人工智能對跨學(xué)科活動的多樣化支持方式

本文圍繞“DNA的探索”的跨學(xué)科教學(xué)活動項目，從科學(xué)研究的范式的角度，探討人工智能模型在科學(xué)教育中支持跨學(xué)科融合教學(xué)活動的路徑。

在概述了人工智能在科學(xué)探究中的多種賦能方式后，作者重點分析了不同的科學(xué)研究范式特別是數(shù)據(jù)密集驅(qū)動的第四范式和智能驅(qū)動的第五范式對設(shè)計人工智能模型參與的跨學(xué)科科學(xué)探究活動的影響，接著通過“DNA啟動子預(yù)測”這一具體案例，比較了基于人為設(shè)定的字符串規(guī)則分析、傳統(tǒng)機器學(xué)習(xí)與人工神經(jīng)網(wǎng)絡(luò)這三種方法在預(yù)測效果和可解釋性上的區(qū)別，揭示了不同范式在教學(xué)設(shè)計中的實施方式，并進一步提出兩種跨學(xué)科活動設(shè)計路徑：一是從“數(shù)據(jù)密集驅(qū)動”向“智能驅(qū)動”演進，強調(diào)技術(shù)對學(xué)科研究的賦能；二是從“智能驅(qū)動”向“數(shù)據(jù)密集驅(qū)動”回溯，注重通過智能發(fā)現(xiàn)反向推動學(xué)科理解。

具有學(xué)科融合特色的教學(xué)活動對于科學(xué)教育而言，有著重要的意義，它打破了單一學(xué)科的“圍墻”，將零散知識點和技能構(gòu)建成認知網(wǎng)絡(luò)，培養(yǎng)學(xué)生綜合多學(xué)科的知識和技能解決復(fù)雜問題的能力。人工智能支持下的跨學(xué)科融合活動為科學(xué)教育提供了更豐富的素材和更多維的視角，本文將圍繞“DNA的探索”這一主題，先概要性地列舉一下人工智能在科學(xué)探究過程中可能起到的作用，然后，需要重點討論的是，科學(xué)研究的新的范式，也就數(shù)據(jù)密集驅(qū)動的科學(xué)研究范式，以及自主智能猜想與發(fā)現(xiàn)的驅(qū)動，也可以簡稱為智能驅(qū)動的科學(xué)研究范式，對建設(shè)人工智能支持下的具有學(xué)科融合特色的實驗教學(xué)環(huán)境和內(nèi)容的啟發(fā)。

人工智能賦能跨學(xué)科活動方式的簡單列舉

人工智能能夠從不同角度賦能科學(xué)探究活動，如一種大家已經(jīng)很熟悉的方式，即借助生成式人工智能，通過提示詞，或預(yù)先創(chuàng)設(shè)的智能體，由樸素的“對話”過程，幫助學(xué)生開展科學(xué)探究活動，或者借助生成式人工智能，實現(xiàn)教學(xué)資源的搜集、整理和建設(shè)工作，或者利用生成式人工智能，幫助學(xué)生在學(xué)習(xí)過程中，對所學(xué)知識和技能實施驗證，實現(xiàn)“嘗試—反饋—迭代”的閉環(huán)過程，或者直接利用生成式人工智能對規(guī)模較小的數(shù)據(jù)進行較為簡單的數(shù)據(jù)分析等等。

有許多科學(xué)探究活動本身具有跨學(xué)科的特性，如“DNA的結(jié)構(gòu)”是高中生物學(xué)中涉及的內(nèi)容：從生物學(xué)角度，它涉及堿基配對與遺傳信息傳遞；從化學(xué)角度，DNA結(jié)構(gòu)以脫氧核苷酸為基本單位，通過磷酸二酯鍵形成線性單鏈，再經(jīng)堿基互補配對等作用構(gòu)建雙螺旋，化學(xué)作用貫穿DNA結(jié)構(gòu)、功能及動態(tài)變化過程；從物理學(xué)角度，DNA結(jié)構(gòu)穩(wěn)定性和力學(xué)相關(guān)，且物理學(xué)手段為理解DNA結(jié)構(gòu)提供了重要支持。

