数智化科学论证图赋能深度学习发生：作用机理与应用效果

（一）科学论证图

“Argument map/mapping”源于西方，中文直译为“论证图”。在国内文献检索中，与之对应的名称为“科学论证图”“科学推理工具”等。这一概念的起源可追溯至1826年，逻辑学家理查德·惠特利在其著作《逻辑要素》中，首次提出了具有层次结构的论证链^[8]。20世纪50年代，随着图尔敏论证模型及思想广泛传播，人们逐渐意识到科学论证图的价值^[9]。21世纪早期，单机版本论证图应运而生，在绘制、编辑等方面较纸笔绘制更凸显其便利性，推动了科学论证图在教学中的应用^[10]。研究进一步梳理具有代表性的科学论证图的内涵阐释（见表1），从德威尔、格尔德等学者对科学论证图的认识共性可以发现，其构成包含逻辑关联、图形结构与论证要素三个方面。从格伦·罗等人的界定中可以发现，科学论证图得益于计算机的辅助，呈现出更丰富的元素、关联逻辑以及应用场景。总的来看，科学论证图经迭代发展，突破原有论证模型（图尔敏论证模型等）的固化束缚，绘制方式打破纸笔局限而趋于多元，应用场景也从案例分析、辩论讨论拓展到写作、汇报等新场景。

（二）数智化科学论证图

传统的科学论证图在实际教学应用中面临多重现实困境。从功能层面看，其难以满足学习者的个性化需求，缺乏对论证推理过程的智能引导，对混合协作学习所需的功能支持亦显不足。对于应用者而言，由于应用者认知水平与应用需求存在差异，需投入大量时间进行适应性训练，从而增加了额外的认知负荷。上述问题共同制约了科学论证图与课堂实践的深度融合。在数智技术推动下，数智化科学论证图应运而生，丰富的技术嵌入不仅是功能上的拓展、应用体验的优化，更能推动其与课堂应用的有机融合。随着大数据、互联网、人工智能技术等新兴技术基座的赋能，科学论证图衍生出数据驱动、实时分析、云端交互等数智特征，并发展出智能资源生成、线上协作论证、论证推理引导、人机对话等新功能。操作端也从传统纸笔绘制升级为移动端、PC端、智慧大屏等多端互通协同样态，进一步丰富了应用场景，使其在主题辩论、问题解决、协作探究等教学场景中得到广泛应用^[13]。此外，数智化科学论证图在工程决策、事件分析等社会应用的场景中也展现出良好的适用性^[14]。可见，数智技术加持下的科学论证图已然变为一种智慧化论证推理空间，研究在已有研究的基础上构建起数智化科学论证图的结构框架（如图1所示）。总体而言，数智化科学论证图是在数智技术的赋能下，基于逻辑关系，通过要素填充的“文本框”与说明要素关系的“箭头”组成有关命题的脉络组织，且在过程中提供自动化、智能化辅助的思维过程可视化环境。

（一）数智技术赋能深度学习的着力点分析

深度学习提出的根本目的是帮助学习者适应社会生活。在工业时代，掌握基本知识或技能即可满足社会发展的需要^[15]；而在数智时代，单一的知识或技能难以应对复杂问题情境，亟须培养学习者面向未来的高阶思维能力。鉴于深度学习随时代动态演进的特性，数智技术赋能的关键仍在于对其核心内涵的精准把握与深度探索。从学习投入的视角来看，深度学习是一种沉浸式的学习，可实现认知、情感、行为的高投入^[16]。从知识认识的过程来看，深度学习强调内容整合、知识建构与迁移运用^[17]。从思维发展的视角来看，深度学习被视为基于理解的深层学习方式与高水平能力发展相结合的认知过程，其核心目标在于发展高阶思维^[18]。鉴于思维能力的培养与知识认识、学习投入之间存在着内在关联^[19]，深度学习的赋能路径难以从单一维度切入，因此需进一步明晰其发生机理。

