源及注意AI可能生成错误信息；最常用工具为Gemini与ChatGPT，常组合多工具（如ChatGPT生成想法＋Gemini/Canva制图）。
四、讨论与结论总结
讨论指出，AI并非替代推理，而是作为外部认知脚手架关联分布式认知理论与认知负荷理论：生成式AI降低源域搜寻与抽象天文现象可视化之外在负荷，使职前教师能将注意资源分配至关系映射、因果解释及错配识别。AIG组更高比例图文结合呈现呼应多重表征理论（multiple representation theory; Ainsworth, 2006），利于空间—因果关系突出的天文学概念建模；更大比例近距离—远距离语义距离（Cramer's V=0.665）与结构—功能关联体现向深层关系映射（relational mapping, Gentner结构映射理论 structure-mapping theory）偏移，超越表面相似；更高扩展类比比例（Cramer's V=0.573）反映AI多方案供给促进多维关系建构；更频繁说明局限性（72.6%）可能与AI能提示潜在弱点及使用者因知晓AI可能出错而主动核查有关。抽象程度无组间差异符合预期——两组均用具体源域解释抽象天文现象。访谈还显示AI交互过程培养了职前教师的提示工程意识与对AI产出的批判性审辨，指向数字教学—内容知识（Technological Pedagogical Content Knowledge, TPACK）维度的发展。研究局限含单校样本、非随机分组、未用标准化类比推理前测、AI工具自选导致异质性及短期干预。
结论（Conclusions）：AI在职前科学教师类比设计中不仅充当内容生成工具，更可作为外部认知脚手架，与表征丰富化、关系结构化及错配识别相关联。AI支持组类比呈现更高比例的深层关系映射、近距离—远距离语义距离及结构—功能整合——此皆为核心类比推理成分，提示AI可促进从表层相似向深层关系加工转移。扩展类比增多及局限性明示增加亦反映AI可能同时支持元认知觉察（metacognitive awareness）——识别源—目标域边界与错配属高级认知加工。抽象层级无差异表明AI不改变类比基本表征性质（具体—抽象映射），而是提升既有框架内关系结构的质量与组织度。综上，证据表明AI可通过关系拓展（relational expansion）、表征丰富化（representational enrichment）与元认知调节（metacognitive regulation）支持类比推理发展，宜被视为经教学引导与人工监督下延伸学习者建构、评估与精炼复杂关系表征能力的认知扩展工具。
