科学教育的数字化转型：人工智能与数字画像的协同效应

摘要：人工智能具备海量存储力、高频计算力、多模态分析力和可视化呈现力，在中小学教育中，AI数字画像技术在教育评估和个性化教学方面发挥着重要作用。因此，本文提出借助物联网感知技术、非接触式感知技术、多模态融合技术和教学行为分析技术，建立以学习者为中心的智联学习环境，并通过人工智能与云计算，精准生成学习过程的数字画像，科学解码学习图谱，为学校提供学生科学素养的全面视图，进而适配差异化学习路径，有效提升学生的科学素养和创新能力。

关键词：AI数字画像；科学教育；差异化学习

中图分类号：G434" 文献标识码：A" 论文编号：1674-2117（2025）04-0012-04

引言

党的二十届三中全会指出：“教育、科技、人才是中国式现代化的基础性、战略性支撑。”科技创新靠人才，人才培养靠教育，中小学科学教育正是联结科教兴国、人才强国、创新驱动发展三大战略的关键纽带。笔者所在学校作为全国中小学科学教育实验校和江西省智慧教育示范校，从AI人工智能与科学教育融合的新视域出发，利用教育大数据对师生的教学行为进行全方位、立体化的捕捉与综合性评价，形成师生的“数字画像”，解码差异化学习图谱，实现科学教育教学内容和方法的智能化定制，为推动大规模个性化科学教育发展提供了新的理论视角和解决方法。

“数”“智”建构：数据驱动的科学教育体系

1.智慧校园：学校现代治理框架

在“十四五”规划时期，笔者所在学校坚持人工智能与学校管理深度融合，将数字技术和数字思维应用于教育教学的转型升级，用智能化手段系统重塑现代学校治理体系，形成了“四层三化”的智慧校园框架（如下页图1）。

2.科学教育：“一核·两翼·多维”实施框架

学校把科学理论教学、科学实验探究、创新实践技能、国防文化氛围、爱国主义教育相互贯通，通过创新课程图谱、强化实验教学、推动跨学科整合、实施校家社联动等一系列行动，从教育理念、培养模式、培养过程、评价机制等方面构建起“一核·两翼·多维”的“1+2+N”立体多元科学教育体系（如下页图2），体现了对新时代中国式科学教育的深刻理解。

“数”“智”建模：AI数字画像“五步成像法”

1.数据收集：多维度数据整合

（1）多渠道的数据来源

一是阶段性数据。充分利用学籍系统、成绩管理系统等学校现有的数据库资源，获取师生的基础信息和学业数据。

二是过程性数据。接入在线学习平台，捕获师生学习时长、学习进度、互动情况等在学习过程中的行为数据，并通过社交媒体、论坛等渠道，了解师生的兴趣爱好、社交关系等非学术性信息。

三是实时性数据。通过“智慧课堂”管理系统、物联网、云计算等手段，采集和分析师生的教学行为和表情，根据数据分析，对学生的学习行为和习惯进行干预，帮助学生形成良好的行为模式和心理品质。

（2）多样态的采集方式

一是集中式多平台采集。学生家庭情况、校园生活和学习环境及成长经历等结构化和结果性数据，具有覆盖面广、标准化程度高等特点，主要通过学籍管理系统、学生成长档案系统等多个平台，每学年进行集中采集、整合与管理。

二是周期式物联感知采集。学习环境、班风学风、教学过程、身心健康、学业水平和教育质量等过程性和结果性数据，具有连续性、规范性的特点，可以通过智学网学业监测系统、电子班牌系统等物联感知技术，进行周期性监控和测量。

三是伴随式多模态融合采集。教育教学过程中实时产生的课堂参与、情绪体验、作业与考试、社会实践、交流互动等海量数据，具有密集性、动态性、复杂性、全面性等特点，主要借助平台采集、智慧教室录制、动作和语音识别等多模态融合技术手段进行伴随性采集。

（3）多步骤的数据预处理

一是筛选过滤。通过AI人工智能去除无效信息，确保数据的针对性与准确性。

二是合并去重。借助云计算比对海量学习数据，将重复的内容合并和去重，确保数据的唯一性。

三是标准化与归一化。根据分析和挖掘的需要，对数据进行标准化和归一化处理，把原始数据转换为可测量的数值。

2.数据编码：科学素养指标的量化

（1）数据分类与标识

首先要对综合学业大数据进行细致的分类与标识，如学业数据、行为数据、教师数据。此外，还包括学生在社交媒体上的活跃度、兴趣爱好等其他数据。

（2）科学素养指标的确定

在数据分类的基础上，通过智能建模的方式，根据科学教育的要求，进一步确定科学素养可量化的关键指标，包括传统的作业完成、考试数据等学业成绩，也包括学生的创新能力、批判性思维、问题解决能力等非传统学业能力。

（3）数据编码与标准化

最后对各类数据进行编码和标准化处理。依照人工智能制订数据编码规则，有效地整合不同来源、不同格式的数据，消除数据间的量纲差异，使其可以有效地比较和分析，以便于下一步的数据分析和数据挖掘。

3.特征提取：关键信息的智能化筛选

（1）关键特征识别

在数据收集与编码完成后，运用AI算法，揭示数据间的内在关联和潜在规律。通过智能比对与分析，精确提取与数字画像目标密切相关的关键特征：既包含认知层次水平、创新思维品质、实践实验能力、学习兴趣偏好等学生方面的特征，也包括教学风格、课堂结构、教学效果等教师方面的特征。

