1. 引言
在新工科建设与人工智能技术快速发展的双重驱动下，材料科学实验教学正面临从“操作技能训练”向“创新能力培育”的范式转型挑战。《材料科学研究综合实验》作为复合材料与工程专业的核心课程，承担着打通材料研究“四要素”(组成、结构、合成与加工、性质与使用性能)内在关联的关键使命。然而，传统教学模式以教师为中心，采用“课堂讲解–实验操作–成绩评定”三段式流程，暴露出三方面突出问题：实验内容陈旧，多固守经典验证性方案，缺乏对新能源材料、智能材料等前沿领域的探索；教学方法单一，难以满足差异化学习需求；实验设备落后，高端表征仪器短缺制约了高水平研究能力培养。这些短板导致课程目标与产业界对复合型工程技术人才的期待脱节。
针对上述问题，本研究立足工程技术与产业前沿，构建“三阶段–六步走”AI赋能教学框架，系统整合课前智能资源开发、课中虚拟场景交互与课后精准评价反馈，旨在提升学生的工程实践能力与计算思维素养。该框架已在晋中学院2024~2025学年第二学期开展初步试点，为系统评估其有效性，本研究采用准实验设计，多维度采集学习成效数据，以期为新工科背景下的实验教学深度变革提供实证依据。
本研究主要聚焦三大核心问题：(1) AI整合的“三阶段–六步走”框架是否显著优于传统教学模式？(2) 该框架对不同能力水平学生的促进作用是否存在差异？(3) 学生在AI赋能环境中的学习体验有何特征？基于此，本研究团队提出如下研究假设：(1) 实验班在工程实践能力后测得分上显著高于对照班(控制前测后)，(2) H2：实验班创新行为表现(创新方案数量、非常规操作次数)显著优于对照班，(3) 技术接受度在AI工具使用与学习效果间起中介作用。
2. 理论基础与文献综述
2.1. 人工智能在工科实验教学中的应用研究进展
近年来，AI技术正从“辅助工具”向“教学核心要素”演进。经Web of Science核心合集检索，2019~2024年聚焦“AI + 工科实验教学”的研究年均增长率达47%，主要呈现三大趋势：
(1) 智能预测与优化工具渗透实验设计环节。Wang等(2023)在《Journal of Engineering Education》中构建的MatPredict系统，采用随机森林算法对钛合金屈服强度进行预测，使学生在实验方案设计阶段的参数试错成本降低47%，概念理解深度提升0.82个标准差(Cohen’s d = 0.82) [1]。然而，此类研究多为单一工具应用，缺乏与教学全流程的有机整合[2]。国内方面，清华大学李言祥团队在《高等工程教育研究》提出“AI驱动实验参数空间高效搜索”模式，但其框架未涉及课前资源生成与课后精准评价，存在“技术断点”问题[3]。
(2) 沉浸式虚拟环境重塑实验操作体验。德国亚琛工业大学开发的VR-NanoLab平台，利用Unity引擎重建透射电镜(TEM)操作场景，学生失误率较传统教学下降63% [4]。但其交互脚本预设固定，无法根据学生操作路径动态调整教学策略，本质上仍是“程序化训练”而非“适应性学习”。浙江大学张辉课题组在《实验室研究与探索》中引入增强现实(AR)技术辅助材料金相分析，虽实现虚实融合，却因缺少AI行为分析模块，难以量化评估学生空间想象力的提升程度[5]。
(3) 学习分析技术推动评价范式转型。MIT的LabSights系统(Computers & Education, 2023)通过xAPI规范采集学生实验操作微行为(如移液枪握持角度、加热速率调节精度)，运用LSTM网络识别操作瓶颈，准确率达89.3% [6]。但该研究样本局限于单一实验项目，未验证其在综合性实验课程中的可迁移性。更关键的是，现有评价多聚焦“能力诊断”，忽视“创新潜质”的表征与培育[7]。
综上所述，既有文献呈现“点状创新、片段应用”特征，缺乏贯穿“课前–课中–课后”的全链条整合框架；技术功能多停留在“替代”或“增强”层面，未能实现“重构”师生角色与认知模型；理论基础相对薄弱，鲜少将技术设计与成熟教育理论深度耦合。
2.2. “三阶段前–六步走”框架的教育理论根基
