导语
一个五年级学生把碘液滴进三杯果汁，看到一杯颜色最浅、两杯较深，于是写下结论：颜色最浅的那杯维生素C最多。动作没有错，记录也完整。但他没有让三杯在相同条件下比较——碘液的滴数并不一致。颜色差异真实存在，却不能读成维生素C的差异。实验“做完了”，证据却没有“成立”。
这不是个别现象。Tang Aibin 与 Yu Jia 2026 年发表于《Chemistry Education Research and Practice 》的研究，对 6 所小学的 873 名五、六年级学生进行了一对一动手测评，用 55 个行为观测点追踪从观察到解释的全过程。研究发现：学生在观察和变量控制上表现不差，真正卡住他们的是——把受控的操作转化为可读的证据。在已经较好控制变量的学生中，75.1% 仍未能做出可解释的实验结果。
01
研究背景
科学探究常被寄予一个朴素的期待：只要学生亲手操作，就能在操作中理解科学。但大量研究提示，这个期待并不自动成立。Abrahams 和 Millar（2008）发现，实验活动往往能成功产生“预期的动作”，却未必产生“预期的想法”；Millar（2004）因此区分了两个层级：Level 1 是学生按任务意图操作材料，Level 2 是学生用科学观念解释这些操作和观察。
化学把这道鸿沟拉得更开。Johnstone（1991）提醒我们，化学学习要在宏观现象、亚微观解释和符号表征之间来回穿梭。对小学生而言，最可直接接触的是宏观层面：溶液变色、浑浊、褪色。但颜色本身不解释任何东西，除非它被放进一个受控的比较关系里——相同的滴数、相同的体积、相同的观察条件，颜色差异才可能指向维生素C含量的差异。
问题在于，现有大规模测评大多依赖纸笔测验、模拟任务或数字环境。它们能高效采样，却难以还原学生与真实材料打交道时的判断与失误。真正一对一、动手操作、按行为观测点评分的大样本研究仍然很少。于是我们知道“动手不等于理解”，却不太知道：在一节具体的小学化学探究里，学生究竟在哪一步掉队？
这项研究想回答三个问题：第一，学生的表现沿着“观察—设计—控制变量—实验成功—解释”的链条在哪里断裂？第二，实验成功是否在变量控制与化学解释之间起中介作用？第三，在控制学生 Level 1 表现之后，哪些结构、家庭、动机和课堂因素还能预测解释质量？
02
研究设计
任务与材料：研究使用的任务叫“比较不同果汁的维生素C含量”，改编自美国初中教材 Science Explorer 中的“Did You Get Your Vitamins?”活动，并按中国小学科学课程做了适龄化调整。任务只需要宏观推理，不要求学生使用氧化还原术语。
学生先完成两个观察任务：一是碘液与淀粉反应，出现深蓝紫色；二是碘液与维生素C片反应，碘液褪色。随后，他们要基于这两个现象提出科学问题、作出假设，设计并实施比较实验，控制化学上相关的变量，努力让反应后的颜色差异变得可辨别，最后写出结论并解释证据。三款饮料分别是农夫山泉 C100（A）、脉动（B）和华洋荔枝汁（C）。
研究对象：杭州 6 所小学的 873 名学生（初始样本 913 人，清理后保留 873 人）：五年级 436 人、六年级 437 人；男生 452 人、女生 421 人；农村学校 272 人、城市普通学校 309 人、城市优质学校 292 人，共 24 个班。数据于 2023 年收集。每名学生单独完成测评，最多 60 分钟；评分表包含 9 个项目、55 个行为观测点，覆盖提问、假设、计划、探索、数据处理、得出结论、反思七个维度，总分 63 分。
测量工具：关键结果变量有四个：化学观察质量（0—10 分）、变量控制（0—4 分）、实验成功（0/1）、化学解释质量（0—7 分，含结论有效性、证据使用、化学推理三个维度）。实验成功由评估者在现场判断三杯反应后的颜色是否能被视觉区分并排序；15% 的测评由第二位评估者独立评分，Cohen's κ = 0.77。背景问卷改编自 TIMSS 2019，测量家庭资源、动机信念和课堂经历。
分析策略：用“探究漏斗”描述各阶段的累积通过率；用 PROCESS Model 6 做序列中介，Bootstrap 5000 次；用分层回归检验 Level 1 之后各因素的增量解释力，并对班级聚类做稳健性检验。
03
研究发现
结果可以用一句话概括：学生不缺动手，缺的是让动手的结果变成证据。
先看整体：会做，不等于做出了证据
