Theoretical Model and Quantitative Assessment of Scientific Thinking and Reasoning
科学思维的理论模型与量化评估
C. 因果思维过程的复杂性
当面对确定因果关系的任务时，学生的思维有一个从简单到复杂的发展过程。最初的简单思维通常是从根据场景特征识别相关变量开始。然后，通过回忆相似的已有理解或基于相关领域知识生成的新假设，从而构建变量之间的关系。这些关系从简单的二元形式到复杂的多元形式，可以是因果关系，也可以是非因果关系，本文的研究中强调因果关系。通常，二元关系是最先建立的，因为它们相对容易进行提炼和验证。接下来，若干相关的二元关系可以整合发展成多变量（IV/MV/CV）和结果（DV/MV）之间的多元关系。继续深入则可以通过整合多元关系进而构建连接多组多元关系的跨域网络，从而形成一个日益复杂的关系网络（例如，见图3d），它最终可以演化为一个非线性耦合的复杂系统。总结思维过程和因果网络的相应结构，可以宽泛地定义五个复杂性层级，如图4所示。
图4.因果思维过程的复杂性
思维复杂性的层级与知识发展理论，尤其是学习领域特定内容的知识整合模型有许多共通之处[63,66,67]。例如，观察学习成果结构分类法（SOLO）[66]将学生的知识结构分为5个层次，包括前结构、单结构、多结构、多元关系和扩展抽象，所有这些都与上面讨论的思维复杂程度在结构上有相似之处。然而，知识整合模型是对学习者的知识结构上提供了一个宽泛的结构描述，而不关注具体的思维细节。在本研究中，我们的重点放在以知识发展为目标的思维技能上，并应用于针对这些思维技能评估设计。
还需要重点注意的是，图4所示的不同级别并不代表严格的发展过程。在学习和问题解决的过程中，实际的思维过程往往在多个层面并行进行，其间存在大量的交互作用。关于特定内容主题的学习，学生的思维可能表现为从简单到更复杂的发展趋势。然而，分支和递归过程很常见。例如，识别变量的过程将提示与相关变量的关系，并与之平行互动。当确定的变量和关系不能对任务场景形成令人满意的理解或解释时，将进行额外的周期识别和评估，使构建的理解和任务目标之间更好的匹配。因此，这种思维通常发生在知识构建的各个层次的多个递归循环中。