另外，在數(shù)學(xué)中，堿基排列組合蘊含特定數(shù)學(xué)規(guī)律，為研究DNA序列提供了數(shù)學(xué)的分析方法，DNA序列比對、功能預(yù)測等算法的設(shè)計涉及計算機科學(xué)的內(nèi)容，倫理學(xué)與社會科學(xué)也常圍繞基因技術(shù)展開討論，如基因編輯等倫理問題、DNA數(shù)據(jù)的隱私與數(shù)據(jù)安全等。以上這些都凸顯其具有學(xué)科融合特性的知識關(guān)聯(lián)性。生成式人工智能在跨學(xué)科知識整合與呈現(xiàn)、復(fù)雜概念可視化模擬、個性化學(xué)習(xí)路徑規(guī)劃、數(shù)據(jù)分析與解讀等方面，都能給予學(xué)生非常強大的支持。

除去生成式人工智能，各類人工智能模型可能以多種形式賦能跨學(xué)科活動。例如，可以上傳不同物種的DNA序列片段，人工智能模型通過比對算法快速找出堿基排列的差異，其中的一個例子是，學(xué)生輸入氨基酸序列，由人工神經(jīng)網(wǎng)絡(luò)模型進行推理，用AlphaFold生成3D模型，并預(yù)測蛋白質(zhì)結(jié)構(gòu)；又如，對于某些研究對象，可能需要自行搭建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，使之可以進行特定功能的預(yù)測或分類，而對于信息科技教師，可能除了希望學(xué)生們親自體驗搭建基于人工智能的數(shù)據(jù)分析工具的過程，還希望其能了解模型運作底層的算法原理。

傳統(tǒng)的基于規(guī)則的專家系統(tǒng)也仍然可能在支持跨學(xué)科活動中發(fā)揮作用。一方面，結(jié)構(gòu)化、邏輯化的專家系統(tǒng)在跨學(xué)科活動中，能夠彌補學(xué)生在專業(yè)知識方面的缺陷；另一方面，某個領(lǐng)域的可簡單實現(xiàn)的專家系統(tǒng)（尤其在生成式人工智能的支持下），也可以是學(xué)生跨學(xué)科活動中的較后階段的任務(wù)目標，或可作為學(xué)習(xí)評價的對象。

人工智能支持下的虛擬仿真與交互式環(huán)境為跨學(xué)科活動構(gòu)建了一個動態(tài)的實踐體驗環(huán)境。它們通過創(chuàng)建可計算的模擬世界，將不同學(xué)科的知識與規(guī)則融入其中，迫使參與者打破領(lǐng)域壁壘進行協(xié)同思考。例如，在某個探索DNA計算的虛擬實驗中，可以模擬核酸酶對DNA鏈的切割以及堿基的替換與連接過程，從生物學(xué)視角，參與者能直觀看到DNA鏈在變化前和變化后的狀態(tài)，而從信息科技的角度，參與者能嘗試用某種特定的變化來實現(xiàn)某個特定的邏輯運算的功能。通過即時、可視化的多變量交互反饋，將抽象的理論關(guān)聯(lián)轉(zhuǎn)化為具象的系統(tǒng)行為，使參與者能直觀理解復(fù)雜系統(tǒng)中“牽一發(fā)而動全身”的跨學(xué)科耦合機制，從而催生出更具系統(tǒng)性和創(chuàng)新性的綜合解決方案。

以上只是對人工智能參與跨學(xué)科教學(xué)活動的方式進行簡單的列舉，而非系統(tǒng)性梳理（這部分研究工作還有待開展），有一些通用性的人工智能支持方式也不再列舉（如自適應(yīng)學(xué)習(xí)輔助系統(tǒng)），否則難免掛一漏萬。在這里是想說明，人工智能可能以各種各樣的形式，參與到具有跨學(xué)科特征的學(xué)習(xí)活動中，而本文重點則是要討論科學(xué)研究的新的范式對教師設(shè)計跨學(xué)科學(xué)習(xí)活動的啟發(fā)。

