前沿
大模型技术快速走进理科课堂，利用生成式 AI 支持社会性科学议题（SSI）与科学 CER 论证已经成为 STEM 教育的研究热点。当前多数实践直接把 AI 当作 “证据素材库”“自动批改工具”，看重 AI 即时输出带来的课堂短期收益，但容易产生学生认知外包、推理能力弱化的风险。
学界逐渐形成共识：决定 AI 教学成效的，不只是大模型本身，更是脚手架的设计形态。同样使用 GenAI，不同的反馈逻辑，会带来完全不一样的学生能力发展轨迹。现有综述类研究较多，而严格的课堂对照实证仍然稀缺：认知型 AI 反馈和元认知型 AI 反馈，究竟分别会带来怎样的学习曲线？学生看待 AI 知识的信念，又会在人机协同论证过程中扮演何种角色？
这篇 JSET 最新实证研究，把两类生成式 AI 脚手架嵌入经典 STEM‑5E 教学模式，以能源政策 SSI 议题为载体开展三组对照实验，捕捉学生论证能力随任务推进的动态变化，同时揭示学生 AI 认识论信念对学习效果的调节作用，为我们设计本土化 AI‑SSI 课堂提供重要实证依据。
01
研究背景
社会性科学议题（SSI）教学是 STEM 教育落实高阶思维、证据推理、公民决策素养的重要路径。学生开展 SSI 论证，需要完成主张‑证据‑推理（CER）完整建构，但中学生普遍存在证据不足、推理链条断裂、多视角缺失等现实难题，需要适宜的教学脚手架予以支持。
生成式 AI 为 SSI 课堂带来新的支持可能性，可以提供即时反馈、证据素材、论证提示。但大模型存在幻觉、来源不可溯源等风险，AI 支架不等于直接给出标准答案，如何设计 AI 脚手架，避免学生出现认知外包、直接复制 AI 结论，是当前科学教育亟待回答的现实问题。
现有多数研究将 AI 作为笼统的辅助工具，较少区分认知型 AI 支架与元认知型 AI 支架对学生论证能力的差异化影响；同时，学生对于 AI 内容的认识论信念，会直接决定学生如何接收、甄别、使用 AI 反馈，但相关课堂实证仍然稀缺。
基于此，本研究将生成式 AI 驱动的自我调节学习脚手架（GAISSR）嵌入 STEM‑5E 教学框架，设置三组对照实验，回答两大研究问题：
不同类型 GAISSR 脚手架，如何随任务进程影响学生 SSI 论证表现？
学生对生成式 AI 的认识论信念、自我调节水平，和论证能力提升存在怎样的关联？
02
研究设计
“
研究样本
研究选取台湾地区94名八年级学生，来自3个班级，采用异质分组，随机分配至三组：
组 1（元认知 GAISSR 组，n=32）：接受元认知层面 AI 脚手架
组 2（认知 GAISSR 组，n=30）：接受认知层面 AI 脚手架
组 3（对照组，n=32）：不使用 GAISSR 智能支架，教师引导反思
全部班级由同一名拥有8年以上STEM教学经验教师授课，干预总课时合计95分钟。教学主题围绕气候变化下本地能源政策，设置三项递进SSI任务：化石能源议题、核电政策议题、可再生能源政策议题，完整套用STEM‑5E教学流程（参与‑探究‑解释‑精制‑评价）。
图 1 AISI 平台界面截图
“
数据收集
问卷数据：干预前完成两份量表
《生成式 AI 认识论信念问卷 GAI‑EQ》，4 个维度：AI 信息确定性与来源、AI 内容辩护甄别、AI 内容结构连贯性；
《GenAI 环境下自我调节学习问卷》；两份量表均为 7 点李克特量表，克隆巴赫 α 系数 0.77‑0.89，信度良好。
2.学生论证文本：完成三项 SSI 任务，收集学生书面 CER 论证作品；编码维度包含主张、证据、推理、多元视角，满分 4 分，双编码者信度 93%。
3.平台过程数据：AISI 平台记录学生自评、AI 反馈、迭代修改全过程。
“
数据分析
采用线性混合模型 LMM，分析脚手架类型、任务序列二者交互作用，追踪三组学生在连续三项 SSI 任务上论证分数的动态变化；
贝叶斯线性回归模型，将实验组学生划分为 “能力提升组”“停滞滞后组”，对比两组学生在 AI 认识论信念、自我调节维度的差异，规避多重 t 检验带来的一类错误膨胀问题。
图 2 三组学生三项任务论证得分柱状图
03
研究发现
发现一：
不同 AI 脚手架具备差异化短期、长期效应，元认知支架实现持续性能力增长
脚手架类型与任务序列存在显著交互效应（F (4,182)=4.466，p=.002）。
任务 1（初始任务）：三组学生论证得分无显著差异，基线水平保持一致。
任务 2（中期任务）：认知脚手架组（组 2）表现显著优于元认知脚手架组（组 1）。认知支架可以快速给出现实提示，短期内拉高学生论证质量。
