现在很多科学课用电脑模拟实验（比如模拟水环境、生态系统），让学生自己做探究、提假设、调参数。你是否想过学生在虚拟实验里 “点来点去”，我们到底怎么判断他是在认真思考，还是随意漫游？传统评价只看分数、只数次数，很难真正的看见科学推理过程。今天分享一篇 2026 年发表在C&E上的一篇量化研究，它用一套清晰的特质-机制-行为模型（TBP），把看不见的科学推理变成可测量、可追踪、可干预的过程，无论是做教育研究还是做教学实践，都能有新的启发～
一、基本信息
这篇文章把科学推理看作一段连续发生的过程，而不是一个最后才出现的结果分数。它提出学生的自我调节能力（SRL）、批判性思维（CTD）这些个人特质，不会直接变成优秀的科学推理能力，必须先转化成规范的实验策略（SIM），再进一步变成清晰的假设表达与及时修正（SIB）。这种“特质→机制→行为”的链条，就是TBP模型的核心。
研究以学习分析为核心、结合结构方程与过程挖掘的混合量化方法，用日志数据追踪学习过程，用模型解开“特质如何变成行为”的机制，用时序分析还原学生真实的思考状态，不是只关注结果与计算表面行为计数。
这套方法最独特的价值，在于它同时解决了“过程怎么测”“机制怎么解释”“干预怎么精准”三大难题，将结构方程建模与学习分析技术有机结合，比传统问卷或单一行为数据更有说服力、更有深度。最终它产出了一套完整可复用的分析流程、科学推理过程指标、学生状态识别方法，对模拟学习教育实践与科学推理研究有一定的启示。
二、操作过程
1. 研究设计
研究者首先选取168名十一年级学生，分为引导→开放和开放→开放两种教学条件，开展为期四周的水生生态模拟实验。在模拟平台中，系统以毫秒级记录学生的每一步操作，包括参数调整、实验运行、假设输入与修改时间。
2. 数据收集与分析
操作从Simulation Task（模拟任务）开始，学生在虚拟环境中开展探究，系统同时开启两条数据采集路径：
- 一条是直接的学习者交互行为采集，记录三类核心动作：参数配置、假设修订、运行实验；
- 另一条是日志映射路径，系统自动从操作记录中提取关键过程指标：总尝试次数、唯一配置数，以及配置效率（尝试次数 /唯一配置数），用来客观反映学生的探究策略是否规范、高效。
数据采集完成后，研究将两类信息分别转化为可用于分析的变量：
- 研究者从日志中提取指标：用实验次数与唯一配置数衡量模拟交互策略（SIM），用假设语义精度得分和修订次数衡量模拟交互行为（SIB）。接着对量表与行为指标进行信效度检验，通过MICOM步骤验证两组学生具备测量不变性，确保后续比较可靠。
- 在模型分析中，使用PLSc估计反射性构念，用Mode B估计形成性构念，通过5000次Bootstrap检验主效应、中介效应与调节效应，并采用CR2聚类稳健标准误对班级集群数据进行校正。
- 最后，通过K-means聚类将学生划分为不同探究类型，利用三状态隐马尔可夫模型HMM刻画学生在低、中、高效率状态之间的停留与转换，并计算停留概率与组间差异，完成全过程的追踪与刻画。
三、应用启示
1. 核心研究结论：
- 决定推理质量的不是学生“说了什么”（假设内容），而是“怎么做实验”（配置策略）。
- 个体特质本身不能直接产生高质量的科学推理，必须通过”有序组织实验”这一中间环节才能转化为实际的推理能力。
- 教学效果的关键不在于是否提供支架，而在于支架是否精准作用于SIM这一核心机制。
- 低效率状态是可以被精准识别的。通过 HMM 模型，低自律学生大部分时间停留在 “随机尝试、无明确假设” 的低效率状态，而高自律学生则更多处于 “系统验证、证据驱动” 的高效状态。
2. 研究方法启示
- 日志数据的价值在于 “过程轨迹” 而非 “次数计数”。要放弃对尝试次数、总时长等表面指标的过度关注，转而监控配置效率（尝试次数/唯一配置数）与修订节奏。开发实时仪表盘，为教师提供学生SIM与SIB的动态可视化，及时识别陷入”漫游”状态的学生。
- 整合结构与过程分析：将结构方程建模与学习分析技术有机结合，既揭示了变量间的因果关系，又刻画了过程的时间动态。研究先用PLS-SEM揭示变量间的因果路径，再用K-means聚类和HMM模型刻画学生的动态学习过程，实现了“静态机制 + 动态过程”的双重解释，提升了研究的深度和说服力。
3. 教学实践启示
