論文の概要: AI-Integrated Scientific Inquiry: A Practice-Centered Vision for Science Education
- arxiv url: http://arxiv.org/abs/2607.21777v1
- Date: Thu, 23 Jul 2026 19:47:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:56.978781
- Title: AI-Integrated Scientific Inquiry: A Practice-Centered Vision for Science Education
- Title（参考訳）: AIによる科学探究:科学教育のための実践中心のビジョン
- Abstract要約: AIが科学的な調査に進むにつれ、科学教育の関連性も高まっていく。
学生は、AIが科学的な実践をどのように変えているかを学ぶ必要がある。
我々のビジョンでは、AIは学生が次世代科学標準によって記述された科学的実践の中で使用する一連の科学機器として扱われる。
- 参考スコア（独自算出の注目度）: 0.9785041136819492
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Artificial intelligence (AI) has become part of scientific inquiry. Scientists use AI to observe and measure phenomena, to identify patterns in data, and to build models. As AI moves into scientific inquiry, it gains relevance for science education: students should learn how AI is changing scientific practices, ideally by engaging in AI-integrated scientific inquiry themselves. How to design such instruction, grounded in authentic scientific practice rather than taught as a standalone topic, remains an open question. In our vision, which we describe in this article, AI is treated as a set of scientific instruments that students use within the scientific practices described by the Next Generation Science Standards. Each instrument is a genuine scientific tool, pedagogically bounded: its controls are simplified while its core scientific function is preserved. The approach has two aims: engaging students in authentic scientific inquiry, and building an understanding of how AI is used in science and where it can mislead (discipline-based AI literacy, DAIL). In the article, we focus on the investigative core of inquiry, namely observing, analyzing, and modeling, and describe one exemplary AI instrument for each: computer vision for observing, clustering for analyzing, and generative modeling for modeling. We argue that every AI instrument in science education should carry a distinct reflection point that prompts critical evaluation of the AI instrument itself. Finally, we describe how agentic AI, operating across the whole inquiry rather than a single practice, could be represented, arguing that students should first build a foundational understanding of scientific inquiry and AI instruments before relying on agentic AI.
- Abstract（参考訳）: 人工知能(AI)は科学調査の一部となっている。
科学者はAIを使って現象を観察し、測定し、データのパターンを特定し、モデルを構築する。
学生は、AIが科学的な実践をどのように変えているかを学ぶ必要がある。
スタンドアローンのトピックとして教えるのではなく、真正の科学的実践を基礎として、そのような教育を設計する方法は、まだ未解決の課題である。
本稿で紹介するビジョンでは、AIは、次世代科学標準によって記述された科学的実践の中で、学生が使用する科学機器のセットとして扱われる。
それぞれの楽器は純粋に科学的な道具であり、その制御は単純化され、中核的な科学機能が保存されている。
このアプローチには2つの目的がある: 真正な科学的調査に学生を参加させること、そしてAIが科学でどのように使われているかを理解すること(学際ベースのAIリテラシー、DAIL)。
本稿では、調査のコアとなる調査、すなわち観察、分析、モデリングに焦点を当て、それぞれに1つの模範的なAI機器を記述する: 観察のためのコンピュータビジョン、分析のためのクラスタリング、モデリングのための生成モデリング。
我々は、科学教育におけるすべてのAI機器は、AI機器自体の批判的な評価を促す独自のリフレクションポイントを持つべきであると論じる。
最後に、エージェントAIが単一のプラクティスではなく、全体にわたって機能する方法について述べ、エージェントAIに頼る前に、学生がまず科学的調査とAI機器の基本的な理解を構築するべきだと主張した。
関連論文リスト
- The Agentification of Scientific Research: A Physicist's Perspective [0.2538209532048867]
この記事では、研究ツールとしてのAIから、科学的協力者としてのAIへの段階的なパスを概説する。
AIが本来の科学的発見において有意義な役割を果たすためには、継続的な学習とアイデアの多様性が不可欠である、と氏は主張する。
論文 参考訳（メタデータ） (2026-04-16T07:27:57Z) - Science Literacy: Generative AI as Enabler of Coherence in the Teaching, Learning, and Assessment of Scientific Knowledge and Reasoning [4.6627595334680585]
この章は、K-16以上の学年における科学リテラシー向上における生成AIの可能性について考察する。
最初は、AIが科学を変えたことを含む、AI時代の科学リテラシーを定義することから始まる。
そして、科学知識と推論の教え、学習、評価に一貫性をもたらすことによって、AIが問題解決を支援するために必要なアーキテクチャのタイプについて議論する。
論文 参考訳（メタデータ） (2026-03-01T19:45:20Z) - What Understanding Means in AI-Laden Astronomy [0.20336617819227906]
人工知能は天文学の研究を急速に変えつつある。
この記事では、科学哲学がAIの天文学への統合をナビゲートするための重要なツールであると主張している。
我々は、AIを人間の認知を拡張するツールとして認識する統合のためのフレームワークとして「実用的理解」を提案する。
論文 参考訳（メタデータ） (2026-01-15T03:28:38Z) - AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。
多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。
ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
論文 参考訳（メタデータ） (2025-11-26T02:10:28Z) - Rethinking Science in the Age of Artificial Intelligence [0.0]
我々は、ピアレビュー、倫理的評価、検証のような学術的学問において、AIは強化されるが人間の判断に取って代わるものではないと論じる。
本稿では、透明性、妥当性、説明責任を促進する政策を通じて、科学実践におけるAIの故意導入を訴える。
論文 参考訳（メタデータ） (2025-11-13T17:26:00Z) - From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery [108.1082357960201]
エージェントAIは仮説生成、実験設計、実行、分析、反復的洗練の能力を示す。
この調査は、生命科学、化学、材料科学、物理学にまたがる自律的な科学的発見のドメイン指向のレビューを提供する。
論文 参考訳（メタデータ） (2025-08-18T05:25:54Z) - Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。
AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。
これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
論文 参考訳（メタデータ） (2025-03-28T14:00:27Z) - Transforming Science with Large Language Models: A Survey on AI-assisted Scientific Discovery, Experimentation, Content Generation, and Evaluation [58.064940977804596]
多くの新しいAIモデルとツールが提案され、世界中の研究者や学者が研究をより効果的かつ効率的に実施できるようにすることを約束している。
これらのツールの欠点と誤用の可能性に関する倫理的懸念は、議論の中で特に顕著な位置を占める。
論文 参考訳（メタデータ） (2025-02-07T18:26:45Z) - Explain the Black Box for the Sake of Science: the Scientific Method in the Era of Generative Artificial Intelligence [0.9065034043031668]
我々は、人類の科学的発見のための複雑な推論が、少なくとも人工知能の出現以前には重要な存在であると主張している。
意思決定に使用されるAIシステムの原則を知ることは、ドメインの専門家や科学者と接触するポイントになり得る。
我々は、この分野を、予測AIシステムの解釈可能性に基づいて、領域の専門家が科学的仮説と説明を定式化する、説明可能な科学用AIと定義する。
論文 参考訳（メタデータ） (2024-06-15T08:34:42Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - Learning from learning machines: a new generation of AI technology to
meet the needs of science [59.261050918992325]
科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。
産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
論文 参考訳（メタデータ） (2021-11-27T00:55:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。