Η Συνεισφορά της Μηχανικής Προτροπών με Μεγάλα Γλωσσικά Μοντέλα στην Ανάπτυξη Δεξιοτήτων Επιστημονικού Συλλογισμού στο Μάθημα της Φυσικής

PDF
Δημοσιευμένα: Apr 19, 2026
DOI: https://doi.org/10.12681/codiste.9894
Λέξεις-κλειδιά:
δεξιότητες επιστημονικού συλλογισμού επίλυση προβλήματος μεγάλα γλωσσικά μοντέλα μηχανική προτροπών
Αντώνιος Ματσίγκος
Πανεπιστήμιο Αιγαίου
https://orcid.org/0009-0003-1399-3582
Γεώργιος Κρητικός
Πανεπιστήμιο Αιγαίου
https://orcid.org/0000-0002-1390-977X
Περίληψη

Η παρούσα έρευνα εξετάζει τον ρόλο της μηχανικής προτροπών (prompt engineering) με τα μεγάλα γλωσσικά μοντέλα (Large Language Models-LLMs), όπως το ChatGPT-4, ως μαθησιακό εργαλείο για την ανάπτυξη δεξιοτήτων επιστημονικού συλλογισμού και την ενίσχυση της ικανότητας επίλυσης προβλημάτων Φυσικής σε μαθητές δευτεροβάθμιας εκπαίδευσης. Βασικός στόχος της έρευνας είναι να ενσωματώσει τα μοντέλα τεχνητής νοημοσύνης στις παραδοσιακές μεθόδους διδασκαλίας, ως «υποστηρικτές» της μάθησης σε ένα μαθητοκεντρικό περιβάλλον. Αξιοποιώντας στρατηγικές της μηχανικής προτροπών, όπως  η αλυσίδα σκέψης (Chain of Thought-CoT), επιδιώκεται η ενίσχυση της κριτικής σκέψης των μαθητών και η κατανόηση θεμελιωδών αρχών της Φυσικής.

Λεπτομέρειες άρθρου
  • Ενότητα
  • Προφορικές Ανακοινώσεις
Λήψεις
Τα δεδομένα λήψης δεν είναι ακόμη διαθέσιμα.
Αναφορές
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big?. Στο Proceedings of the 2021 ACM conference on fairness, accountability, and transparency, σσ. 610-623. https://doi.org/10.1145/3442188.3445922
Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., ... & Zhang, Y. (2023). Sparks of artificial general intelligence: Early experiments with gpt-4. arXiv preprint arXiv:2303.12712. https://doi.org/10.48550/arXiv.2303.12712
Chen, Z., & Klahr, D. (1999). All other things being equal: Acquisition and transfer of the control of variables strategy. Child development, 70(5), 1098-1120.https://doi.org/10.1111/1467-8624.00081
Chi, M. T., Feltovich, P. J., & Glaser, R. (1981). Categorization and representation of physics problems by experts and novices. Cognitive science, 5(2), 121-152. https://www.sciencedirect.com/science/article/pii/S0364021381800298
Jiang, Z., & Jiang, M. (2024). Beyond answers: Large language model-powered tutoring system in physics education for deep learning and precise understanding. arXiv preprint arXiv:2406.10934. https://doi.org/10.48550/arXiv.2406.10934
Larkin, J. H., & Simon, H. A. (1987). Why a diagram is (sometimes) worth ten thousand words. Cognitive science, 11(1), 65-100. https://doi.org/10.1016/S0364-0213(87)80026-5
Lawson, A. E. (1978). The development and validation of a classroom test of formal reasoning. Journal of Research in Science Teaching, 15(1), 11-24. https://doi.org/10.1002/tea.3660150103
Lawson, A. E. (2000). The generality of hypothetico-deductive reasoning: Making scientific thinking explicit. The American Biology Teacher, 62(7), 482-495. https://doi.org/10.2307/4450956
MacIsaac, D. (2023). Chatbots attempt physics homework—chatgpt: Chat generative pre-trained transformer. The Physics Teacher, 61(4), 318-318. https://doi.org/10.1119/10.0017700
Polya, G. (2014). How to solve it: A new aspect of mathematical method. Princeton university press. ISBN: 9780691164076
Sahoo, P., Singh, A. K., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024). A systematic survey of prompt engineering in large language models: Techniques and applications. arXiv preprint arXiv:2402.07927. https://doi.org/10.48550/arXiv.2402.07927
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., ... & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in neural information processing systems, 35, 24824-24837. https://proceedings.neurips.cc/paper_files/paper/2022/file/9d5609613524ecf4f15af0f7b31abca4-Paper-Conference.pdf
White, J., Hays, S., Fu, Q., Spencer-Smith, J., & Schmidt, D. C. (2024). Chatgpt prompt patterns for improving code quality, refactoring, requirements elicitation, and software design. In Generative AI for Effective Software Development, σσ. 71-108. Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-55642-5
Yeadon, W., Inyang, O. O., Mizouri, A., Peach, A., & Testrow, C. P. (2023). The death of the short-form physics essay in the coming AI revolution. Physics Education, 58(3), 035027. https://doi.org/10.48550/arXiv.2212.11661
Zimmerman, C. (2007). The development of scientific thinking skills in elementary and middle school. Developmental review, 27(2), 172-223. https://doi.org/10.1016/j.dr.2006.12.001