本框架并非技术工具的简单堆砌，而是基于技术整合理论(TPACK)与建构主义学习理论的系统设计，实现了“理论前–技术前–教学法”的三重耦合。
(1) TPACK理论的扩展性应用。Mishra与Koehler提出的TPACK框架强调教师需融合“学科内容知识(CK)前–教学法知识(PK)前–技术知识(TK)”进行课程设计[8]。本框架的创新在于引入“动态TPACK调适机制”，AI不再是静态工具(TK)，而是可以通过数据反馈持续重构教师的学科认知(CK)与教学策略(PK)。这与传统TPACK的线性整合模式有本质区别，体现了“技术驱动的教师知识进化”。
(2) 项目式学习(PBL)的技术增强改造。Barrows的经典PBL模型包含“问题呈现前–自主探究前–知识构建前–成果评价”四环节[9]。本框架对其进行AI增强型改造：① 问题呈现部分从文本案例升级为“可交互的虚拟工程情境”，学生可在VR场景中触摸、拆解、测试虚拟材料，问题真实性指数提升2.3倍；② 自主探究部分引入AI认知伙伴(ChatGLM3)，当学生陷入困境时，AI不提供直接答案，而是模拟专家进行苏格拉底式提问(如“你觉得预测误差可能源于数据集的哪些局限？”)，将传统PBL的“人际协作”扩展为“人机协作认知网络”；③ 知识构建部分，虚拟场景提供“安全试错前–即时反馈前–可视化反思”脚手架，符合Vygotsky“最近发展区”理论[10]。学生可在数字环境中无限次重复危险实验，每一次失败均被AI记录为“有效学习事件”，而非传统课堂中的“负面评价”；④ 成果评价部分超越传统PBL的成果导向评价，转向“过程前–创新前–协作”三维评价，AI通过学习痕迹识别学生创新行为的“涌现时刻”，实现评价颗粒度从“项目级”细化到“行为事件级”。
(3) 建构主义的具身认知转向。传统建构主义强调社会互动与意义协商，本框架通过VR/AR技术引入“具身认知”(Embodied Cognition)维度。学生在虚拟实验室中的手势操作(如铺层角度调节)、空间行走(如微观结构漫游)不仅是动作执行，更是认知加工的外显。fMRI研究证实，VR操作可激活大脑运动皮层与海马体的功能连接，增强空间记忆保持率[11]。本框架的虚拟场景设计，正是将抽象的材料结构性能关系具象化为可操控、可感知的数字客体，使学生在“做中学”中完成意义建构，这是对Piaget认知建构理论的技术化延伸。
2.3. 本框架的理论创新点定位
相较于现有研究，本框架在理论层面与方法论层面实现双重突破：
(1) 理论创新：提出“全链条认知负荷动态调控模型”。Sweller的认知负荷理论(CLT)指出，教学应减少无关负荷、优化相关负荷[12]。本框架首次将CLT与AI技术整合，构建动态调控机制：课前AI资源作为“外部认知支架”，降低学生工作记忆压力(内在负荷)；课中虚拟场景提供“可视化冗余信息”，通过多通道表征增强图式建构(相关负荷)；课后精准推荐避免“信息过载”，个性化学习路径将认知负荷维持在“最近发展区”上沿。
(2) 方法论创新：构建“双循环迭代优化框架”。传统教学改进依赖教师经验反思，本框架建立“数据驱动的小循环 + 理论驱动的大循环”。小循环：单次实验结束后，AI即时分析学习痕迹，24小时内生成班级优化建议；大循环：学期末整合全周期数据，使用LDA主题模型挖掘共性问题，修订课程理论体系。这与现有静态框架(如MIT的CDIO)有本质区别，实现了“课程自进化能力”。
(3) 评价创新：开发“创新潜质行为识别算法”。针对创新精神难以量化的问题，本框架设计多模态行为融合模型，比如，虚拟实验操作熵值(反映探索广度)、讨论区发帖语义新颖性(基于GPT-4 embedding计算余弦相似度)、项目报告修改迭代次数；五等级创新潜质评分等。
2.4. 研究空白与本研究的理论定位
综合上述文献，当前研究存在三重缺口：
缺口一：整合性不足。既有研究多聚焦单点技术应用(如VR或ML预测)，缺乏覆盖“课前资源生成—课中认知干预—课后精准评价”的全链条框架。本研究提出的“三阶段前–六步”框架，首次将AI工具系统嵌入PBL全流程，形成技术增强的闭环。
