Theoretical Model and Quantitative Assessment of Scientific Thinking and Reasoning
科学思维的理论模型与量化评估
D. 知识生成的思维过程
DMCR框架中的不同思维过程为知识开发提供了基本的认知支持，本节则讨论在问题解决和科学探究中所需的更细致层面的思维功能。例如，假设演绎模型[68,69]描述了类似的思维过程，被广泛认为是科学探究和学习的核心。为了对DMCR框架下的思维进行操作性建模，在这里定义了五个类型的思维过程和操作，包括“I-过程”、“D-过程”、“评估分析（EA）”和“循环（Loop）”。这些共同构成了在特定任务中执行DMCR思维具体功能的基础，如图2和图3所示。这种详细程度对于支持科学思维评估框架的开发是必要的。
I-过程代表广义的发现型思维，例如归纳、推断、发现等功能。它是一个创建或搜索要添加到当前思维中的新元素的过程。I-过程的结果包括广泛的认知内容，例如可能的变量、关系和机制（MCR假设），这些通常对学习者来说是新的或未知的，甚至可能是先前不存在的（对世界来说是新的）。I-过程结果的有效性、合理性和有用性通常是不确定的，需要通过其他过程进行评估或验证。
D-过程代表广义的推演型思维，例如用于推理、推导、应用等的功能。它是一个将场景特征（变量）合并（导入）到给定（现有）规则或函数集中以生成确定结果的过程。D-过程的结果通常是“确定的”。也就是说，尽管一个结果可能对某个人来说是未知的，但它在概念上、数学上和逻辑上是保证有一个确定结果的。
在探究式学习中，D-过程通常与I-过程创建的元素一起运行，以得出新的预测结果，对这些结果进一步处理可以评估I-过程结果的有效性。这里评估分析（EA）过程用于分析和比较任务背景下的I-和D-过程的结果，并为结果和任务目标之间的一致性生成基于证据的决策。这类过程通常会经历多个循环。因此，整个过程在操作上可以理解为“发现-推演-评价-分析-循环”，故称之为发展思维的IDEA-Loop模型。
图5显示了思维功能的IDEA-Loop模型的示意图。IDEA-Loop的任务、场景、发现的元素和推演分析等等的结果可以是认知操作中宏观微观各个层面的组成部分和过程。例如在神经计算层面，这些可以代表神经网络集群及其输入和输出的激活过程。在宏观行为层面，这些可以代表可观察到的认知状态，比如提出的假设，以及在场景中应用某些规则预测或导出结论。
图5. 思维功能的IDEA-Loop模型的概念图
在实际应用中，IDEA-Loop的某些部分可以是被关注的主要功能。例如，在解决涉及简单代入运算问题时，D-过程和之后的EA验证通常是主要操作。然而，当一项任务涉及I-过程时，为了验证I-过程的结果，整个IDEA-Loop通常会被激活，也就是说，由于I-过程创建了新的元素，它便会自动激活D-过程，应用新的元素来生成预测结果，然后通过EA过程，根据预测和观察结果之间的比较来验证新创建的元素有效性。如果需要修改，IDEA-Loop的进一步循环将被激活。
在教学和学习中，也可以设计DEA过程之外的任务。例如，针对于I-过程的任务可能会要求学生通过分析问题去寻求可作为问题解决的策略，但不需要完整地解决问题。然而，通常来说，在进行归纳搜索的过程中，学生可能仍然会直接或间接的参与到IDEA-Loop中。这是因为一个人需要在搜索中寻找合理的东西，因此需要DEA提供验证，这意味着DEA过程将贯穿于搜索、创造以及预测结果的验证和决策的整个思维过程。此外，I-和D-过程的结果可以是所有层次上的所有形式的认知构型，包括变量、关系、理论、假设、新场景、新知识域等。因此，IDEA-Loop会出现在所有具有广泛复杂性和抽象性元素的思维中。
