编辑推荐：
本研究调查了本科生对系统思维（systems thinking, ST）的概念化。研究人员在课程前后分别施测一个开放性问题。前测结果显示，学生的概念化极为有限，大多数学生无法阐明ST的核心属性。后测回答显示出了合理的提升，回答中不同程度地出现了七个关键属性——
本研究调查了本科生对系统思维（systems thinking, ST）的概念化。研究人员在课程前后分别施测一个开放性问题。前测结果显示，学生的概念化极为有限，大多数学生无法阐明ST的核心属性。后测回答显示出了合理的提升，回答中不同程度地出现了七个关键属性——相互关联性（interconnectedness）、反馈（feedback）、因果关系（causality）、系统边界（systems boundary）、映射（mapping）、涌现行为（emergent behaviour）和综合（synthesis）。尽管几乎所有学生都提到了相互关联性和映射，但较少学生提及反馈和系统边界，表明这些属于高阶认知技能。研究人员还开发了一个连续谱（continuum），用以将学生的概念化从不足（inadequate）到规范（canonical）进行分类；该连续谱同样表明，只有少数学生展现出了对ST关键属性的深刻理解。新颖的分析方法，如属性出现频率表（attributes prevalence tables）、属性连续谱（attributes continuum）以及阈值概念（threshold concepts）的演化，为探索ST在回答中的不同模式做出了贡献。研究结果强调了ST的复杂性以及在培养整体概念化方面面临的挑战。总体而言，本研究凸显了学生在干预后对ST属性的参与呈现出细粒度（nuanced）特征，并表明需要进一步工作才能更好地在学生中培养这些属性。
**论文解读：本科生对系统思维的概念化研究**
**研究背景与问题**
系统思维（systems thinking, ST）作为一种高阶认知技能，被广泛认为是解决复杂问题、理解非线性动态系统的核心能力。General Systems Theory（GST）、Chaos Theory、Complex-Adaptive Systems等理论都论证了系统作为整体的重要性，而ST则被视作“简化复杂性的艺术”（Gharajedaghi, 2006）。然而，尽管ST在教育领域越来越受重视——许多国家将其纳入课程，多项研究也表明ST技能对增强学生应对全球挑战的潜力，但学术界对于ST的精确定义缺乏共识。现有研究多集中在特定学科情境下（如地球系统、生态学）的ST应用，极少有研究从一般性视角探索学生如何概念化“ST”这一术语本身。此外，本科生作为高等教育主体，其ST能力虽被认为可能因学科训练而更成熟，但该假设尚未得到充分检验。为此，本研究旨在回答一个研究问题：当要求本科生回答一个开放式问题以获取其对“系统思维”的一般理解时，他们如何概念化该术语？
**研究概述与结论**
研究人员（即原文中的we）对69名来自不同学科（科学、工程、商科、计算机、人文社科、医学、设计及环境、法律）的本科生实施了为期两周的ST与能源系统课程。课程重点在于教授利用因果循环图（causal loop diagrams, CLDs）进行定性建模，使学生掌握识别系统要素、反馈回路、动态行为以及综合建模的能力。研究采用前测-后测设计，通过单一开放式问题评估学生对ST的概念化程度。研究基于建构主义学习理论和General Systems Theory（GST）框架，采用归纳内容分析前测回答，采用演绎内容分析后测回答，并开发了“属性连续谱”（attributes continuum）等新分析工具。
主要结论表明：前测中，近78%的学生对ST的理解处于朴素或有限水平，普遍缺乏系统性核心属性；后测中，学生表现有所提升，但仅2.90%的学生实现了包含全部七个ST属性（相互关联性、反馈、因果关系、系统边界、映射、涌现行为、综合）的规范概念化。最常出现的属性为相互关联性和映射（均超过95%），而反馈和系统边界属性出现频率最低，分别仅13%和29%，表明这些属于高阶认知技能或阈值概念（threshold concepts）。研究人员指出，ST技能的发展具有渐进性和个体差异，干预虽总体有效，但学生仍难以把握动态整合与边界判断等更深层要素。该研究发表于《Systems》期刊。
**关键技术与方法**
研究人员主要采用以下定性与定量相结合的方法：
1. **单一开放式问题工具**：前后测均提问“你如何理解‘系统思维’这一术语？请尽可能详细阐述。”