從科研新范式看DNA啟動子預(yù)測

科學(xué)研究范式（托馬斯·庫恩在《科學(xué)革命的結(jié)構(gòu)》中提出此名詞），簡單來說，就是科學(xué)家們在進行研究時所遵循的一套模式和方法，它對科學(xué)的發(fā)展起著至關(guān)重要的引導(dǎo)作用。隨著時代的發(fā)展，科研范式也在不斷演變，從最早的第一范式，逐步發(fā)展到如今備受矚目的第五范式。

第一范式是實驗科學(xué)范式，它基于實驗或經(jīng)驗的歸納總結(jié)來發(fā)現(xiàn)規(guī)律。第二范式是理論科學(xué)范式，它以理論為基礎(chǔ)開展研究，科學(xué)家們通過建立數(shù)學(xué)模型和理論框架進行演算、歸納、總結(jié)，以此來解釋自然現(xiàn)象。第三范式是計算機科學(xué)范式，科學(xué)家們利用計算機仿真模擬復(fù)雜自然現(xiàn)象。

與人工智能密切相關(guān)的科研范式是第四范式和第五范式，即數(shù)據(jù)密集驅(qū)動的范式和智能驅(qū)動的科研范式。第四范式指的是人類主導(dǎo)數(shù)據(jù)分析過程。科學(xué)家通過實驗、觀測或模擬產(chǎn)生海量數(shù)據(jù)，在構(gòu)建結(jié)構(gòu)化數(shù)據(jù)集后，運用數(shù)據(jù)挖掘技術(shù)進行分析得到規(guī)律。例如，陣列射電望遠鏡、大型粒子對撞機每天產(chǎn)生幾個千萬億字節(jié)的數(shù)據(jù)，需要利用統(tǒng)計分析算法從海量數(shù)據(jù)中發(fā)現(xiàn)用過去的科學(xué)方法發(fā)現(xiàn)不了的新模式、新知識以及新規(guī)律。

第五范式指的是人工智能深度參與并部分主導(dǎo)科研流程的智能化模式。它不再局限于被動分析數(shù)據(jù)，而是主動參與科學(xué)發(fā)現(xiàn)：人工智能能自主設(shè)計實驗方案、優(yōu)化數(shù)據(jù)采集策略，甚至提出創(chuàng)新性假設(shè)。與第四范式相比，第五范式中的人工智能具備一定的“科研自主性”，能突破人類思維局限發(fā)現(xiàn)跨領(lǐng)域規(guī)律，實現(xiàn)從“數(shù)據(jù)總結(jié)”到“智能創(chuàng)造”的跨越。這種范式的核心是構(gòu)建“人類—人工智能協(xié)同科研生態(tài)”，通過“機器猜想”的方式應(yīng)用于科學(xué)智能，或許能將未知的結(jié)論推導(dǎo)出來，從而反向推動該領(lǐng)域的發(fā)展，得到在經(jīng)驗領(lǐng)域具有的前瞻性的結(jié)果。人工智能成為科研伙伴而非單純工具，推動科研效率和創(chuàng)新維度的質(zhì)變。

現(xiàn)在，圍繞“預(yù)測DNA啟動子”的問題，來看新的科研范式如何支持跨學(xué)科的探究活動。DNA啟動子是基因的一段特殊“指揮區(qū)”，它能夠被RNA聚合酶特異性地識別和結(jié)合，起到啟動轉(zhuǎn)錄過程的開關(guān)作用，判斷基因序列中的啟動子在醫(yī)學(xué)研究和生物技術(shù)中有很重要的作用。但是，我們面臨一個判斷基因序列是不是啟動子的問題。假設(shè)現(xiàn)在已經(jīng)有一個數(shù)據(jù)文件，其中有若干條基因序列，并標明是不是啟動子。另外，還有若干條基因序列，并不知道是不是啟動子，我們能用怎樣的方法，基于已有是不是啟動子標簽的數(shù)據(jù)，判別其他基因序列中，哪些更可能是啟動子，哪些不是呢？