学生在 Level 1 上表现相当不错：化学观察平均达到满分的 80.2%，变量控制达到 70.8%。但到了“实验成功”，只有 18.6% 的学生做出了可解释的结果；化学解释平均只有满分的 41.9%。
把各阶段串成“探究漏斗”，断点更清楚。873 名学生中，612 人（70.1%）达到较好的化学观察；454 人（52.0%）达到较好的实验设计；389 人（44.6%）达到较好的变量控制。接下来是最陡的一段：这 389 人中，75.1% 未能做出成功的实验，只有 97 人（11.1%）跨过这一关；再经过解释环节，最终只有 69 人（7.9%）走完全链条。
18.6% 与 11.1% 的差别，来自漏斗的累积标准：漏斗要求先满足前面所有阶段；有少数学生没有全部满足上游标准，却偶然做出了可辨别结果。总体成功率是 18.6%，但“走完链条”的比例只有 7.9%。
检查点层面的数据同样刺眼。99.8% 的学生测试了三杯饮料，98.1% 把碘液与饮料混合，93.0% 完成了某种版本的实验——程序性动作几乎人人都有。但只有 57.4% 控制了各样本的饮料量，68.6% 在操作中维持了受控条件，32.0% 获得了可分辨的颜色差异，18.6% 的实验算得上成功。解释端也是如此：73.4% 写了结论，67.6% 引用了数据，但只有 35.6% 的结论科学上成立，9.6% 提供了科学上站得住的证据，4.7% 把观察与背后的化学逻辑连了起来。
图1 累积的探究漏斗显示了从化学观察到基于证据的解释的逐步流失
断点不在“想不想”，而在“够不够”
为什么已经控制了变量的学生，仍有四分之三做不出可解释的结果？给出的解释很具体：用相等的量，不等于用对的量。很多学生加的碘液相对饮料太多，或饮料相对碘液太少。碘液过量时，饮料里的维生素C无法把它全部还原，三杯反应后的液体就会过于相似——要么都偏黄褐，要么只有一杯与另外两杯略有差别。这时正确的做法是调整比例、重新实验，直到颜色差异变得可读。
“用相等的量”，不等于“用对的量”
但研究里，绝大多数学生只试了一次。主试在开始时明确告诉学生可以自由重复，时间和材料都没有限制；当三杯看起来差不多时，多数学生却接受了这个模糊的结果，试图从几乎看不出的颜色差异里得出结论。只有 22.8% 的学生能指出具体的程序问题并提出可操作的改进；40% 给出“更仔细一点”“多做几次”这类套话，其余同样笼统。
这更像是一个“反思性监控”的问题，而不是单纯的程序知识缺口：学生没有在得出结论前评估自己的实验结果是否足够支撑结论，也说不出下一步该改什么。
变量控制，是让颜色变成证据的开关
中介分析把变量控制的位置说得更清楚。化学观察质量能显著预测变量控制（b = 0.27，p < .001），解释其 11.2% 的方差。把观察质量和变量控制同时放进模型后，变量控制是实验成功的更强预测者（OR = 1.69，p < .001）——每提高 1 分，实验成功的几率增加 69%；而观察质量不再直接预测实验成功（OR = 1.14，p = .132）。换句话说，观察本身不足够，学生必须把观察落实为一个“能让现象可解释”的比较。
图2 变量控制、实验成功与化学解释的序列中介模型
在解释质量模型中，实验成功是最强的预测者（b = 0.60，p < .001）：在控制观察、变量控制和背景变量后，实验成功的学生在 7 分制解释量表上平均高 0.6 分。观察（b = 0.17）和变量控制（b = 0.27）也保留显著直接效应，模型解释 18.8% 的方差。
间接效应显示，从观察经变量控制到解释的路径最大（效应 = 0.071，95% CI [0.044, 0.102]）；完整的“观察→变量控制→实验成功→解释”路径较小但显著（0.010，[0.005, 0.015]）；而“观察→实验成功→解释”这条绕过变量控制的路径不显著（0.008，[-0.004, 0.022]）。针对核心问题的聚焦检验也得到同样模式：变量控制经实验成功到解释的间接效应显著（0.039，[0.022, 0.058]），但相对于变量控制到解释的直接效应（b = 0.316）仍然不大。
这说明，材料层面的成功是一条“强但窄”的通道：一旦成功，它很有力；但只有很少学生走到这里。变量控制与解释之间还存在一条更直接的联系——有些学生即使自己的实验并不完美，也能把“控制变量”理解为颜色信号成为比较指标的条件，从而写出更连贯的解释。