郑旭东等在解析深度学习发生机理时发现，知识认识、学习投入以及思维能力是构成深度学习发生机理的核心要素，三者在深度学习发生中不存在实际的矛盾或对立，而是呈现出并发、交错的实质性关联^[20]。胡航等对深度学习的发生机理进行了剖析，指出其是“始于表征、终于生成”的过程，即以知识认识为开端，以思维发展为结束^[21]。卜彩丽等揭示了在线深度学习发生机理，以学习投入为准备，以知识认识与高阶思维为过程，以高阶思维、深度理解和迁移应用为学习结果^[22]。可见，深度学习发生机理的探讨始终围绕学习投入、知识认识与高阶思维展开，且三者表现出紧密的关联。从整体来看，深度学习实质上是高投入背景下的知识深层建构与思维能力生成的过程。数智技术同样作用于这一发生过程，意味着其核心着力点为知识认识、学习投入及思维能力三个维度。

（二）数智化科学论证图赋能深度学习的机理解析

1. 结构化辅助知识认识的深化

深度学习的知识认识过程，是学习者在理解的基础上批判性吸纳新思想与事实，将其融入原有认知结构，并在多元思想间建立关联，实现已有知识向新情境的灵活迁移^[23]。在此过程中，数智化科学论证图主要作用于内容整合、知识建构与知识迁移三个方面。

图式理论认为，新信息在工作记忆中加工时，任何图式都可以被用来提供相关知识以帮助新信息的处理^[24]。在既有研究中，概念图被认为是促进深度学习的有效工具^[25]。然而，概念图主要呈现的是概念之间的关联，其认知功能在于通过图示替代文本以降低加工负荷。由于浅层学习和加工同样可以在理解知识间的浅层关联的基础上绘制出概念图，但若学习者对概念图所依托的文本信息不熟悉，其认知效果反而受限^[26]。而基于数智化科学论证图的知识认识过程强调在深层理解的基础上，通过文本、箭头的加工和重构来表达内容间关系，进而提升认知效果^[27]。这种结构化整合并非如概念图那般，仅以“存在”为依据来连接，而是以具备内在、严谨且贴合具体情境的逻辑脉络为前提，在理解的基础上实现经验间有意义建构融合。此外，数智化科学论证图的应用以命题为开端，命题嵌入具体情境，使该应用过程本身始终处于问题情境中，促使学习者在知识理解与迁移的基础上进行创造性的深层加工与整合。过程中，人工智能通过对话辅助表征理解，并借助提问引导促进知识建构及迁移应用^[28]。总的来看，基于数智化科学论证图的认识过程能够实现情境知识的结构化与可视化，进而在内容整合、知识建构与迁移应用等方面赋能深度学习的发生。

2. 持续化激发保障学习的投入

深度学习的学习投入由行为、情感与认知三个维度构成。本研究借鉴自我决定理论、“控制—价值”理论及互动反馈效应^[29]，阐释数智化科学论证图赋能学习投入发生与转变的作用机理。整体而言，数智化科学论证图通过提升学习者的主观控制感和价值感，优化人际交往和结构化信息，对学习投入的产生与转变发挥积极作用。相较于一般的可视化工具主要作用于认知投入与行为投入，数智化科学论证图则表现出更为系统的促进效应。其认知过程以命题为起点，为学习提供清晰的方向；后续的观点萌发、逻辑推理等思维活动，本质是新旧经验的主动融合，并最终加工成具有逻辑关联的认知结构。且在行为过程中，科学论证图的映射促使学习者由被动抄写转向主动建构，其作为行为成果的可视化呈现形式，有助于保障行为的过程性投入。数智化科学论证图清晰的逻辑结构能够有效降低认知负荷，使学习者彼此更易准确理解对方观点，在此基础上引发观点认同或冲突，进一步激发讨论、辩论等互动意愿与行为，实现认知投入的深入、情感体验的激活与行为参与的增强^[30]。此外，其所集成的数字技术在维持学习投入的水平方面发挥着重要作用。技术支持的实时交互与反馈能够引发情感交互，激发学习群体的认知投入^[31] ；数智学习资源的及时匹配推送，有助于维持推理论证过程中认知、情感和行为投入的连续性，避免讨论因资源匮乏中断。由此可见，基于技术整合的数智化科学论证图的学习应用，能够持续性地激发与保障学习投入。