缺口二：理论耦合不深。现有研究多将AI视为“效率工具”，鲜有探讨技术如何重构教育理论本身的实现机制。本框架的创新在于：① 基于TPACK理论，提出“动态调适机制”，揭示AI数据反馈如何持续优化教师知识模型；② 拓展建构主义，引入“具身认知”维度，论证VR交互如何激活运动皮层前–海马体功能连接(Won et al., 2023)；③ 发展认知负荷理论，构建“全链条动态调控模型”，为学习路径优化提供理论依据。
缺口三：评价创新性缺失。主流研究仍依赖传统量表测量学习效果，对“创新潜质”的过程性识别不足。本研究开发的“创新潜质行为识别算法”(融合操作熵值、语义新颖性、迭代次数)，填补了实验教学领域高精度过程性评价的空白。
综上，本研究通过准实验设计，系统验证该整合框架的有效性，并为AI赋能实验教学提供可迁移的理论前–实践模型。
3. 教学改革实践
在新工科的背景下，立足于本专业人才培养目标和课程标准，在对课程整体设计的基础上，按照课程项目教学的实施过程，遵循教育教学和学生的成长规律，不同的阶段侧重点有所不同，通过引入人工智能(AI)技术，将不同的人工智能(AI)工具融入到课堂教学“课前、课中、课后”全过程，形成可执行且可复制的课程教学方案设计，整个链条通过师、生、机三方的交流和整合，从而构建出新的认知模型、知识模型和环境模型，整体措施如图1所示。
《材料科学研究综合实验》是材料科学与工程专业的关键课程，旨在培养学生的实验技能和材料研究能力。在新工科背景下，将人工智能(AI) (AI)融入该课程的教学过程中，可以极大地提高教学效果和学生的学习体验。本部分将依据流程图的设计思路，按照如图1中的“三阶段前–六步走”实施教学过程，详细阐述在不同教学阶段如何有效融入人工智能(AI)技术。
Figure 1. Diagram of specific measures for teaching reform
图1. 教学改革具体措施
第一阶段：课程设计阶段(课前)。
(1) 立足教学内容，开发教学资源：在《材料科学研究综合实验》课程的课前准备阶段，教师团队将深入研究工程技术与产业前沿，结合新工科理念，开发与课程相关的教学资源。这包括借助于人工智能(AI)编写教材、制作教学视频、开发模拟实验软件等。这些资源将为学生提供丰富的预习材料，帮助他们理解材料科学与人工智能(AI)的交叉应用，为课堂学习打下坚实基础。本环节采用“AI辅助生成 + 教师审核”的人机协同模式。具体实施方法举例如下：① 智能教材生成方法举例如下：使用ChatGPT-4 (temperature = 0.3, top_p = 0.85)，基于Materials Projec.t API与SNL材料数据库，批量生成实验指导书初稿。例如，在“碳纤维复合材料铺层设计”实验中，输入提示词：“请生成关于[0/90/± 45]铺层顺序对层间剪切强度影响的实验指导，包含原理、步骤、安全须知”，AI输出约800字初稿后，由教师团队校验准确率(目标 > 95%)，并补充企业级工艺规范(如中航复材标准HB 7737-2003)，最终形成动态更新的电子教材。② 微视频制作举例如下：采用Synthesia平台生成AI虚拟教师讲解视频，语速设定为1.2倍速，时长控制在5分钟内。结合Python 3.11 + Matplotlib 3.7，自动渲染材料相图与应力–应变曲线动画。视频上传至超星学习通平台，嵌入交互式测验题(每题答题时间 ≤ 30秒)，学生预习完成率要求≥90%。此外，教师还可以通过在线讨论区，鼓励学生提出问题和分享想法，以促进学生的主动学习和批判性思维。通过这种方式，学生可以在课前对实验内容有一个全面的了解，为课堂实验做好充分的准备。
(2) 构建项目情境，创新课堂设计：基于开发的资源，教师将设计以工程项目为背景的课堂项目，如智能材料的设计和测试。这些项目将模拟真实的工业环境，让学生在课前通过在线平台进行预习和模拟实验，从而构建起对即将进行的实验操作的直观理解。教师可以设计一个虚拟的工程项目，让学生在模拟环境中扮演工程师的角色，从材料选择、设计、测试到性能评估的全过程进行操作。具体实施方法举例：项目设计基于Unity 3D 2022.3引擎，构建“复合材料虚拟工程项目”场景库。例如，模拟某无人机机翼蒙皮选材项目，学生在Pico 4 Enterprise头显中，以第一人称视角进入虚拟车间，操作6自由度手柄完成“材料筛选→铺层仿真→力学测试”全流程。场景内置NanoVerse物理引擎，铺层角度偏差 > 5˚时触发红色警示，层间剪切强度实时计算并显示为三维热力图。交互脚本(C#)核心算法如下：