谁更容易跨过这道坎？
学校类型差异明显。农村学校学生的实验成功率为 9.6%，城市普通学校为 21.4%，城市优质学校为 24.0%（χ² = 21.84，p < .001，Cramér's V = 0.158）；化学解释均分分别为 2.47、3.00、3.30（F = 24.48，η² = 0.053）。
分层回归显示，Level 1 表现本身解释了解释质量 11.6% 的方差；加入人口学变量后增加 2.8%，其中学校类型显著（城市普通 b = 0.51；城市优质 b = 0.53）；加入家庭资源后增加 1.5%，主要来自教育期望（b = 0.15，p = .017）；加入六项动机变量后只增加 0.4%，且无一显著；加入课堂经历后增加 2.0%，课堂纪律正向预测解释（b = 0.12，p = .042），教师反馈负向预测解释（b = -0.20，p = .002）。完整模型解释 18.2% 的方差。
教师反馈的负向关联需要谨慎解读。问卷测量的是学生感知到的“评价性反馈出现的频率”，并没有区分反馈的质量、时机和内容。跨国 PISA 研究也反复发现，以“频率”测量的反馈与学生成绩呈负相关；但高质量、具体、过程取向的反馈往往正向预测学习。论文因此提醒：问题不是教师该不该介入，而是介入是“事后纠错”，还是“事前帮助学生理解证据目标”。交互分析还发现，这种负向关联在 Level 1 得分低的学生中最强（b = 0.13，p = .016），随着 Level 1 提高而减弱。
性别差异在描述统计上存在：女生在四个变量上都略高，观察差距最大（d = 0.33）。但控制 Level 1 表现后，性别不再显著——差距主要沿着更早的探究环节传递，而不是发生在“Level 1 到 Level 2”的转换本身。动机变量在控制 Level 1 后也没有增量解释力；这并不意味着动机不重要，而是说在这项任务中，动机测量没有解释额外的解释质量差异。
需要强调，这是一项横断面研究，以上都是预测与关联，不能直接读成因果。
04
研究结论
把 Level 1 到 Level 2 的断裂重新表述为一个“证据转换”问题：学生不是缺少活动，而是活动没有保持其作为“受控比较”的意义。探究教学的任务，不只是把材料交到学生手上，还要帮助他们把“做了什么”与“由此可以合法支持什么”连起来。
第一，把证据标准前置。在学生接触材料之前，先让他们说清楚：什么样的结果才算可读的证据？例如，在三杯果汁的比较里，碘液滴数、果汁体积、滴管使用需要满足什么条件，颜色差异才能指向维生素C？Furtak 等（2020）发现，探究过程中的形成性评价比探究结束后的评价更能预测学习。教师的作用因此从“事后纠正操作错误”转向“事前框定证据目标”。
第二，把量规变成学生看得懂的自评清单。这项研究使用的行为观测点，可以简化成学生版清单，放在实验台前。学生在操作过程中逐项自检：我是否用了同一支滴管？三杯的碘液滴数是否相同？颜色差异是否真的可分辨？实验结束后，他们能具体说出哪一步做得好、哪一步需要改，而不是只留下“好像没做好”的模糊印象。
第三，把“重做”正常化。当结果模糊时，调整比例、重新实验，应该被当作探究的一部分，而不是失败。Sasse 等（2025）发现，在学生探究过程中提示他们评估“结果是否足够”、并决定“何时重做”，能同时支持程序学习和概念学习。教师可以在课堂上明确：第一次结果不清楚，不是结束，而是需要调整条件的信号。
这三条策略最适合有明确程序与证据要求的验证性、教师引导式实验；在学生自主定义程序的开放性探究中，需要做相应调整。它们覆盖了一次探究的完整弧线：实验前的证据目标框定，实验中的自我监控，以及实验后的支持性迭代。
研究也列出了边界。它只使用了一个化学任务（碘—维生素C），不能自动推广到其他化学现象或其他科学领域；横断面设计不支持因果结论；一对一测评虽然数据丰富，但成本很高；只有“实验成功”做了双评分，其他分数由单一评估者在校准后评定；学校类型的系数在一些稳健性检验中变得边缘显著，课堂纪律不再显著；教育期望和教师反馈是更稳定的预测因素。
结语
探究教学最容易出现的错觉，是把手上的动作当成头脑里的理解。学生会倒液体、会滴碘液、会记录颜色，不等于他们知道这些颜色能证明什么。
这项研究提醒我们：学生需要的不是更多“做”，而是有人帮他们看见——什么样的做，才能让颜色变成证据，让证据支撑结论。
实验的终点，不是“做完了”，而是“看懂了”。