Theoretical Model and Quantitative Assessment of Scientific Thinking and Reasoning
科学思维的理论模型与量化评估
A2. 通过科学思维和因果思维促进探究性知识的生成
在生成知识的科学探究过程中，DCRs构成了大部分的实验证据，而MCRs则构成了理论(概念性)理解的基本组成部分。从认识论的角度来看，DCR是基于观察对可能的因果现象的描述，而MCR是对潜在因果机制的假设和解释。这两个思维过程及其结果由学习者经历协调，相互验证，修改和发展等过程以推进对特定知识领域实验和理论的理解。若要完全理解某个特定主题的因果关系，则同时需要数据协变和机制解释，这二者提供了科学知识的基本结构。然而，在大多数科学领域，这种理解是一个不断发展的过程，实验和理论研究同时发展并在相互交织的发展过程中递次推进。
因果关系的两个方面在知识发展过程中的作用和功能有一些独特的特征。DCRs是基于数据模式而缺少解释性的理解。因而，它们的原始形态需要大量的内存来存储不同条件和背景下由因果关系所表现出的各自数据模式。因此，学习者回忆和迁移以及理解这些知识往往是低效的。如果条件和背景超出实验所能验证的领域范围，其结果也是难以预测的。相比之下，MCR通常以简单规则进行编码提供机制解释，这些规则是在大量实验验证的DCRs基础之上进行归纳所得。例如，计算电荷之间的作用力，为了确定不同条件下（包括电荷种类和电荷间距离）的DCRs，研究人员进行了大量实验，这些DCRs的集合被统一概括为一种假设关系，即, F=kq_1 q_2/r^2，这个方程可以对作用机制进行解释，它表明两个电荷之间存在相互作用力，并且他们的大小遵循这个简单的关系，该方程及其力学解释形成了电荷间力的MCRs。这样的MCR可以被广泛应用于不同的条件和背景之下，例如多电荷和多距离问题，通过该方程也可以准确的预测或计算力的大小，其中大部分可以是未通过实验测量和验证的情况。
显然，将DCRs泛化为MCRs显著地减少了对此类关系进行编码存储所需的认知资源，并使这种类型的知识更易于迁移和存储，从而应用于拓展情境之中。在教育方面，被记录下来的MCR更方便在人与人之间进行传授,并记录下来供后代学习。因此，许多通常被定义为科学知识的东西，大部分内容都以MCRs的形式作为基础，从先前的科学发展中积累起来的。同时，DCRs提供了实验（观察）证据来证实假设的MCRs（假设），对现有的MCRs进行进一步的修改和验证，并将新的MCRs归纳概括为改进的或新的知识。在这里需要注意的是，MCR可以包括广义的数学和逻辑关系以及对有关于机理起源进行的解释。在某些情况下，对于某些问题的机制以及数学和逻辑关系的想法可以产生于可观测的DCRs之前。这些想法代表了纯理论性假设的MCRs，通常被称作理论假设，需要通过实验进行验证以获得相关的DCRs。
在获取DCR的过程中，通常可以使用分析和建模算法对协变数据进行处理和数字建模，以产生数学关系。因此，MCRs和DCRs都可以包含数学和逻辑关系，因此数学和逻辑关系本身并不是区分DCRs和MCRs的特征。然而，基于DCR和基于MCR的数学和逻辑关系之间存在一些基本的差异，值得厘清。基于DCR的数学模型通常代表特定DCRs的局部计算建模（例如，回归）结果，不能在特定场景之外进行推广。此外，这些关系没有得到机制解释的支持，这进一步限制了它们的一般性应用。由于缺乏支持机制，基于DCR的数学和逻辑关系在机制解释上没有意义，因此很难在理论层面上进行操作。通过从广泛的场景中积累DCRs，可以进一步验证所涉及的数学和逻辑关系，并与机制假设相结合，以开发MCRs。当DCRs和MCRs被验证为一致时，基于DCR建立的数学和逻辑关系可以转换为基于MCR的数学和逻辑关系，这些关系可以进行机制解释，可以在理论上进行操作，并作为定律和原则普遍应用。