任务 3（后期任务）：结果发生反转。元认知脚手架组（组 1）得分显著高于认知支架组、对照组；而前期有优势的认知支架组出现平台效应，没有实现持续进步。
简言之：认知 AI 支架见效快，但后劲不足；元认知 AI 支架前期提升平缓，能够带来持久的论证能力改善。
元认知脚手架操作逻辑：学生先对照 CER 标准完成自我评估，AI 不对答案直接修改，而是评价学生 “自评准不准确”，以反问、启发性问题促使学生反思自身推理漏洞。认知脚手架操作逻辑：跳过学生自评，AI 直接指出论证缺失要素，给出具体修改提示（例如 “请补充定量证据支撑你的主张”）。
发现二：
论证能力获得提升的学生，对 GenAI 内容的确定性、来源、结构连贯性持有更强信念
将两个实验组学生分为提升组 (n=35) 与滞后组 (n=27) 开展贝叶斯分析：
在AI 信息确定性与来源、AI 信息结构连贯性两个维度，论证提升组得分显著更高；他们更认可 AI 输出信息的可靠度、逻辑完整性，更愿意接纳、转化 AI 反馈用于迭代自己论证。
在 “对 AI 信息开展甄别辩护” 维度，两组差异证据较弱；说明无论学生是否取得进步，都具备基础甄别 AI 信息的意识，这不是造成学习分化的主要来源。
图 3 贝叶斯后验估计森林图
发现三：
本研究条件下，学生自我调节问卷报告得分无法区分进步组与滞后组
两组学生在自我调节量表得分不存在统计学差异。研究者解释，本研究采用高度结构化 STEM‑5E 教学设计，教学流程本身已经内置自我调节支持，抹平了学生报告层面的个体差异；不代表自我调节不重要，而是环境支架弱化了问卷测得个体差异效应。
04
结论与教学启示
“
研究结论
在 STEM‑5E+SSI 课堂使用生成式 AI 脚手架，不要一味追求直接给答案的认知提示。认知 AI 支架能够快速改善产出质量，但容易形成依赖，难以转化为学生自主能力；元认知 AI 支架，引导学生先自我评判论证质量，再接收 AI 对自评的反馈，更有利于学生形成可迁移、可持续的科学论证能力。
学生如何看待 AI 生成信息（认识论信念）深刻影响 AI 辅助学习成效。不是简单 “教会学生怀疑 AI”，学生需要建立适度校准的信任：既识别 AI 局限，又敢于合理利用 AI 反馈迭代自己的推理。
即使借助 AI 工具，SSI 论证教学依旧离不开结构化教学框架（STEM‑5E），教学模型本身就是重要学习支架。
“
教学启示
1.AI 脚手架设计分层，优先开发元认知提问类支架
在 SSI、CER 论证课堂，AI 的角色优先定位成 “反思教练”，而不是 “写作代写助手”。多使用反问式元认知提示：“你这条主张依靠什么证据？”“证据和你的主张逻辑缺口在哪里？”；减少 AI 直接补全证据、直接生成完整论证文本的使用方式。在 5E 模型中，探究、解释环节适合投放元认知 AI 支架；评价环节禁止 AI 替学生输出最终结论。
2.在 SSI 教学设计中同步培育学生面向 GenAI 的认识论信念
教学不只是训练学生 “识别 AI 幻觉”，还要引导学生建立：AI 反馈是可供审视、可供修改的参考素材，而非标准答案。课堂可以增加任务：对比 AI 多条输出，让学生辨析 AI 信息来源、逻辑连贯度，建立 “校准式信任”。
3.面向职前、在职理科教师开展 AI‑SSI 教学设计培训
教师需要区分认知脚手架与元认知脚手架的差异，避免课堂直接把大模型当做自动批改 + 自动写答案工具。可借鉴 AISI 平台思路，设计简易课堂工具：先学生自评 CER 维度，再由 AI 针对自评质量给予反思提问。
4.理性看待干预时长局限
本研究干预时长较短（合计 95 分钟），观察的是短期干预效应。一线教学需要把 AI 支架和长期单元结合，持续追踪学生论证素养变化。同时本研究样本为八年级，跨年级、跨地域推广需要谨慎。
05
结语
成式 AI 介入 STEM 课堂，真正的挑战不在于能不能获取 AI 生成的丰富材料，而在于如何用好 AI 去激活学生的元认知与自主推理。这项实证给我们一条清晰提醒：AI 工具的价值，取决于我们把它设计成直接帮学生完成任务的助手，还是推动学生自我审视的反思伙伴。
在社会性科学议题教学中，元认知导向的 AI 脚手架或许才是人机协同开展科学论证更优的发展方向。也期待更多国内课堂开展本土化实践，检验不同 AI 支架在我国中小学 SSI 教学场景下的实践效果。
延伸思考：在你的 SSI 课堂中，如果引入 AI 脚手架，你会设计哪些规则，区分 AI 作为反思工具，和 AI 代替学生完成论证？欢迎评论区交流。