3. 综合化促进思维能力的调动

思维能力的生成遵循从情境认知、问题分析、问题解决到反思的递进逻辑^[32]。数智化科学论证图主要作用于分析、解决和反思三个阶段，外显为批判性思维、创造思维、协作能力、沟通能力和问题解决能力。论证图的应用能够帮助学习者将脑海中的论证结构进行重构与刻画。在此过程中，学习者隐性的自我反思、检查和显性的对外反驳、批判，与论证图的绘制同步结合，有效地促进学习者的批判性思维能力^[33]。其清晰的逻辑结构帮助学习者更好地组织和表达思路，使学习者的论述更具说服力和逻辑性，从而在口语和书面交流中实现更清晰、准确的表达，有效促进沟通能力的提升^[34]。此外，数智化科学论证图具备支持与反驳的特性，有效地将学习者之间的冲突、对抗转化为推进学习的动力，同时激励学习者主动提出观点。在基于科学论证图的协作性学习过程中，趋同与聚散水平得以动态调节，促进协作能力提升与协作过程优化^[30]。从创新思维的探索与生成视角来看，数智化科学论证图不仅是辅助探索的工具，也是学习最终生成的产物。论证图的生成并非单纯依赖学习者个体脑海中的思辨与构建，而是在观点碰撞和自我批判中^[35]，不断迸发新想法，最终构建起兼顾逻辑关联与思辨过程的科学论证图。此外，新兴技术的介入有效拓展了思维发展的边界。例如，在线协作平台能够为协作沟通与批判性思维的培养提供了有效的支持^[36]。在问题解决能力方面，数智化科学论证图一方面通过支持逻辑推理与信息整合深化问题分析，直接助力复杂问题解决，另一方面，通过对上述思维能力的积极促进作用，间接影响问题解决能力的发展。

4. 过程化赋能深度学习的实质

根据前文解析，数智化科学论证图通过作用于思维能力、知识认识及学习投入进而促进深度学习的发生。但值得注意的是，各类思维能力并非孤立存在，其内部蕴含着相互促进或高度相关的复杂关联。例如，协作能力与沟通能力之间相互促进、相互调用；问题解决能力依赖创造性思维能力、沟通能力、协作能力等多种能力的支撑^[19]；协作与沟通能力对创造性思维具有积极影响^[37]，且与批判性思维呈现相互促进关系^[38]；批判性思维与创造思维之间亦表现出双向促进的关联^[39]。因此，其对思维能力的赋能无法看作技术作用的简单叠加，也并非存在规律性或线性的作用，而应当视为一种连锁、混沌的作用过程。

此外，思维能力、知识认识以及学习投入之间也不是孤立存在^[20]，这意味着数智化科学论证图赋能深度学习发生的作用机理需从过程层面进行解读。数智化科学论证图赋能深度学习发生的过程，以整合性技术对思维能力、知识认识与学习投入三方面积极作用为基础，以激发和维持学习投入为前提，辅助学习者进行知识的深层整合、建构与迁移，同时促进思维能力的持续调动与发展。此外，高水平的学习投入在促进学习者知识认识过程的同时，也能推动思维能力的调动。同时，深层次的知识认识对思维能力的发展产生积极影响，再加之思维能力内在的关联作用，共同构成了交错、并行且关联的作用过程，如图2所示。由此可见，数智化科学论证图是以综合、连锁的作用形式，赋能深度学习的发生。

（一）理论依据

数智化科学论证图能否对深度学习起到促进效果，取决于其功能与教学的融合程度。问题解决的过程不仅能够激发数智化科学论证图的高水平应用^[40]，还是数智时代的重要教学组织形式，也是深度学习过程的特征^[15]。此外，科学论证图常用于论证推理，而论证本身也被视为促进思维能力、深度学习的重要途径^[41]。可见，应用模型的建构需紧扣问题解决与论证，因此本研究以问题解决教学及论证驱动探究教学为架构基础。

1. 问题解决教学模式

问题解决教学的理论背景可追溯至20世纪认知心理学与建构主义的交叉融合。认知心理学将问题解决定义为消除认知差异的过程，奠定其作为高阶思维能力活动的理论基础，而建构主义则强调知识在真实情境中主动建构，推动问题解决与情境化学习的结合^[42]。可见，问题解决教学强调在真实、复杂的情境中设计非良构问题，要求学生整合知识、批判思考、设计与实施解决方案，以此实现高阶思维能力的发展。这与数智化科学论证图实际应用过程及本研究赋能深度学习的结果目标呈现出一致性与相关性。问题解决教学操作模型的起源可追溯至20世纪初，杜威提出的“反省思维五步法”为其奠定了实践基础^[43]。本研究则借鉴陈婷等提出的基于问题解决的深度学习模型，涵盖了从情境激活、理解加工、问题提出到迁移应用及解决的完整流程^[44]。