如果試著給生成式人工智能工具以下提示詞：請根據(jù)以下大類，列舉出常用的預(yù)測方法。第一大類是，已知啟動子常見特征，人工設(shè)定特征字符串，然后按這些特征對不同序列打分，進行評估和預(yù)測；第二大類是，查詢已知的啟動子常見特征，利用訓(xùn)練數(shù)據(jù)，根據(jù)常見特征，用機器學(xué)習(xí)算法訓(xùn)練出模型，然后利用訓(xùn)練好的模型，評估和預(yù)測測試數(shù)據(jù)；第三大類是，完全不知道任何已知啟動子特征，利用訓(xùn)練數(shù)據(jù)，希望訓(xùn)練模型，自行發(fā)現(xiàn)特征或規(guī)則，用得到的模型對測試數(shù)據(jù)進行預(yù)測。

生成式人工智能針對三類不同情況給出了很詳細的方案，來看一下給出的方案。

第一大類：可以根據(jù)關(guān)鍵基因序列、GC含量、堿基分布偏好等特征編寫評分程序，或綜合多個特征編寫評分程序；

第二大類：可以采用邏輯回歸、決策樹、隨機森林、支持向量機等訓(xùn)練模型和預(yù)測；

第三大類：可以訓(xùn)練和建立人工神經(jīng)網(wǎng)絡(luò)模型，或結(jié)合了深度學(xué)習(xí)的隱馬爾可夫模型等進行預(yù)測。

第一大類的方法，是用常規(guī)的方法分析數(shù)據(jù)，完全由人主導(dǎo)數(shù)據(jù)分析過程，并沒有體現(xiàn)出數(shù)據(jù)密集驅(qū)動和智能模型驅(qū)動的特點，這種方式在許多時候仍然是有效的，但無疑需要專業(yè)人士經(jīng)驗的支撐。

第二大類的方法，提供給計算機關(guān)鍵基因序列、GC含量等已知的規(guī)則框架，然后利用大量已標注好標簽的數(shù)據(jù)，讓計算機去發(fā)現(xiàn)某種規(guī)律。需要指出的是，雖然規(guī)律是計算機自行發(fā)現(xiàn)的，但規(guī)則的輸入和輸出關(guān)系是由人定義的，并且，一般來說，這些規(guī)律是人可以理解的，對應(yīng)著科學(xué)研究第四范式的特征，即“數(shù)據(jù)密集驅(qū)動”的特征。

第三大類的方法，人事先并不知道規(guī)律本身是什么，計算機體現(xiàn)出規(guī)律發(fā)現(xiàn)的自主性，并且，就算是規(guī)律的模型被人工智能建立起來，人在短時間內(nèi)也無法直接理解規(guī)律，這就體現(xiàn)了科學(xué)研究第五范式，即“智能驅(qū)動”的特征。

我們可以試著讓生成式人工智能，生成屬于以上三大類方式中不同的程序代碼，對DNA序列是不是啟動子進行預(yù)測，并觀察其運行效果。例如，分別按字符串特征直接評估打分、采用生成決策樹的機器學(xué)習(xí)訓(xùn)練模型、采用人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型這三種方式來生成代碼，然后采用這些代碼分析如下圖所示格式的已有的DNA啟動子數(shù)據(jù)集，并觀察預(yù)測效果。

DNA啟動子數(shù)據(jù)集局部

用三種不同的代碼（均由生成式人工智能生成）對已有的DNA啟動子數(shù)據(jù)集中的DNA序列進行預(yù)測，其準確率情況如下表所示（存在一定隨機性，僅供參考）。

決策樹的結(jié)構(gòu)是可以理解的，所以可以采用訓(xùn)練生成的決策樹的成果，對上述表格中的“字符串特征分析”方法進行改進，提升其準確率。人工神經(jīng)網(wǎng)絡(luò)的測試準確率雖然相當高，但由于其模型具有不可解釋性，其訓(xùn)練得到的成果很難運用在“字符串特征分析”的方法上。

人工智能模型參與過程中的兩種不同的跨學(xué)科活動設(shè)計路徑

在人工智能模型參與過程中，存在兩種不同的跨學(xué)科活動設(shè)計路徑，分別是：“數(shù)據(jù)密集驅(qū)動→智能驅(qū)動”演進的路徑、“智能驅(qū)動→數(shù)據(jù)密集驅(qū)動”演進的路徑。