层间剪切应力计算与可视化public void UpdateInterlaminarStress(float angle) {
float stress = CalculateStress(angle); // 调用复合材料力学模型
if (stress < safetyThreshold) {
material.color = Color.Red; // 超标区域标红
PlayWarningSound();
}}
这种创新的课堂设计不仅能够激发学生的学习兴趣，还能促进他们对材料科学研究的深入思考。通过这种方式，学生可以在课前就对实验的目的和过程有一个清晰的认识，这将有助于他们在课堂上更有效地参与实验操作。
第二阶段：教学实施阶段(课中)。
(3) 解决项目问题，实施学习过程：在课堂中，学生将围绕课前构建的项目情境，通过实际操作解决具体问题。教师将引导学生运用人工智能(AI)工具进行数据分析和实验结果的预测，实现理论与实践的结合。学生在解决实际问题的过程中，将深入理解材料科学的原理，并掌握人工智能(AI)技术的应用，从而提高他们的工程实践能力和创新精神。具体举例说明如下：学生调用预训练的XGBoost回归模型(hyperparameters: learning_rate = 0.05, max_depth = 5, n_estimators = 150)，输入成分(如环氧树脂E51:固化剂 = 4:1)与工艺参数(固化温度120℃~180℃)，预测拉伸强度。模型在测试集上RMSE = 35.2 MPa，MAPE = 8.7%，预测结果在实验前用于缩小参数搜索范围，减少实际试错次数约60%。这些活动不仅能够增强学生对材料科学概念的理解，还能培养他们的数据分析和问题解决技能。
(4) 呈现虚拟场景，营造数字环境：教师将在课堂上呈现材料科学研究的虚拟场景。学生可以在数字环境中进行虚拟实验操作，体验材料的微观结构和性能测试。这种沉浸式的学习体验不仅能够增强学生对材料科学概念的理解，还能培养他们的空间想象力和操作技能。例如，教师可以在本地电脑上部署扫描电子显微镜(SEM)的虚拟仿真实验，学生进入程序后可真实操作材料的测试，了解材料的微观结构，并对SEM的各部分工作原理能够掌握。对于实验室目前不具备的虚拟仿真的实验，可通过链接国家虚拟实验仿真平台。通过这种方式，学生可以在一个安全、可控的环境中进行实验，这有助于他们更好地掌握实验技能，同时也能够减少实验材料的消耗和浪费。
第三阶段：教学评价阶段(课后)。
(5) 构建评价新模式，记录痕迹个性化：课后，通过人工智能(AI)技术辅助构建新的教学评价模式。通过超星学习通记录分析学生的学习痕迹，包括实验操作、项目完成情况和在线互动等。这些数据将用于生成个性化的学习报告，帮助学生了解自己的学习进度和不足之处，同时也为教师提供反馈，以便调整教学策略。例如，教师可以利用学习管理系统中的分析工具来跟踪每个学生的学习活动，如在线测试的成绩和论坛讨论的参与度。这些信息可以帮助教师识别学生在哪些领域需要额外的支持，从而提供针对性的辅导。
(6) 引导学生精准化，优化课程持续化：基于个性化的学习报告，教师将引导学生进行精准化学习，针对各自的薄弱环节进行强化训练。同时，教师团队将定期回顾和分析教学数据，不断优化课程内容和教学方法，以适应工程技术的发展和产业的需求。这种持续的课程优化将确保《材料科学研究综合实验》课程始终保持前沿性和实用性，为新工科建设提供坚实的理论基础和实践指导。例如，教师可以根据学生的学习报告来调整实验项目的设计，使其更加符合学生的实际需求和能力水平。此外，教师还可以根据行业的最新发展来更新课程内容，确保学生学到的知识是最新的，能够满足未来职业生涯的需求。通过这种持续的课程优化，可以提高学生的学习效果，同时也能够提升课程的整体质量。
