生物学图表构建能力模型(GCCM-Bio)：一个指导与评估数据可视化素养的创新框架

针对生物学学生图表构建能力不足的问题，Joel K. Abraham团队开发了Graph Construction Competency Model for Biology(GCCM-Bio)框架，系统定义了数据选择、探索、组装和反思四大核心能力模块及17项具体活动。该模型融合元表征能力理论和证据中心设计法，为生物学数据可视化教学与评估提供了标准化工具，填补了跨学科图表素养培养的理论空白。

　　

在生物学研究中，数据可视化是科学交流的核心工具，但学生构建有效图表的能力长期不足。尽管图表解读研究较多，构建能力的系统性框架却始终缺失。这种能力断层不仅影响学生科研参与度，更可能阻碍其数据驱动决策能力的培养。加州州立大学富勒顿分校Joel K. Abraham领衔的多机构团队在《BioScience》发表研究，提出了首个生物学专属的图表构建能力模型(GCCM-Bio)。

研究团队整合三种理论框架：强调反思性的元表征能力(diSessa 2004)、注重学科情境的 situated cognition theory(Roth & Jornet 2013)，以及评估设计的evidence-centered design(Mislevy et al. 2003)。通过专家焦点小组讨论和149篇文献的范围性综述，最终确立包含4大组件、17项活动的模型体系。关键技术方法包括：(1) 半结构化焦点小组访谈8位生物学与统计学教育专家；(2) 对EBSCO/Scopus数据库149篇图表教育文献进行活动编码分析；(3) 基于ACE-BIO研究协调网络框架进行模型迭代开发。

研究结果部分显示：
数据选择组件 要求区分定量/定性数据(Data type)，筛选与研究问题相关的变量(Variable relevance)。例如学生需判断是否排除异常数据点(Data filtering)。
数据探索组件 涉及数据呈现形式选择(Data form)，如原始数据点或统计摘要(Data summarization)。研究发现11%文献关注统计量选择(Statistics selection)。
图表组装组件 包含最常被研究的活动：42%文献涉及数据点标绘(Data plotting)，35%讨论标签规范(Graph labeling)。学生常错误使用软件默认设置导致沟通失效(Graph communication)。
图表反思组件 覆盖77%文献提及的数据特征描述(Data description)，但仅16%涉及多图表比较评估(Graph selection)，突显教学盲区。

结论指出，GCCM-Bio首次系统化解构了生物学图表构建的认知过程，为课程设计提供明确路标。例如在CURE课程中，教师可针对Graph type选择设计专项训练。该模型特别强调disciplinary context的重要性——生物学特有的变量关系认知（如分类变量处理）需通过显性教学培养。讨论部分提出，未来需探索模型在不同生物学子领域的适用性，以及与AI绘图工具的整合潜力。这项研究不仅推动科学教育从"内容传授"向"实践能力培养"转型，更为跨学科数据素养研究建立了概念桥梁。