2. **内容分析法**：前测（N=46）采用归纳编码，将回答分为朴素（Na?ve）、有限可接受（Acceptable to limited extent）、有一定见识（Informed to some extent）三类；后测（N=69）采用演绎编码，依据七个预设ST属性（相互关联性、反馈、因果关系、系统边界、映射、涌现行为、综合）进行分类。
3. **属性出现频率表（Attribute Prevalence Tables）**：统计每个属性在全体后测回答中的出现次数。
4. **属性连续谱（Attributes Continuum）**：从不足（1个属性）到完全规范（7个属性）的层次分类，并附代表性回答。
5. **阈值概念识别**：通过比较前测与后测回答，识别出反馈、系统边界、涌现行为、综合、非线性因果关系等概念作为需要深刻认知转换的阈值概念。
样本来源：第一作者所在大学，学生通过课程注册自行选择参与。
**研究结果**
**4.1 前测数据：学生概念化程度有限**
前测回答中，47.8%为朴素（如将ST等同于“流程图”或“思考系统中有什么”），30.4%为有一定见识（提及整体观），21.7%为有限可接受（提到批判性思维等）。绝大多数回答简短、缺乏系统性属性，表现为线性、还原主义思维。
**4.2 后测属性出现频率**
对69份后测回答的演绎编码发现，几乎所有学生（97%）提到了相互关联性，94%提到了映射，78%提到了因果关系，42%提到了涌现行为，39%提到了综合，29%提到了系统边界，仅13%提到了反馈。仅有2.9%的学生（2人）包含全部七个属性，11.6%的学生（8人）包含六个属性（通常缺少反馈或边界），而大多数学生（约45.7%）表现出3-5个属性，属于中等或部分概念化水平。
**4.3 属性连续谱**
研究人员构建了从“不充分概念化”到“规范概念化”的连续谱，并选取代表性回答。不充分层仅含1个属性，如“将不同因素联系起来的方法”；部分概念化层（2-3个属性）强调相互关联与因果关系；中等概念化层（4个属性）包含结构建模；主导概念化层（5-6个属性）表现出对动态行为和反馈的初步把握；规范概念化层（7个属性）则整合了所有属性，展现对系统作为动态自适应整体的深刻理解。
**4.4 单个属性出现频率**
属性1（相互关联性）出现67次，属性5（映射）65次，属性3（因果关系）54次，属性6（涌现行为）29次，属性7（综合）27次，属性4（系统边界）20次，属性2（反馈）9次。这表明学生倾向于关注结构性、关系性分析，而动态和集成性属性掌握较差。
**4.5 阈值概念**
通过比较前后测，研究人员识别出五个阈值概念：反馈、系统边界、涌现行为、综合、非线性因果关系。这些概念在预测试中几乎未出现，后测中频率低且整合困难，反映出从线性思维向系统推理的关键认知转变。
**讨论与结论**
讨论部分强调ST的复杂性和教育干预的有限性。后测中反馈和系统边界属性的低出现率与文献中关于这些高阶认知挑战的发现一致。研究人员指出，学生虽能较好掌握相互关联性与因果映射，但实现闭环推理和边界判断仍需更长时间的支架式教学。属性连续谱作为一种新分析工具，能够提供学生ST理解状态的总体快照，有助于教师针对性设计教学。阈值概念的识别则表明，ST教学应侧重于概念转变而非知识累积。
**研究结论**（翻译原文第8节）：
本研究通过一个简单的开放性问题，探索了本科生对ST的概念化。尽管学生在前测中的ST水平相当有限，后测结果则呈现混合状态。后测中极少数学生展现了ST属性的全谱，而另一些学生仅表现出一个属性。反馈和系统边界被提及的频率较低，尽管学生在建模练习中熟悉这些术语，这可能表明这些概念虽重要，但更难被掌握和清晰阐述。展现出较多属性的学生数量相当有限。最常出现的属性是相互关联性和映射，因果关系也较为突出——这是概念化系统内相互依赖关系的基本要素。涌现行为和综合等属性出现频率中等，表明学生仅部分参与了动态和集成性方面。干预的合理有效性，加上新颖的数据解释方法，使本研究成为ST文献中的一项有意义的贡献。此外，核心属性或概念——反馈、系统边界、涌现、综合和非线性因果关系——作为阈值概念发挥作用，因为它们需要深刻的认知转变并持续构成学习困难。因此，这些概念的整合性和变革性本质表明，它们代表着认识论上的变化而非仅仅是困难的内容。总体而言，学生的概念化强调结构清晰性和非线性关系，同时揭示了在理解反馈机制、边界设定和整体集成方面的差距——这些是成熟ST的关键要素。尽管前测和后测人数存在差异，但群体层面的分析（而非个体追踪）显示了从基线思维到在不同测试阶段不同程度运用ST框架的整体概念转变。