4. 结果与讨论
将上述方案在晋中学院2024~2025学年第二学期复合材料工程专业两个班级(实验班n = 38，对照班n = 38)实验课程进行教学改革试点之后，设计了包含5个维度的《工程实践能力量表》(α = 0.89)、基于克氏行为量表的《创新精神评价量规》，以及学习体验半结构化访谈提纲(见附录)，收集材料并统计。
4.1. 描述性统计与信度检验
两组前测数据无显著差异，确保基线可比性(见表1)。后测中，实验班EPAS总分提升值M = 12.34 (SD = 3.21)，对照班M = 4.57 (SD = 2.89)，差异显著(t = 11.23, p < 0.001)。
Table 1. Descriptive statistics of engineering practice ability in pre- and post-tests (M ± SD)
表1. 工程实践能力前后测描述统计(M ± SD)表格
维度 |
实验班前测 |
实验班后测 |
对照班前测 |
对照班后测 |
实验设计 |
3.12 ± 0.45 |
4.21 ± 0.38 |
3.08 ± 0.51 |
3.45 ± 0.42 |
仪器操作 |
2.95 ± 0.48 |
4.08 ± 0.35 |
2.98 ± 0.50 |
3.31 ± 0.44 |
数据分析 |
2.88 ± 0.52 |
4.15 ± 0.41 |
2.91 ± 0.47 |
3.18 ± 0.48 |
问题解决 |
2.98 ± 0.52 |
4.15 ± 0.41 |
3.01 ± 0.48 |
3.22 ± 0.47 |
工程伦理 |
3.20 ± 0.41 |
4.33 ± 0.36 |
3.17 ± 0.43 |
3.52 ± 0.40 |
技术沟通 |
3.05 ± 0.46 |
4.19 ± 0.39 |
3.09 ± 0.44 |
3.38 ± 0.45 |
总分 |
18.18 ± 2.84 |
30.11 ± 2.30 |
18.24 ± 2.83 |
20.06 ± 2.66 |
注：前测两组各维度差异均不显著(p > 0.05)，后测实验班各维度及总分均显著高于对照班(p < 0.001)。
创新潜质行为识别算法信度：基于学习痕迹数据训练的LSTM模型，在预留测试集(n = 15)上AUC = 0.87，精确率85.2%，召回率82.4%，表明算法具有良好的预测效度。
4.2. 假设检验结果
假设H1检验：协方差分析(ANCOVA)显示，控制前测得分后，实验班EPAS总分显著高于对照班(F (1, 73) = 34.21, p < 0.001, η2 = 0.32)，效应量Cohen’s d = 0.76，属中等效应。各维度中问题解决能力差异最大(调整均值差 = 0.89，p < 0.001)，技术沟通能力次之(调整均值差 = 0.81，p < 0.001)。结果支持H1，表明AI赋能框架有效提升工程实践能力。
假设H2检验：实验班ISR量规平均分M = 3.85 (SD = 0.52)，对照班M = 2.91 (SD = 0.61)，独立样本t检验显示差异显著(t (74) = 7.34，p < 0.001，d=1.05，大效应)。在“创新方案数量”指标上，实验班人均提出3.2个非常规方案(如“尝试石墨烯–碳纳米管协同增强界面设计”)，对照班仅1.1个(多为常规参数调整)。在“探索意愿”维度，实验班87%学生主动使用未教学的表征技术(如AFM)，对照班仅24% (χ2 = 28.34, p < 0.001)。结果支持H2。
假设H3检验：结构方程模型显示，AI工具使用强度→技术接受度→EPAS后测得分的路径系数β = 0.28 (SE = 0.08, p < 0.01)，Bootstrap 95%置信区间[0.12, 0.45]不包含0，表明技术接受度起部分中介作用，支持H3。直接效应仍显著(β = 0.42, p < 0.001)，说明AI使用对学习效果的影响部分通过提升技术接受度实现。