2. 论证驱动探究教学模式

论证驱动探究教学模式（Argument-Driven Inquiry，ADI）由桑普森于2008年首次提出，最初应用于中学生物课堂，旨在通过实验探究与科学论证的结合促进学生理解科学本质^[45]。2011年，沃克等将其推广至其他学科，奠定了该模型在跨学科与多学科应用的理论基础^[46]。ADI强调通过“探究—论证—反思”闭环实现知识的社会化建构，其核心理念是让学生在实验、论证研讨与反思性协作中切换状态，还原真实科研历程，将证据、推理与结论之间关联外显化呈现，且期望在学习过程能够迈向沉浸性的论证^[47]。可见，ADI教学模式与数智化科学论证图的应用在理念与实践层面存在多方面的契合，能有效指导工具的融合应用。在操作模型方面，拉哈尤提出的八阶段（明确任务→数据收集→初步论证→论证会议→调查报告→同行评议→修订报告→反思讨论）具有通用性与代表性^[48]，为本研究的模型构建提供指导。

（二）模型构建

本研究将问题解决与ADI教学模式同数智化科学论证图深度整合，以论证图为认知支架，引导学习者在问题解决中开展论证，从而有效驱动深度学习的发生。为了突破ADI教学模式在情境真实性与论证连续性上的不足，本研究以真实问题为脉络，以协作论证的交互形式开展学习，此举不仅契合科学探究的本质，还能够促进数智化科学论证图的应用，且从一定程度上缓解问题解决过程中协作交流可能出现的边缘效应。此外，面对ADI教学模型以讨论、写报告等方式实施，不仅对学习者提出较高要求，而且加重了学生的学习负担和课堂压力。对此，数智化科学论证图作为既能促进认知与能力发展的数字工具，又能展现问题解决全过程的重要成果，在帮助学习者相互理解从而提升评价准确性的同时，还可代替研究报告成为类似项目式学习最终所产出的成果。

基于上述，研究通过优化与整合构建起由问题呈现与识别、观点形成与确立、信息获取与整合、组间分享与论证、重构总结与评价五个环节组成的数智化科学论证图赋能深度学习应用模型，如图3所示。由于环节间存在严密的顺序性与累积性，分阶段的评价指导至关重要。数智化科学论证图既能支持逻辑论证与混合式协作，又能将隐性思维转化为可供AI分析的结构化数据，从而助力教师实现基于循证的精准教学与个性化支持。

（三）模型应用与阐释

基于数智化科学论证图赋能深度学习发生的应用模型通过在研究实践中的迭代与优化，最终构建起如图4所示的学生个体、学习小组、教师的具体操作流程。

1. 问题呈现与识别

在问题呈现与识别阶段，教师首先需将复杂真实的情境问题准确地呈现给学习者。对学习者而言，真实问题情境常伴随非良构特征（问题复杂、目标模糊多变等），但这类情境恰恰能激发问题解决意识与探究兴趣，提升学习投入度，同时为发挥数智化科学论证图的优势创造了适配场景。学习者依托已有经验主动沉浸于问题情境，在数智化科学论证图支撑下，精准简洁地填充自身对问题类型、目的、含义等方面的认识。在此基础上，学习者通过协作论证将综合性复杂问题细化分解，推动劣构问题向良构问题转化，并清晰地填充在论证图中作为问题解决的目标，为学习小组提供明确的探究方向。以此，充分调动协作、沟通及批判性思维能力，维持学习投入从而促进深度学习的发生。在此过程中，教师还需实时聚焦于课堂出现的问题与论证图的绘制情况，为学习者提供个性化指导。

