结合物理教育与机器学习研究以衡量学生的机制感知证据
物理教育
2025-09-19 v3 机器学习
摘要
机器学习的进展为科学教育研究提供了新的可能性。我们报告了早期在设计基于机器学习的工具以分析学生机制感知方面的进展， working from 与先前物理教育研究（PER）一致的编码方案，并可用于最近发展的机器学习分类策略。我们描述了该工具的三个不同版本的 pilot 测试，以分析大学生对简短概念性问题作答中体现的机制感知。结果表明，该工具对机制感知的测量能够实现对人类编码者的有用一致性，其次，编码器设计选择在准确率和计算成本之间存在权衡。我们讨论了这种方法的前景与局限性，提供示例，说明该测量方案如何服务于未来的 PER。我们以对机器学习用于支持 PER 研究的反思收尾，对这种共同设计策略持谨慎的乐观态度。
引用
@article{arxiv.2503.15638,
title = {Combining physics education and machine learning research to measure evidence of students' mechanistic sensemaking},
author = {Kaitlin Gili and Kyle Heuton and Astha Shah and David Hammer and Michael C. Hughes},
journal= {arXiv preprint arXiv:2503.15638},
year = {2025}
}