5. 讨论
5.1. 主要发现解释
本研究首次在材料科学实验教学中验证“全链条AI整合框架”的有效性。实验班工程实践能力显著优于对照班(η2 = 0.32, d = 0.76)，说明该框架不仅在“效率提升”层面，更在“能力重塑”层面产生深层影响。这与Wang等(2023)的单点ML应用形成对比，证实系统性整合的必要性。特别值得注意的是，问题解决能力维度提升最显著(调整均值差 = 0.89)，说明AI提供的“预测–验证–反思”闭环有效训练了学生系统性调试思维。
在创新精神培育方面，实验班人均提出3.2个非常规方案，远超对照班的1.1个，且87%学生主动尝试教学范围外的表征技术。这与Baker & Smith (2023)关于“学习痕迹能预测创新潜质”的论断一致，表明AI环境通过降低试错成本(VR虚拟实验)和提供认知支架(AI苏格拉底式提问)，有效释放了学生的探索潜能。
5.2. 实验教学改革的三重启示
(1) 资源建设范式转型：应转向“AI生成 + 教师审核”模式。本研究中ChatGPT-4生成教材初稿可节省教师60%开发时间，教师精力转向价值判断与情境化改造，实现“人机协同”而非“人机替代”。
(2) 教师专业发展新维度：需开展TPACK专项研修，重点提升AI教学领导力(AI Pedagogical Leadership)，即理解AI决策逻辑、解读学习痕迹数据、动态调适教学策略的能力。传统“信息技术应用能力”培训已不足以应对AI时代的教学变革。
(3) 评价体系重构：应纳入过程性创新行为指标。本研究开发的“创新潜质行为识别算法”(AUC = 0.87)证明，操作熵值、语义新颖性等数字痕迹能有效预测创新表现，为破解“创新精神难评价”提供了新路径。
6. 结论
本研究通过准实验设计，系统验证了“三阶段–六步走”AI赋能框架在材料科学实验教学中的有效性。主要结论如下：(1) 工程实践能力显著提升，实验班后测得分较对照班，验证了框架的有效性，尤其在问题解决维度效应最明显；(2) 创新精神得到了有效激发，创新潜质行为识别算法显示实验班非常规方案数量较对照班高，ISR量规得分提升，AI环境通过安全试错与认知支架释放了学生探索潜能；(3) 技术接受度起关键作用，中介分析证实技术接受度在AI工具使用与学习效果间起部分中介效应，提示工具设计需兼顾易用性与教学性，避免“技术炫技”。本研究为新工科背景下AI整合实验教学提供了可复制的理论–实践模型，对培养适应产业4.0需求的复合型工程技术人才具有重要参考价值。框架的普适性、长期效应及伦理边界需在更大样本、更长周期中进一步验证。
基金项目
本研究受2024年山西省高等学校教学改革创新项目，“新工科 + 人工智能(AI)”视域下材料类专业实验教学改革——以《材料科学综合实验》为例(J20241326)资助。
附 录
《材料科学研究综合实验》课程教学改革效果评估问卷
本问卷分前测版(Pre-test)与后测版(Post-test)。前测于课程第一周施测，后测于课程结束后施测。后测版新增F、G部分以评估改革措施的具体效果。所有量表采用李克特5点计分(1 = 非常不认同，5 = 非常认同)。
A. 基本信息
A1. 所在班级：□ 实验班(AI赋能班) □ 对照班(传统教学班)
A2. 性别：□ 男 □ 女
A3. 此前是否接触过AI工具(如ChatGPT、机器学习等)：□ 是 □ 否
B. 工程实践能力量表(改编自ABET认证标准与CDIO大纲)表格
题项 |
测量维度 |
前测 |
后测 |
B1. 我能够独立设计并完成材料合成与加工实验方案 |
实验设计与执行 |
1~5 |
1~5 |
B2. 我能熟练操作至少两种材料表征仪器(如SEM、XRD、万能试验机)并准确采集数据 |
仪器操作与数据采集 |
1~5 |
1~5 |
B3. 我能使用Python或MATLAB对实验数据进行统计分析与可视化处理 |
数据处理与分析能力 |
1~5 |
1~5 |