在“數(shù)據(jù)密集驅(qū)動→智能驅(qū)動”演進的路徑中，以學(xué)科領(lǐng)域知識為基石，通過傳統(tǒng)方法（如實驗、理論推導(dǎo)）建立對規(guī)律的初步認知，再引入人工智能技術(shù)優(yōu)化或拓展規(guī)律發(fā)現(xiàn)能力。例如，在DNA啟動子預(yù)測中，先通過生物學(xué)實驗驗證啟動子功能，再利用機器學(xué)習(xí)模型（如支持向量機、隨機森林）分析序列特征、對數(shù)據(jù)進行訓(xùn)練并給出預(yù)測模型，然后，嘗試用神經(jīng)網(wǎng)絡(luò)自主挖掘更復(fù)雜的模式。其技術(shù)演進思路是：從“人工設(shè)計特征+傳統(tǒng)模型”到“深度學(xué)習(xí)”，體現(xiàn)技術(shù)迭代對學(xué)科研究的賦能。

在“智能驅(qū)動→數(shù)據(jù)密集驅(qū)動”演進的路徑中，邏輯起點是以人工智能的自主發(fā)現(xiàn)能力為突破口，通過智能模型揭示潛在規(guī)律，再反向追溯學(xué)科領(lǐng)域知識進行驗證與解釋，深化對學(xué)科本質(zhì)的理解。例如，在DNA啟動子預(yù)測中，先用神經(jīng)網(wǎng)絡(luò)直接預(yù)測啟動子，我們首先會發(fā)現(xiàn)，的確可以借助模型來實現(xiàn)預(yù)測，然后嘗試發(fā)現(xiàn)模型對某些序列區(qū)域（如GC富集區(qū)）的敏感性，再通過生物學(xué)實驗驗證這些區(qū)域是否為轉(zhuǎn)錄因子結(jié)合位點，最終歸納出啟動子的關(guān)鍵特征（如核心啟動子元件、增強子模塊）。認知深化：從“黑箱預(yù)測”到“可解釋性分析”，強調(diào)智能模型作為科學(xué)探究工具的價值。

“數(shù)據(jù)密集驅(qū)動→智能驅(qū)動”路徑指向“技術(shù)支持科學(xué)”的現(xiàn)代研究范式，“智能驅(qū)動→數(shù)據(jù)密集驅(qū)動”路徑指向體現(xiàn)“科學(xué)指導(dǎo)技術(shù)”的學(xué)科本質(zhì)。教學(xué)中可根據(jù)學(xué)生認知水平、課程目標及資源條件靈活選擇，或通過混合設(shè)計實現(xiàn)“技術(shù)體驗”與“學(xué)科深化”的雙重目標。

在人工智能在科學(xué)教育中的滲透中，第四范式“密集數(shù)據(jù)驅(qū)動”與第五范式“自主智能假設(shè)”可以是同一場景下并行的線程：學(xué)生既用已知規(guī)律訓(xùn)練模型以及跨學(xué)科的探究活動，嘗試對問題進行解釋，也可以借人工智能給出的“黑箱”式判定進行反向追問，從機器輸出的不可解釋特征出發(fā)，深入探索學(xué)科專業(yè)知識。在此過程中，探究選題如何兼顧“可解釋”與“可生成”、活動組織怎樣平衡人類預(yù)設(shè)與人工智能自主、在人工智能充分參與的情況下學(xué)生的探究活動和實驗質(zhì)量應(yīng)當如何評價，這些都成為需要進一步認真研究的問題。

本文作者：

陳凱

上海市位育中學(xué)

文章刊登于《中國信息技術(shù)教育》

2025年第23期

原文標題：從科學(xué)研究的新范式看人工智能對跨學(xué)科活動的多樣化支持方式——以DNA啟動子的預(yù)測為例

引用請注明參考文獻：

陳凱.從科學(xué)研究的新范式看人工智能對跨學(xué)科活動的多樣化支持方式——以DNA啟動子的預(yù)測為例[J].中國信息技術(shù)教育，2025（23）：23-26.

歡迎訂閱

識別上方二維碼即可訂閱