2. 观点形成与确立

在观点形成与确立阶段，教师依据学习者的认知水平提供预设素材，并辅以适宜的讲解支架。学习者提出观点的过程并非一蹴而就，是通过对新知识的理解与内化，以及将零散化、片段化的思考整合，从而产出观点（基于证据）的过程。在此期间，数智化科学论证图发挥关键的辅助作用，能够帮助学习者梳理零碎观点，避免思维混乱。随后，学习小组依托数智化科学论证图的在线协作功能，对成员观点展开深度的分析、批判与反驳，通过即时呈现讨论要点，在协作论证中逐步达成共识，并据此确定实验流程、论据获取计划等具体细节，最终形成问题解决的路径。在此过程中，教师专注于对突发问题提供个性化指导，学生个体亦可通过与AI的交互问答得到解答或启发。这一过程不仅实现了新旧经验的融合建构与迁移应用，更综合调动学习者的思维能力。

3. 信息获取与整合

在信息获取环节，各学科信息获取路径差异显著，生物学科常依托科学史或实验资料，物理与化学则多基于实验操作与现象记录。因此，教师应结合教学目标，组织适配的信息获取方式。步入信息整合阶段，实验现象等渠道获取的文本资料需经剖析、归纳等加工，将浅层信息转化为深层信息并提炼规律，才能用于问题解决，而数智化科学论证图则主要作用于这一过程，学习者依托科学论证图的逻辑结构辅助信息由浅层向深层的转化。随后学习小组开展组内协作，针对论证图映射的问题解决过程进行补充与优化，构建出逻辑严谨且具有团队特色的科学论证图。借助该工具，学习者不仅实现了知识迁移及逻辑推理、协作论证能力的综合调动，更在保障学习投入的基础上促进了深度学习。此外，针对过程中突现的共性或个性问题，教师需及时提供针对性的指导。

4. 组间分享与论证

在组间分享与论证环节，各学习小组汇报代表借助数智化科学论证图进行展示汇报，这不仅能够提升语言流畅性、精准性，也帮助学生精准地理解和认知，促进学习者知识有效建构。对其他小组成员而言，需批判性地分析并提出不同的见解或反驳的观点，而汇报组的其他成员需要通过寻找新的论据等方式来维护原有的观点，以此展开小组间的论证，并在过程中产生思维的碰撞与延伸。本环节不仅为学习者提供创造性交流的机会，还联结知识概念与情境，以此完善、修正各团队的科学论证图，从而实现学习投入的高度激发、经验的迁移应用以及协作交流、批判、创造等思维的调动，促使深度学习的有效发生。对教师而言，则专注营造自由平等的论证氛围，在适当时机引导学习者深入思考且积极参与讨论，还要在面对观点碰撞时，激发学习者理性思辨意识，引导学习者基于证据展开辩论。

5. 重构总结与评价

经集体智慧融合绘制的数智化科学论证图虽能深化逻辑与知识，但因其详尽记录了过程性内容，并不适宜作为后续巩固的载体。因此，在重构总结与评价环节，学习者需将团体成果转化为逻辑连贯，且聚焦核心内容的个人论证图。这一重构旨在促进知识的再次建构与应用，实现对问题解决历程的回顾与反思。最终，学习者将产出两项成果，即记录完整解决路径的科学论证图以及基于核心逻辑的总结性论证图，二者均能映射学习者多维度的表现，能够帮助师生开展有效评价。值得注意的是，评价本身即是对知识应用的深化，对论证图的评价实则是学习者基于知识开展批判的过程，对提升批判性思维具有积极影响。期间，教师需以个体重构的论证图为基础，协同人工智能开展针对性指导，确保图谱内容与逻辑的科学严谨。学习者通过对核心论证图的重构与科学论证图的评价，促进了知识巩固与思维调动，从而达成深度学习的目标。

（一）实验设计

本研究采用准实验设计。选取G省L市M中学初三年级两个平行班，实验班（47人）与对照班（48人）为研究对象。研究团队通过Process On协作平台与DeepSeek-R1大模型构建数智化科学论证环境，与教师共同开展教材分析与学情诊断，选取初中九年级化学中的核心主题（氧气与空气、二氧化碳等）开发实践案例。研究开展为期一学期的教学对比实验，实验班应用该数智环境与案例开展教学，对照班则采用传统模式。为确保实验效度，在实验前实施两课时的工具应用培训，内容涵盖工具操作、论证模型熟悉等，以此控制技术应用熟练度带来的偏差。有关深度学习的评价工具采用《中小学生深度学习问卷》^[49]，该问卷信效度经严格验证，总问卷及各维度Cronbach's α系数均高于0.90（总量表达0.975），表明问卷具有极佳的内部一致性与信度^[1]。