- 把监控重点从“结果”转向“过程策略”。教师和平台没必要过度关注学生的最终实验结果，需要重点监控“配置效率”“变量控制规范性”等策略指标，当学生出现“低配置效率、大量重复无效尝试”时，及时识别为“漫游者”，并触发干预。
- 为不同类型的学生提供差异化支架。针对聚类划分出的三类学生，可设计不同的支持策略：
-
- 漫游者：提供单变量控制模板、明确的实验步骤提示，缩小探索范围，引导其建立规范的实验习惯；
- 稳定者：适度引入认知冲突，鼓励其拓展探索广度，提升假设的深度；
- 精炼者：提供反驳性证据，挑战其现有观点，培养批判性论证能力。
- 干预的时机比形式更重要。教师应避免在学生运行实验时打断，而是在两次实验之间的假设修订阶段，用“只改变一个变量”“用如果… 那么… 因为… 表述假设”等轻量化提示，帮助学生把实验证据转化为高质量推理。
四、论文信息
Lu, C.-M. (2026). Tracing scientific reasoning as process: A trait-behavior-performance model with learning analytics in simulated environments. Computers & Education, 246, 1–35. https://doi.org/10.1016/j.compedu.2025.105556
佳怡对TBP模型将科学推理从特质到行为的链条拆解得非常清晰，尤其欣赏你点出“配置效率”而非“尝试次数”才是过程质量的关键指标。顺着这个思路，如果要把这套方法迁移到更开放的探究场景（比如学生自主设计实验而非模拟平台预设参数），日志数据的“配置效率”指标是否还能有效区分策略水平？或者需要重新定义行为粒度？值得进一步思考。
方法上我觉得比较新颖的是日志数据、结构方程、聚类和 HMM 的结合，不只是看问卷或成绩，而是试图还原学生在任务中的状态变化。这一点对教育技术研究很有启发，特别适合分析模拟学习、探究学习这类过程性很强的场景。不过我也有一点疑问：文章虽然用模型把路径解释得比较完整，但样本只有168名学生，而且任务也比较单一，结论能不能推广到其他学科、其他年级，还需要进一步验证。总体来说，这篇文章的亮点在于把“过程数据”真正用起来了，而不是停留在口号层面。
原有研究中配置效率=实验次数/唯一配置数，用来衡量学生是否专注重复验证、规范做实验，是在科学、有规律地复测，还是在每次都换全新设置的无规律探索。
那么在更开放的探究场景中，学生如果是自主设计实验，不存在去重复相同设置。而应该是更强调重复相同的探究逻辑，能否聚焦同一变量，迭代推进验证并进行有序探索。
原有研究中配置效率=实验次数/唯一配置数，用来衡量学生是否专注重复验证、规范做实验，是在科学、有规律地复测，还是在每次都换全新设置的无规律探索。
那么在更开放的探究场景中，学生如果是自主设计实验，不存在去重复相同设置。而应该是更强调重复相同的探究逻辑，能否聚焦同一变量，迭代推进验证并进行有序探索。
虚拟实验室的意义是什么，那如果有虚拟实验了，学生自主设计实验，那老师干嘛呢
文章划分了三种类型的学习者，并且提出了需要根据这些学习者特性进行个性化的教学策略设计，那么如何在课程开始之前识别者三类学习者呢？还是说是动态监控，实现对学习者行为的实时分析？
研究对于这三类学习者的划分更多是一种事后的回顾性分析，而不是实时干预。它是先把所有学生的过程数据都收集完，事后用K-means聚类出精炼者、稳定者、漫游者三种典型状态。研究者的意思是这三种状态并非某一类学生固定不变的特质标签，而是伴随科学探究进程动态变化的过程状态与行为模式，学生可以在三种状态间动态切换。
未来到真实的课堂教学中，可以将这三类行为模式做成实时监控匹配的规则，在教学中去动态监控学生的状态，并据此提供实时、适配的支架。
研究对于这三类学习者的划分更多是一种事后的回顾性分析，而不是实时干预。它是先把所有学生的过程数据都收集完，事后用K-means聚类出精炼者、稳定者、漫游者三种典型状态。研究者的意思是这三种状态并非某一类学生固定不变的特质标签，而是伴随科学探究进程动态变化的过程状态与行为模式，学生可以在三种状态间动态切换。
未来到真实的课堂教学中，可以将这三类行为模式做成实时监控匹配的规则，在教学中去动态监控学生的状态，并据此提供实时、适配的支架。