在行为层面，思维的IDEA-Loop模型可以与几个相关模型进行比较，包括假设演绎推理模型[68,69]、理论证据协调[42]和科学发现的双路搜索模型（SDDS）[46]。在大多数情况下，现有模型在思维的一般过程及其认知结果上有很大的相似性，例如确定有效证据和检验假设。另一方面，IDEA-Loop模型提供了有关思维过程具有更精细的基本功能的的操作性定义，可以直接为评估和教学设计提供指导。在我们的工作中，这些功能元素将被提取出来作为用于测量科学思维技能的测评维度，这将在后文进行讨论。接下来将讨论IDEA-Loop和现有模型之间的联系。
假设演绎思维模型是对探究过程中科学方法的一种描述，其核心是提出假设并以数据为基础对假设进行检验[68]。劳森根据假设检验所需的一套科学思维技能对该模型的思维方面进行了研究。在评估这些技能时，通常会向学生提供实验数据，以确定一种假设的因果机制可以产生与数据一致的结果（例如，参见LCTSR中的问题20-24）。在这种情况下，I-过程主要是基于给定场景和条件发现或建构假设的归纳思维。然后，通过D-过程应用新建构的假设来生成预测结果，并将其与任务中的给定数据进行进一步比较，以评估和分析假设的有效性。
图6.IDEA-Loop思维模型的特殊情况。（a） 假设演绎思维和理论证据协调的IDEA-Loop。（b）SDDS作为多个并行嵌套的IDEA-Loop。双头箭头代表双向发生的相互连接的双空间循环路径。
这里，假设生成部分可以被视为I-过程针应用于产生假设的特例，而演绎思维可以被视为D-过程应用于产生预测结果的特例。比较和验证是EA过程的一部分。因此，假设-演绎思维模型可以表示为IDEA-Loop模型的特例过程（图6a）。比较两种模型，IDEA-Loop模型比假设演绎模型更具通用性和灵活性。I-过程代表了一个通用的发现过程，是针对多种类型的构建，而不是仅局限于假设-演绎模型中的假设解释。此外，IDEA-Loop模型提供了所有相关功能和过程的具体定义，而这些在假设演绎模型中没有明确地定义。
对于理论证据协调模型，核心过程是实现证据（可以是给定或实验收集的数据）与假设或理论之间的一致性。这项任务通常涉及将数据集与给定的假设相匹配，或构建和修改假设以匹配数据。这些过程与假设-演绎模型中的过程类似，因此也可以被表达成IDEA-Loop在各种特定情形下的应用，但可能涉及不同处理层级的多个IDEA-Loop，具体形式取决于特定的任务和场景（图6a）。
SDDS模型可以被视为另一种IDEA-Loop的变化形式，强调在实验和理论中发生的思维路径，因此具有双重空间结构。主要的过程是在两个空间中搜索，以确定实验证据和理论假设之间的一致性匹配。本质上，SDDS也类似于理论证据协调和假设演绎模型的基本过程，即通过I-过程寻找可能的理论假设（MCRs），目标是找到的假设可以通过D-过程产生与实验数据相当的结果。同时可以并行的是在实验空间中通过I-过程进行搜索数据协变关系（DCRs），并与理论空间中已识别假设的预测结果进行比较，以寻求获得与理论一致性的数据结果。在这些搜索比较的过程中，评估和分析是一个核心要素，被用于确定理论或实验数据是否一致，以及是否需要进一步循环迭代以获得更加一致的结果。SDDS模型中比较独特的一点是，在实验和理论空间中的搜索通常以多个循环的形式出现，这可以用IDEA-Loop的多个并行过程来表示（见图6b）。
总之，科学思维的DMCR模型通过定义DCR和MCR作为构建科学知识的因果基础，并在此基础之上整合了因果思维，利用IDEA-Loop循环过程进行功能性的建模，从而形成一个综合的理论模型。该模型同时也可以发展出一个操作性框架，提供具体功能的定义，用以表达现有的科学思维模型，包括假设演绎模型、理论证据协调模型和SDDS模型。具体化的科学思维技能和功能的操作性定义可以进一步指导评估设计。