本文作者为 Amy D. Robertson、Lisa M. Goodhew、Lauren C. Bauman、Brynna Hansen 和 Anne T. Alesandrini，分别来自 Seattle Pacific University 和 University of Washington。文章发表于 Physical Review Physics Education Research 第 19 卷第 2 期，文章编号 020138，于 2023 年 10 月 4 日出版。该文属于方法学论文，旨在为物理教育研究（physics education research, PER）领域的研究者提供一套实用的操作指南，用于从学生书面回答中识别常见的概念资源（conceptual resources），以理解特定物理主题的学生思维。

本文的学术背景根植于物理教育研究的两大传统。一方面，该领域长期关注学生在学习力、能量、电路、波等物理主题时产生的迷思概念（misconceptions）、替代概念（alternative conceptions）或学习困难（difficulties），并据此开发教学策略和概念测量工具。另一方面，资源理论（resources theory）自 20 世纪 90 年代兴起，强调学生的已有想法具有生成性（generativity），可以与正式物理知识建立连续性，而非仅仅被视为错误。Hammer 曾在 2000 年呼吁研究者系统记录和整理学生资源，但直到近年，针对具体物理主题的常见概念资源识别才逐渐成为研究热点。本文作者团队在过去八年中多次迭代出一套识别方法，旨在回应这一呼吁，并为大学物理入门课程的教学提供指导。作者特别指出，该方法最适合回答“学生在推理主题 X 时使用了哪些常见概念资源”这类问题，而不适合探讨身份认同、情感、公平或认知模型等问题。全文围绕“资源”的定义、指导方法设计的三种价值观、七步操作流程以及方法的意义与局限展开。

在方法设计上，作者明确了三条价值观：教学显著性（instructionally significant）、理论一致性（theoretically consistent）和对物理教育研究学科的问责性（accountable to the discipline of PER）。教学显著性要求识别出的资源具有概念性、具体性，并与入门物理学习目标连续，能够帮助教师注意并利用学生的想法。理论一致性要求方法符合资源理论的核心假设，即资源具有情境依赖性（context sensitivity），同一学生或样本在不同情境中可能激活不同的资源，因此不应期望资源具有稳定的个人或群体一致性。学科问责性则体现为借鉴迷思概念研究传统中使用大样本书面回答、寻找主题等做法，并引入双编码者（two coders）以提高编码一致性。

该方法包含七个步骤。第一步是收集学生对开放式概念题（open-ended conceptual questions）的书面回答。作者倾向于使用“解释型”（explain）问题而非“预测型”（predict）问题，因为解释型问题告诉学生现象发生的结果，要求他们说明为什么会发生，从而更直接地引出学生的概念推理。数据收集强调多校来源和多题覆盖，以支持资源具有跨样本和跨问题常见性的判断。作者特别提到 Kanim 和 Cid 对 PER 研究样本同质性的批评，并在自己的研究中注意纳入两年制学院和少数族裔服务机构的学生样本，以提高代表性。

第二步是由两到三名研究者阅读单个问题的部分回答（通常为 10% 或达到饱和），识别针对该问题的细粒度候选资源（candidate resources）。研究者需要先理解学生表达的含义，再将其与正式物理概念建立联系。候选资源通常措辞贴近学生语言，并附有学生回答原文作为例证。一个回答可能包含多个候选资源，资源之间也可能存在重叠或粗细不一的表达。

第三步是将细粒度候选资源归纳为较粗粒度的常见概念资源。这一过程类似于主题寻求（theme seeking），要求研究者运用自身的物理知识判断哪些候选资源代表同一基本物理思想。例如，“重力使物体下落”和“摩擦使物体减速”可被归纳为“力影响物体的运动”。同时，研究者要尽量贴近学生的意义，避免过度概括或过度解释，通常只从候选资源外推一步。此外，最终资源命名还要兼顾入门物理学习目标，并考虑编码的可操作性。作者通常将编码方案控制在五个代码以内，以便在超过 1000 份回答中保持一致性。

第四步是测试和细化初步编码方案。两名编码者从全部数据中选取约 30 份回答，独立使用粗粒度资源代码进行编码，然后讨论分歧。讨论的重点是找出典型事例（quintessential cases）和边缘事例（edge cases），以澄清代码边界并完善措辞。第五步是计算编码者间的一致性。由于一个回答可被赋予多个资源代码，代码之间不独立，因此作者不使用 Cohen’s κ 等标准统计量，而是采用百分比一致性（percentage agreement）作为指标。若一致性低于 85%，则增加 10 份回答重新编码，最多重复两次；若仍无法达到阈值，则需返回前序步骤。第六步是对完整数据集进行独立编码。数据集通常包括三至四道题、每道题来自两到三所大学或学院样本。编码者原则上不讨论具体回答，但可就不明确的一般性问题进行交流。第七步是计算全数据集的编码一致性，并报告最终资源频率。作者在报告中采用保守估计，即仅统计两名编码者完全一致认定的回答比例作为某资源的使用频率。

方法的产品包括：某一主题的常见概念资源列表、若干更细粒度的候选资源示例、可用于识别典型学生回答的编码工作簿、各资源在特定问题中的使用频率以及编码者一致性指标。作者在文中用机械波传播（mechanical wave propagation）研究为例，展示了从候选资源到最终资源的归纳过程。例如，将“高张力弹簧中恢复力更大”“张力增加使振幅减小、能量传递更快”“波速与质点回到平衡位置的速度有关”“更大张力意味着质点间力更大”等候选资源归纳为“横向运动的速度或持续时间影响脉冲速度”。类似地，将“脉冲在松弛的弦中需要走更远的距离”“脉冲速度取决于介质性质”“较轻的弦惯性或阻力较小”等归纳为“介质性质阻碍或促进脉冲移动”。作者强调，归纳方式并非唯一，研究者可以根据教学或研究目标选择不同的抽象程度。

在讨论部分，作者指出该方法已应用于能量、机械波传播、叠加、运动学、力、线性动量、热与温度、电路等多个主题，并列出各主题识别出的主要资源。例如，在力主题下识别出“运动物体保持运动”“力影响物体运动”“不平衡力改变物体运动（平衡力不改变）”“克服给定力比匹配给定力需要更多努力”“克服更大的（净）力需要更多努力”“改变物体运动比维持运动需要更多努力”等资源。在热与温度主题下，宏观层面识别出“热传递具有方向性”“物体的物理性质在热过程中很重要”“较热的物体具有更多能量”；微观层面则识别出“差异最终会趋于均衡”“宏观变化与微观碰撞相关”“物体越热（越冷），其分子运动越快（越慢）”。

作者指出，该方法的主要价值在于为物理教育研究界提供了一种系统识别学生生成性想法的路径，有助于回应 Hammer 关于记录和共享学生资源的呼吁。其方法步骤明确，适合本科生研究者或新加入团队的成员参与，因为核心实践是理解他人想法并将其与入门物理学习目标相联系。作者还指出，该方法仍然处于不断演变之中，关于资源与 p-prims（phenomenological primitives）或概念困难之间的关系、什么样的问题最适合引出概念资源等问题，尚有待进一步研究。通过分享这套方法，作者希望邀请更多研究者参与识别常见概念资源，从而共同推动物理教育研究从单纯关注学生困难转向同时关注学生思维中的生成性元素。