AI支持下职前数学教师任务设计中的诊断性思维探究：一项组态混合方法试点研究

《Journal of Intelligence》：Exploring Pre-Service Mathematics Teachers’ Diagnostic Thinking During AI-Supported Task Design: A Configurational Mixed-Methods Pilot Study

　　

摘要专业翻译 培养职前数学教师理解学生数学思维并预判学生困难的能力，仍是教师教育领域的一项挑战。这项探索性混合方法研究以21名职前数学教师为对象，开展了一项为期六周的AI支持数学任务设计模块。研究结合了前后测评估、模糊集定性比较分析（fsQCA）以及对参与者AI交互过程和反思的质性分析。主要发现如下：（1）参与者在整体诊断性思维及感知、解释和判断三个维度上的后测成绩均显著高于前测。（2）组态分析识别出一种与干预后高水平诊断性思维相关联的相对稳定模式，该模式将较低的初始诊断性思维水平与较高的AI接受度和较高的提示词知识密度相结合。（3）质性证据进一步表明，AI在探索数学与教学考量、评估生成建议以及修订任务设计方面充当了交互式资源。探索性比较表明，AI的使用范围可从更广泛的知识导向型支持延伸至更具选择性的验证与精炼。研究结果凸显了AI支持专业学习的异质性特征，并强调了批判性评估和专业能动性在教师与AI协作中的重要性。

论文解读文章

一、研究背景与问题提出

教师专业能力中，理解学生数学思维并据此设计恰当教学任务的能力至关重要。诊断性思维作为教师感知、解释和判断与学习者和教学任务相关信息的特定情境认知过程，使教师能够评估任务要求、预判学生可能遇到的困难，并对学生的潜在数学理解做出有依据的判断。然而，培养职前数学教师的诊断性思维面临诸多挑战。一方面，职前教师在进入教学岗位前，往往缺乏反复预判学生可能采用的策略、困难和错误概念的机会；另一方面，教师在做出此类判断时所调用的专业知识通常难以直接观察。因此，关于结构化学习活动如何支持职前教师诊断性思维的发展，以及不同初始能力水平的学习者如何通过相同学习经历获得发展，已有研究尚不充分。

近年来，以大型语言模型（LLMs）为代表的人工智能（AI）技术为职前教师提供了重复、低风险的任务设计活动和即时反馈的新机遇。然而，AI输出的教育价值并非自动产生——由于大语言模型的回应受用户提示词塑造，其相关性取决于职前教师如何阐述数学与教学考量、细化请求并批判性评估结果。此外，AI支持学习的收益可能因学习者而异，取决于学习者特征与交互条件的组合。已有研究表明，不同先前知识水平的学习者可能受益于不同形式的支架，技术接受度也可能影响学习者对AI支持学习的参与度。然而，关于这些条件的不同组合如何与干预后高水平的诊断性思维相关联，目前知之甚少。基于此，这项试点研究考察了职前数学教师在六周AI支持数学任务设计模块中诊断性思维的变化、与干预后高水平诊断性思维相关联的组态，以及职前教师参与、评估和修订AI生成建议的交互过程。

二、研究设计与主要方法

研究人员开展了一项为期六周、包含九次教学课程的干预模块，21名职前数学教师参与了三个迭代任务设计周期，分别聚焦几何、代数和统计三个数学内容领域。每个周期包含设计、反思和形成三个阶段。所有参与者使用同一版本的DeepSeek AI平台（版本3）。研究采用三项组态条件：AI接受度（基于UTAUT框架开发的25项量表测量，Cronbach's α = 0.916）、初始诊断性思维（通过干预前评估测量）和AI提示词知识密度（PKD，基于数学教学知识（MKT）框架对438条提示词进行理论驱动主题分析编码，分为四种递进类型）。结果变量为干预后诊断性思维评估。诊断性思维评估涵盖感知、解释和判断三个维度，采用中国高考数学试题作为诊断刺激材料，两套平行试卷（A卷和B卷）通过AB/BA序列交叉平衡施测。数据分析方法包括配对样本t检验、模糊集定性比较分析（fsQCA）以及对参与者反思和AI交互记录的质性主题分析。

