基于大语言模型语义相似度的儿童科学绘画规范构建：分布特征与认知一致性研究

为解决儿童科学概念绘画研究中生态效度低、主观性强的问题，北京丰台区第一小学等机构联合采用LLM（Large Language Model）和word2vec算法分析了1420幅涵盖9个科学主题的儿童绘画。研究发现儿童对同一主题的绘画表征具有高度一致性（语义相似度>0.8），但存在与LLM识别准确率无关的"一致性偏差"。研究揭示了课堂实验与教学目标的匹配度是影响绘画表征的关键因素，为儿童科学概念认知研究提供了新的量化范式。

　　

在儿童科学教育领域，绘画长期被视为窥探孩子认知世界的窗口。从法国学者Brechet让250名儿童绘制大脑结构，到意大利团队Marengo通过600幅画作分析校园欺凌，这种非语言表达方式虽有趣却面临两大困境：研究者自创的编码规则难以跨研究比较，而不同人对同一幅画的理解可能天差地别。更棘手的是，现有研究多依赖特定任务诱导绘画，就像让演员按剧本表演，难以捕捉儿童最自然状态下对科学概念的真实理解。

北京丰台区第一小学联合首都师范大学初等教育学院等机构的研究团队，在《Biology Methods and Protocols》发表了一项开创性研究。他们摒弃传统任务导向模式，让1473名4-6年级学生在无提示条件下自由绘制刚学过的9个科学主题（如电路、日食等），随后运用ChatGLM-4.0识别1420幅有效画作，并通过半监督word2vec算法计算语义相似度。这种"去任务化"设计如同给儿童认知世界安装了广角镜头，首次系统揭示了科学概念在儿童笔下的原生形态。

研究采用三大关键技术：1）通过LLM双重独立识别实现绘画内容数字化，验证显示77.4%的识别理由包含画中物体；2）创新性构建"75% Region"指标（将语义相似度矩阵八等分），量化75%数据的集中程度；3）采用Kendall-τ相关系数分析样本量、概念抽象度（通过10位资深教师五点评分）和实验焦点（编码为1=实验即教学目标，2=实验仅为过程）的影响。

电路与太阳系：高共识的正确表达

在"电路"主题中，84.3%的LLM识别准确率与0.9998的语义相似度中位数形成双重验证，表明儿童能准确且一致地用闭合回路表征电流概念（图2）。类似地，"太阳系"主题虽涉及抽象的空间关系，但65%的准确率与近乎为0的"75% Region"显示，儿童对行星位置的理解高度统一（图8）。

沸腾与船载量：集体性认知偏差

令人意外的是，"沸腾"主题出现0%识别准确率与0.967相似度的矛盾现象。研究发现46.15%的儿童将实验器材（酒精灯、烧杯）作为绘画主体（图6），却忽略了水温变化这一核心知识点。类似地，"增加船载量"主题中59.6%的画作聚焦铝箔折船过程（图10），反映出教材设计的"情节转换"导致认知停留在操作层面。

抽象概念的具象突围

面对最抽象的"物理化学变化"主题，儿童展现出两种突围策略：53.8%的画作直接标注概念名称，13.1%完全采用思维导图形式（图18）。加权平均76.19%的课堂内容再现率证实，儿童需依赖具体实例（如水结冰、苹果氧化）理解抽象范畴（图26）。

这项研究建立了首个儿童科学绘画的参照规范，其价值如同为认知研究提供了"标准色卡"。发现的一致性偏差现象警示教育者：当实验活动与教学目标脱节时，儿童可能记住"舞台"而遗忘"剧情"。更深远的是，研究证实LLM在保持结果稳定性（人类识别熵值H_hum=2.188显著高于机器的H_GPT=1.459）方面具有独特优势，为教育评估提供了新工具。正如通讯作者Zhong WANG*在讨论中指出，该成果既呼应了皮亚杰关于具体运算阶段的经典理论，又为STEAM教育如何"可视化抽象任务"提供了实证依据。