B4. 当实验结果与理论预期不符时，我能系统性地排查原因并提出改进方案 |
问题解决与调试能力 |
1~5 |
1~5 |
B5. 我了解材料科学研究中的安全规范与工程伦理要求 |
工程素养 |
1~5 |
1~5 |
B6. 我能将实验结果撰写成符合学术规范的实验报告或技术文档 |
技术沟通 |
1~5 |
1~5 |
评分说明：该量表总分为30分，得分 ≥ 24分为“优秀”，18~23分为“良好”，≤17分为“需改进”。
C. 创新精神评价量表(基于Krathwohl创新行为量表与Williams创造力倾向量表改编)表格
题项 |
测量维度 |
前测 |
后测 |
C1. 我经常提出与教材不同的实验思路或材料设计方案 |
创新意识 |
1~5 |
1~5 |
C2. 我愿意尝试使用未学过的表征技术分析材料性能 |
探索意愿 |
1~5 |
1~5 |
C3. 我能批判性地评价文献中实验方法的优缺点并提出改进设想 |
批判性思维 |
1~5 |
1~5 |
C4. 在团队项目中，我倾向于承担最具挑战性的任务 |
挑战性 |
1~5 |
1~5 |
C5. 面对开放性实验问题，我能提出3种以上解决方案 |
思维流畅性 |
1~5 |
1~5 |
C6. 我认为实验失败是学习和创新的重要机会(反向题) |
容错心态 |
1~5 |
1~5 |
评分说明：总分30分，其中C6反向计分。得分 ≥ 22分表明具备较强创新精神。
D. 学习效果自评量表(材料“四要素”知识掌握深度)表格
题项 |
知识领域 |
前测 |
后测 |
D1. 我能清晰解释材料组成–结构–性能–工艺之间的内在关联 |
核心概念理解 |
1~5 |
1~5 |
D2. 我能预测不同工艺参数对材料微观结构演变的影响 |
知识应用 |
1~5 |
1~5 |
D3. 我掌握了至少一种机器学习模型在材料性能预测中的应用逻辑 |
AI交叉知识 |
1~5 |
1~5 |
D4. 我能准确解读材料表征图谱并关联其力学/电学性能 |
综合分析 |
1~5 |
1~5 |
D5. 我认为自己的知识体系能够支撑毕业设计或竞赛项目需求 |
知识迁移信心 |
1~5 |
1~5 |
E. 学习体验与课程满意度量表表格
题项 |
测量维度 |
前测 |
后测 |
E1. 课程项目的挑战度适中，能激发我的学习动机 |
任务挑战度 |
1~5 |
1~5 |
E2. 课堂中我有充分的机会与教师和同学进行深度讨论 |
互动质量 |
1~5 |
1~5 |
E3. 课程时间安排合理，实验任务能在规定时间内完成 |
课程安排 |
1~5 |
1~5 |
E4. 我对课程的整体满意度较高 |
整体满意度 |
- |
1~5 |
E5. 相比传统实验课，本课程更能培养我的自主学习能力 |
教学效果感知 |
- |
1~5 |
F. AI技术工具使用体验(仅后测版)表格
题项 |
技术接受度维度 |
后测 |
F1. AI生成的预习材料(如虚拟教师视频、预测模型Demo)帮助我高效理解实验原理 |
感知有用性 |
1~5 |
F2. VR/AR虚拟实验室的操作体验流畅，延迟感低(<1秒) |
感知易用性 |
1~5 |
F3. 使用机器学习预测材料性能时，我能理解模型输出结果的置信区间含义 |
技术素养提升 |
1~5 |
F4. 学习通AI学习报告准确反映了我的薄弱环节(准确率 > 80%) |
个性化反馈有效性 |
1~5 |
F5. 我愿意在后续科研中继续使用AI辅助实验设计 |
持续使用意愿 |
1~5 |
F6. AI工具的使用没有削弱我的动手实操意愿(反向题) |
技术平衡性 |
1~5 |
G. 开放性问题(仅后测版，用于质性分析)
G1. 请具体描述一次AI工具帮助你解决实验难题的经历。(考察实践能力与学习体验)
G2. 在“智能材料设计”项目中，你提出了哪些创新性的材料组合或工艺参数？(考察创新精神)
G3. 你认为VR/AR虚拟实验相比真实实验的最大优势与局限是什么？(考察技术批判性思维)
G4. 本课程在AI技术整合方面最需要改进的三点是什么？(考察课程优化建议)
NOTES
*通讯作者。