（2）特征解释与优化

学校运用人工智能技术对提取的特征进行详尽的分析，确保每个特征都具有清晰明确的实际含义。通过持续优化算法和模型，提高了特征提取的精确度和效率，从而为绘制数字画像提供了坚实的支持。

4.数据可视化：直观洞见差异化学习图谱

（1）视觉化呈现

将模型生成的师生特征用直观的易于理解的方式进行可视化展示。可以通过精心设计的各种图表、图形以及交互式界面，确保数据能够以最清晰、最吸引人的形式呈现出来。

（2）个性化画像报告

基于数据可视化的结果，为师生提供个性化的画像报告。报告要详细展示师生的关键特征，解析师生的优势和不足，还应结合教育领域的专业知识和经验，提供具体的改进建议和策略。

5.互动与反馈：人机交互式协同优化

在数据可视化的过程中，要强调与师生的互动和反馈。师生也可以通过在线平台对展示的数据和报告提出意见和建议，以多向互动的方式对数字画像进行优化和完善。

“数”“智”解码：精准适配科学教育策略

1.课程建设：多元化立体课程体系

（1）学科课程群

一是分层次的课程设置。针对学生数字画像中的学习能力和认知水平，学校设计了分层的教学计划，提供入门级、进阶级和专精级的科学课程，以满足不同层次学生的差异化学习需求。

二是兴趣导向的选修课。根据学生的兴趣爱好和个人特长，开设航模海模、机器人技术、无人机课程等系列化选修课程。

三是学习路径规划。结合学生数字画像中的目标定位和发展潜力，为学生提供个性化的学习路径规划，引导学生有序地完成学科知识的学习和能力的提升。

（2）跨学科课程群

一是推行STEAM教育体系。通过整合科学、技术、工程、艺术、数学等领域的知识，设计一系列跨学科课程，培养学生的综合素养和创新能力。

二是开展项目式学习。以解决实际问题为导向，设置创意设计、科学实验、技术创新等常态化项目式学习活动，鼓励学生在实践中学习和应用跨学科知识，提升解决问题的能力。

三是探索创新思维训练。通过举办逻辑思维、批判性思维、创造力开发等创新思维训练课程和工作坊，帮助学生建立跨学科的思维框架，激发学生的创新潜能。

（3）动态调整课程

学校利用大数据分析工具，实时监测学生的学习进度、成绩趋势和反馈情况，以此为依据灵活调整课程内容和教学方法，确保教学的针对性和有效性。学生也可以对教学内容和方法提出建议，形成一个互动的教学环境。

2.教学提质：多学科交叉融合

（1）个性化教学资源

根据学生的个体数字画像，精选和整合教科书、在线教程、互动模拟实验等丰富的科学教育教学资源，使其贴合学生的学习风格和水平。先进的智能推荐算法，为学生提供个性化的学习资源列表，针对学生的优势和需要改进的领域提供辅助。利用个性化推荐资源，学生可以高效地自主学习，并通过智能导航系统在知识图谱中找到最合适的学习路径。

（2）实时互动与反馈

教学行为分析系统通过传感器、拾音器、网络摄像头综合采集学生课堂行为数据，学生终端和教师终端的互动可以提高学生思维活跃度，教师依据学情作出相应调整。多模态融合技术综合检测和识别师生的语言、姿态、面部表情和行为举止等信息，通过智能系统的即时评估功能，学生可以立即得到自己对课堂内容掌握程度的反馈，这种以人工智能为基础的实时互动教学模式为课堂注入了新的活力。

（3）科学素养培养

根据学生数字画像呈现出的学生学习兴趣与认知层次，学校设计了多种科学探究项目，让学生能够沉浸式动手进行实验和研究，培养他们的观察力、分析能力和批判性思维。同时，利用各级各类科学类竞赛，贴近学生的最近发展区，激发学生科学创新的热情。

3.综合评价：多维度动态化评估范式

利用AI数字画像技术，可以实现评价主体多元化、评价维度立体化、评价方式多样化的动态评估（如图3），教师能全面、准确地评价学生的科学学习能力，并为学生提供个性化的学习路径规划。

4.科学实践：多主体高效协同联动

（1）校馆合作

学校与众多科技馆、博物馆建立了合作伙伴关系，定期组织学生参观各种主题的科学展览，使他们能够沉浸式体验科学技术的最新发展。来自合作机构的专家和科学家为学生举办互动式科普讲座和工作坊，让学生在轻松愉快的氛围中学习复杂的科学概念。

（2）家校社协同

学校通过科研项目与高校及研究所搭建合作桥梁，让学生在专业科研人员的指导下，进入高校实验室，参与实验设计和数据分析，体验前沿科学研究，培养他们的实验技能和科研思维。科技类社会实践成为重要纽带，学生深入社区进行科普教育宣传，通过互动游戏、模型演示等形式普及科学知识，提高公众的科学素养。学校特别强调家校互动学习，以亲子科学阅读、家庭科学探索等家校互动学习项目，鼓励家长参与孩子的家庭科学实验，促进家庭成员之间的交流和学习，增进家长对科学教育的理解和支持。

结语

通过数字画像在科学教育中的深度应用，将学生的个性化数据与大数据分析相结合，采用数字化手段对学生学习过程和成果进行全面追踪评估，学校更精确地理解每位学生的学习状态，设计出有效的科学教育策略。

参考文献：

柴唤友，刘三女牙，康令云，等.教育大数据采集机制与关键技术研究[J].大数据，2020（06）：14-25.