三、研究结果

3.1 诊断性思维在模块期间的变化

配对样本t检验结果显示，参与者整体诊断性思维得分从前测（M = 7.952）显著提升至后测（M = 12.667），平均增加4.714分，t(20) = 6.631，p < .001。三个维度均呈现显著提升：感知得分从3.429提升至5.143，t(20) = 4.315，p < .001；解释得分从2.762提升至4.476，t(20) = 4.954，p < .001；判断得分从1.762提升至3.048，t(20) = 4.258，p < .001。这表明参与者在识别任务相关特征、解释潜在学生困难及评估任务难度方面的表现均有显著改善。

3.2 高干预后诊断性思维的组态路径

必要性分析显示，所有单一条件的一致性值均低于0.75，表明没有任何单一条件是高干预后诊断性思维的必要条件。充分性分析识别出两条与高干预后诊断性思维相关联的充分组态：H1（~IDTACCPKD）为低初始诊断性思维、高AI接受度与高提示词知识密度的组合；H2（IDTACC~PKD）为高初始诊断性思维、高AI接受度与低提示词知识密度的组合。整体解一致性为0.853，覆盖度为0.468。此外，识别出一条与低干预后诊断性思维相关联的组态L1（~IDT~ACC~PKD），一致性为0.931，覆盖度为0.400。稳健性分析表明，H1和L1在多种参数调整下保持稳定，而H2对替代校准阈值和PRI标准较为敏感，应视为探索性发现。

3.3 不同组态路径中的交互模式

质性分析基于五名组态相关案例（两名H1案例和三名H2案例）展开。H1案例更多使用反映整合PCK–CK聚焦和孤立知识聚焦的提示词，特别是关注任务情境（A#2）和调整任务难度以适应年级水平（B#3）。这些参与者倾向于以试探性提问方式与AI交互，将AI作为检验关于学生理解和任务适切性的新兴判断的资源。H2案例则更多使用选择性、针对性的提示词，聚焦任务可读性、可及性和任务格式或图示（C#1和C#2），较少涉及任务情境。这些参与者更倾向于识别AI生成任务中的具体问题，依据专业标准进行评估，并发出明确的修订指令。

四、讨论与结论

研究人员指出，数学任务设计本身具有诊断性特征——设计任务要求教师识别所涉及的数学知识、预判学生可能的方法、考虑可能的错误概念并评估认知需求和难度水平。AI支持的交互为职前教师提供了外化、检验和修订思维的交互环境，AI生成的建议成为职前教师可以接受、质疑或修改的对象。组态分析结果表明，高AI接受度出现在两条成功组态中，但AI接受度本身并不足以产生高诊断性思维，而是与不同水平的初始诊断性思维和提示词知识密度组合发挥作用。高初始诊断性思维并非实现高最终水平的必要条件——低初始诊断性思维的职前教师在高AI接受度和高提示词知识密度的组合下同样能取得高成果。研究还强调了在AI支持学习中保持专业能动性的重要性，职前教师需要具备批判性评估AI输出的能力。

研究结论指出，AI支持的数学任务设计可能通过不同交互路径支持职前教师理解学生数学思维的发展。较低初始诊断性思维的案例呈现更具探索性的AI使用方式，用于检验和发展关于学生与任务适切性的新兴判断；而较高初始能力案例则展示更具针对性的AI使用方式，用于评估和精炼具体任务特征。理论上，该研究将诊断性思维研究拓展至任务设计情境中的前瞻性推理，凸显了考察学习者特征与交互行为组合的价值，并将人机协作理解为差异化过程。实践上，教师教育中的AI整合应超越工具使用教学，创建要求职前教师预判学生思维、构建有教学意义的提示词、评估AI生成建议并通过反思修订决策的结构化活动。研究局限性包括样本量较小、单组前后测设计限制因果归因、单一AI平台可能反映模型特定特征等。