Theoretical Model and Quantitative Assessment of Scientific Thinking and Reasoning
科学思维的理论模型与量化评估
VI. 总结与讨论
科学思维作为21世纪教育的核心能力已经得到了广泛的研究。然而，现有的文献资料中对于如何建构一个整合的科学思维理论模型尚没有形成共识。因此，虽然科学思维被广泛认为是在NGSS或“大学科学成功标准”等教育改革举措中有着重要地位的能力，其教学和评估在一定程度上仍然缺乏相应的理论指导。此外，目前还没有基于整合的理论模型和评估框架而开发的精细评估科学思维技能的实操工具。研究层面的这一不足，会大大限制为有效提高学生的科学思维能力而开展的各种教育实践的设计、实施和评估。
本文在既有文献的基础上，提出了一个集科学思维和因果思维于一体的理论框架(DMCR)，并根据处理和协调基于数据协变和机制解释的因果关系(即DCR和MCR)所需的技能，操作性地定义了科学思维。在DMCR模型框架的基础上，定义了控制变量 (COV)、数据分析(DA)和因果决策(CDM)三个推理技能域，它们共同组成科学思维评估框架的基础技能集。其中，控制变量技能COV和数据分析技能DA是发展基于数据协变的因果思维DCR的基础，同时，数据分析DA又与因果决策技能CDM共同协调基于数据协变的因果思维DCR和基于机制的因果思维MCR以形成适当的因果理解。在评估框架的指导下，开发了科学思维评估工具(即iSTAR)，该工具主要测评包括控制变量(COV)、数据分析(DA)和因果决策(CDM)等技能及其子技能。通过对大规模测试的数据分析，检验了iSTAR作为评估工具的基本特征，并与流行的LCTSR的结果进行了比较。结果表明，iSTAR对推理技能的三个领域提供了一致的测量，并显示出从控制变量COV到数据分析DA再到因果决策CDM的难度梯度，证实了基于DMCR评估框架的设计是可行的。此外，对iSTAR的效度和信度进行了经典统计和Rasch分析，表明iSTAR对大学生科学思维能力的测量是有效且可靠的。
本研究在几个方面对相关领域做出了贡献。在理论方面，现有文献中关于科学思维和因果思维的研究有着不同的定义和侧重点，处于相对独立地发展状态[47]。然而，这两种类型的推理都是知识形成的基本要素，它们的目标、过程和具体的推理技能之间有很大重叠。因此，将这两个思维框架连接起来，可以综合不同的推理和学习模型之间的关系。通过整合这些模型，可以帮助我们解释思维和知识发展中的所历经的结构和过程之间的关系，并形成更为全面的理解。
此外，现有的科学思维研究往往过分强调基于证据的假设检验中的数据协变关系。然而，正如一些研究人员所建议的那样，因果思维的机制解释部分应该被视为科学思维的另一个核心要素。正因为机制解释是因果思维的两个基本要素之一，随着因果思维与科学思维的结构的整合，将机制解释加入到科学思维当中就变得理所当然了。DMCR模型在现有因果思维文献的基础上，明确定义了因果思维的两个基本要素，即基于数据协变的因果关系(DCR)和基于机制解释的因果关系(MCR)，以及协调于这两个要素之间众多推理过程。基于这些新的定义，因果思维和科学思维将得以集成到一个整合的框架中，以一种更具操作性的形式对相应能力的评估和教学起到指导作用。
在操作层面来看，许多现有的研究中，科学思维技能的定义往往是一种行为的描写性定义，及基于对于推理的一般过程和结果的认知行为描述，如 “理论和证据之间的协调”、“确定一个假设”、“寻找合适的证据或备选假设”等。这些定义普遍存在一个问题，即缺乏足以构建推理过程的可操作性结构细节。例如，“理论和证据之间的协调”描述了一个思维过程的行为或任务，但是缺乏对具体怎样进行这个协调行为的技能和思维过程的定义。在本研究中，DMCR模型框架明确定义了实际的结构、关系和过程，以及理解、应用和评估这些结构、关系和过程所需的理论模型和具体操作。这些要素共同构成了具体的细节模块和结构，在操作上定义了科学思维和因果思维中涉及的各种技能。这一模型框架将可以为测评的开发和实施提供明确的指导，从而促进科学思维和因果思维中涉及的特定技能的发展。将科学思维和因果思维整合于一个整体性的理论模型可以为更好地理解思维和知识发展提供理论基础，同时也为更多的理论和实证研究开辟了新的空间。
综合本研究的理论工作，可以给科学思维下一个全面的定义。在现有的文献中，科学思维通常被宽泛而隐含地定义为支持科学探究学习的各种技能，可以被视作一种认知行为的描述性定义。基于本研究开发的理论模型，科学思维的定义现在可以扩展到概念定义和操作定义。这三个部分共同建构了更为完整的对“科学思维”的定义，包括：
- 行为定义：支持科学探究活动及相应过程的能力，通常包括系统地分析问题、确定可研究的问题、制定和评估假设、预测、设计和评估实验、分析数据、识别证据、验证假设和基于证据的决策，等等。
- 概念定义：在知识形成和修正时，建构和利用基于数据协变和机制解释的因果关系的认知过程。
- 操作定义：控制变量、数据分析和因果决策所需的一系列特定的推理技能。
本研究也推动了科学思维能力评估领域的进步。现有评估工具是基于“衡量一系列数目有限且松散联系的技能”的目的设计的，这些技能之间缺乏连贯的理论基础，使得相关评估结果的解释受到限制。相比之下，iSTAR评估工具是根据DMCR理论框架专门设计，用于测量一套渐进的技能。这些技能共同组成了科学思维和因果思维的基本结构。在能够明确且操作性地被DMCR框架定义的基础上，这些技能还在验证性研究被证实可以通过iSTAR评估工具得到针对性测量。因此，评估结果可以直接对应到特定的技能集，并与DMCR模型的组件相关联，这有助于解释结果，并对学生的推理能力提供有意义的理解。这样的理解可以直接指导教学，解决目标技能的教学问题以及相关的学习困难。此外，iSTAR评估工具的有效性和可靠性已经在大学人群中得到了验证，因此该工具也可以在研究和教学中直接使用。
本研究仍具有一定的局限性。整合科学和因果思维的理论框架的开发不可能在一项研究中完成，还需要进一步的研究来对其进行验证和完善。本文提出的DMCR模型是在综合现有模型的基础上提出的，这些作为基础的模型都有各自的实证研究支持。因此，新模型的有效性目前在一定程度上是由现有的实证研究支撑的，这些实证研究分别对应已整合到新模型中的先前模型的各个组成部分。此外，一同开发的评估工具及其测评结果是本研究建立的模型的具体表达，因此可以通过相应评测结果来验证模型本身的有效性。在本研究中，评估结果与模型的预期相符，从而为DMCR模型的有效性提供了额外的验证证据。因此，根据既有文献和实证评估结果，有理由认为新模型具有足够的有效性。
尽管如此，这项研究也只是提供了一个可以进一步发展的初步基础，并将有限的重点放在开发技能集的操作性定义上。在未来的研究中，还需要进一步更新模型，以便与更广泛的既有理论和实证研究建立联系。另外，由科学思维和因果思维所支持的学习目标，即知识发展和探究学习之间的详细联系，也还需要更多的研究。同时，建立该理论研究与科学和因果思维能力的教育实践之间的联系，以及扩展的评估研究，也都是必要的。尤其需要增加来自不同年龄段和教育背景的样本群体以进一步建立iSTAR评估的信效度。