Combining physics education and machine learning research to measure evidence of students' mechanistic sensemaking
Kaitlin Gili, Kyle Heuton, Astha Shah, David Hammer, Michael C. Hughes
机器学习(ML)的进步为科学教育研究提供了新的可能性。 我们报告基于ML的工具设计的早期进展,以分析学生的机械感应,从一个与以前在物理教育研究(PER)的工作相一致的编码方案工作,并适应最近使用语言编码器开发的ML分类策略。 我们描述了该工具的试点测试,在三个版本中使用不同的语言编码器,以分析大学生对简短概念问题的书面答复中明显的意义。 结果表明,首先,该工具的感官测量可以与人类编码器达成有用的协议,其次,编码器设计选择需要在准确性和计算费用之间进行权衡。 我们讨论了这种方法的前景和局限性,提供了这种测量方案将来如何为PER服务的例子。 最后,我们反思了使用ML来支持PER研究,对PER和ML之间的共同设计策略持谨慎乐观态度。
Advances in machine learning (ML) offer new possibilities for science education research. We report on early progress in the design of an ML-based tool to analyze students' mechanistic sensemaking, working from a coding scheme that is aligned with previous work in physics education research (PER) and amenable to recently developed ML classification strategies using language encoders. We describe pilot tests of the tool, in three versions with different language encoders, to analyze sensemaking e...
