AI Assisted Video Analysis Reveals Divergent Laboratory Competence Profiles Despite Equivalent Practical Scores in Undergraduate Titration
本研究表明，针对本科生滴定实验任务的 AI 辅助视频分析揭示了尽管总体的实践评分相等，但在特定能力领域仍存在显著差异，这凸显了在 STEM 评估中需要基于证据的细粒度诊断剖面，而非传统的综合成绩。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在化学实验室中，学习是一种身体力行的行为。仅仅了解反应背后的理论是不够的；学生还必须学会操作玻璃器皿、控制液体流速、观察细微的颜色变化，并精准地记录结果。这是实践技能的领域，是知识与双手交汇之处。传统上，当教师评估这些技能时，他们往往会将复杂的表现简化为一个单一的数字。例如，一名学生在进行滴定实验时可能会得到85分的成绩，而这项任务涉及配制溶液、操作滴定管、捕捉颜色变化以及重复整个过程。然而，这个单一的分数就像一条厚重的毯子，掩盖了学生实际表现的具体细节。它告诉我们结果，却往往无法揭示学生究竟是难以控制液体的流速以保持手稳，还是由于视觉问题未能观察到颜色变化，抑或是仅仅缺乏重复任务的耐心。
这种局限性在教育中造成了一个盲点。如果两名学生得到了完全相同的成绩，教师可能会假设他们拥有相同的长处和短板。但如果一名学生擅长捕捉颜色变化却不擅长控制流速，而另一名学生恰恰相反呢？他们的总分会完全相同，但他们需要完全不同的帮助才能进步。印度尼西亚内加里省国立大学（Universcesitas Negeri Semarang）的研究人员试图探究是否可以剥开这个单一的分数，从而揭示学生表现的真实、详细的全貌。他们转向了视频分析，利用人工智能——并非为了取代人类判断，而是为了帮助将数小时的录像整理成一份关于发生了什么的结构化地图。他们的目标是观察这项技术能否揭示那些基于传统评分表现得同样熟练的学生之间隐藏的差异。
研究人员记录了二十六名本科生进行标准酸碱滴定的过程。在这次实验中，学生从一个被称为滴定管的高玻璃管中缓慢加入液体到烧瓶中，直到特定的颜色变化标志着反应完成。团队使用计算机系统扫描视频，定位特定的动作瞬间，例如学生何时握住管子、何时观察液体或何时停止流动。该系统本身并不对学生进行评分。相反，它扮演了一个强大的搜索引擎，在视频中寻找证据，并将其整理成二十五个微小的类别（即微技能），随后将这些微技能归纳为七个更广泛的领域，如“移液”、“滴定管操作”和“终点观察”。人类评审员随后检查这些发现，以确保计算机正确识别了这些动作。
研究揭示了一个惊人的现实：给予这些学生的单一成绩并不能很好地反映其实际能力。当研究人员观察这些学生的详细剖面时，发现许多人得到了完全相同的总分，但其表现模式却截然不同。事实上，在那些共享相同最终成绩的学生对中，近百分之九十的人在各项技能方面的长处和短板是不同的。一名学生可能非常擅长识别颜色变化，但在准确时机停止液体流动方面表现欠佳；而另一名学生可能完美地控制了液体，却忽略了颜色变化。单一的成绩将这两个截然不同的故事压缩成了一个相同的数字，有效地抹去了教师提供有用反馈所需的具体细节。
分析还强调了学生学习这项技能时的一个特定瓶 enough（瓶颈）。数据显示，大多数学生在识别标志实验结束的颜色变化方面做得相当好。然而，当涉及到在那个精确时刻停止液体流动的物理动作时，表现却出现了大幅下滑。虽然有80%的学生成功识别了颜色，但只有约40%的人能够及时且受控地停止流动。这表明，观察事件发生与物理反应执行是两个不同的挑战。此外，研究发现，那些能够完成一次成功试验的学生，在被要求重复任务时往往无法表现出同样的稳定性。完成一次程序并不保证能够可靠地再次执行，而这对于科学工作而言是一个至关重要的区别，且单一的成绩完全忽略了这一点。
研究人员谨慎地指出，他们的自动化系统并不完美，需要大量的人类监督。在这项特定研究中，用于构建学生剖面的绝大部分数据点都被标记为需要人工复核，因为计算机无法独立自信地解读视频证据。这意味着研究结果并非由于机器在孤立状态下对学生进行评分，而是展示了视频证据在经过人类仔细整理和检查后，如何揭示出简单分数所掩盖的模式。该研究并不声称计算机已经准备好接管评分过程，而是表明它可以作为一个强大的工具，帮助教育者看到学生表现的全貌。
最终，这项工作表明，在实践科学教育中，整体并不总是等于部分之和，有时，整体甚至会掩盖部分。单一的成绩可以告诉管理者一名学生是否通过了，但它无法告诉教师该学生下一步真正需要学习什么。通过利用视频将表现分解为各个组成部分，教育者可以超越对学生的排名，转而开始诊断他们的具体需求。研究结论指出，要使数字化评估真正发挥作用，它必须在给出最终成绩的同时，保留学生技能的详细剖面。只有这样，给予学生的反馈才能像他们试图掌握的动作一样，既精准又有效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。