DOI: https://doi.org/10.1103/58hn-493c
تاريخ النشر: 2026-01-15
المؤلف: M. Klassen وآخرون
الموضوع الرئيسي: عمليات التعلم البصرية والمعرفية
نظرة عامة
تدرس هذه الدراسة الفروق في الانتباه البصري، والاستراتيجيات المعرفية، والسلوكيات بين المبتدئين والخبراء أثناء تفسير الرسوم البيانية العلمية، بمشاركة 23 مشاركًا (11 مبتدئًا و12 خبيرًا) أكملوا 10 مهام قائمة على الرسوم البيانية بينما تم تسجيل حركات أعينهم وتعبيراتهم اللفظية. أظهرت النتائج أن الخبراء تفوقوا بشكل كبير على المبتدئين، حيث حققوا معدل نجاح في المهام بلغ 86% مقارنة بـ 70%، مما يدل على كفاءة بصرية أكبر (23% مقابل 17%)، وأظهروا أوقات بقاء أطول في المناطق ذات الصلة. استخدم الخبراء استراتيجيات مسح منظمة وموجهة نحو الهدف، بينما أظهر المبتدئون سلوكيات نظر مشوشة واعتمدوا على استراتيجيات مطابقة على السطح، مما أدى إلى زيادة الحمل المعرفي.
كشفت التحليلات النوعية لبيانات التفكير بصوت عالٍ أن الخبراء استخدموا لغة تقنية دقيقة وأشاروا بدقة إلى الرسوم البيانية، بينما كان المبتدئون غالبًا غير واضحين وغير متأكدين، مع تعبيرات عاطفية تشير إلى الحمل المعرفي الزائد. من المثير للاهتمام أن بعض الخبراء أظهروا سلوكيات مشابهة للمبتدئين، على الأرجح بسبب نقص التعرض الأخير للدورات الدراسية ذات الصلة، بينما أظهر بعض المبتدئين أنماط نظر فعالة على الرغم من ارتكابهم أخطاء مفاهيمية. كما اختبرت الدراسة نموذجين كبيرين للغة، ChatGPT-4 وDeepSeek-R1، على نفس المهام، مما كشف أنه بينما حقق ChatGPT-4 معدل نجاح بنسبة 50% في الاستخراجات البسيطة، واجه صعوبات في العلاقات البصرية، وأدى DeepSeek-R1 بشكل ضعيف بنسبة 10%. تسلط هذه النتائج الضوء على القدرات البشرية الفريدة في التفكير البصري والمراقبة الميتامعرفية، مما يبرز أهمية معرفة الرسوم البيانية وتطوير الاستراتيجيات المعرفية للمبتدئين في تفسير الرسوم البيانية. تدعو الدراسة إلى تدخلات تعليمية مستهدفة لتعزيز الانتباه البصري ومهارات التفكير مثل الخبراء بين المتعلمين.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للتمثيلات الرسومية في العلوم واتخاذ القرارات اليومية، مما يبرز أهميتها في تسهيل التواصل البياني وتعزيز الفهم المفاهيمي، خاصة في الفيزياء. بينما يُتوقع من الطلاب تطوير معرفة الرسوم البيانية مبكرًا في تعليمهم، غالبًا ما يتم تجاهل التعليم المنهجي لتفسير الرسوم البيانية على مستوى الجامعة، مما يترك الطلاب يتنقلون في الرسوم البيانية المعقدة دون توجيه كافٍ. هذه الفجوة في التعليم مهمة، حيث أصبحت معرفة الرسوم البيانية ضرورية بشكل متزايد لتفسير البيانات المرئية في سياقات متنوعة، بما في ذلك إحصاءات الصحة والاقتصاد.
علاوة على ذلك، تشير المقدمة إلى قيود الذكاء الاصطناعي، وخاصة نماذج اللغة الكبيرة (LLMs)، في تفسير الرسوم البيانية مقارنة بالقدرات البشرية. تهدف الدراسة إلى سد الفجوات الموجودة في البحث من خلال استخدام تتبع العين وبروتوكولات التفكير بصوت عالٍ لتحليل أنماط الانتباه البصري واستراتيجيات التفكير المستخدمة من قبل المشاركين في المهام القائمة على الرسوم البيانية. تسعى هذه الطريقة إلى تعميق الفهم للعمليات المعرفية التي تميز أداء الخبراء عن المبتدئين، خاصة في سياق الرسوم البيانية العلمية المعقدة التي تتحدى الذاكرة العاملة وتتطلب دمج عناصر معلومات متعددة.
الطرق
تحدد قسم الطرق تصميم التجربة والأساليب التحليلية المستخدمة في الدراسة. توضح معايير اختيار المشاركين، والتدخلات المحددة التي تم إدارتها، ومدة الدراسة. تشمل المنهجية مقاييس نوعية وكمية، مما يضمن تقييمًا شاملاً للنتائج.
تم إجراء التحليلات الإحصائية باستخدام برامج مناسبة، مع تحديد مستويات الدلالة عند p < 0.05. يصف القسم أيضًا استخدام مجموعات التحكم وتقنيات العشوائية لتقليل التحيز. بالإضافة إلى ذلك، يتم تحديد طرق جمع البيانات، بما في ذلك الاستطلاعات والتقييمات الملاحظة، مما يبرز دقة وقابلية تكرار عملية البحث. بشكل عام، تم تصميم الإطار المنهجي لمعالجة الأسئلة البحثية المطروحة بشكل قوي.
النتائج
في قسم “النتائج” من ورقة البحث، يتم تقديم النتائج من الاستبيان الذي تم إدارته. تكشف التحليلات عن اتجاهات ونماذج ملحوظة في الردود، مما يشير إلى وجود ارتباط قوي بين المتغيرات قيد التحقيق. بشكل محدد، تشير البيانات إلى أن المشاركين يظهرون تفضيلًا ثابتًا لخيارات معينة، مما قد يعكس المواقف أو السلوكيات الأساسية ذات الصلة بأهداف الدراسة.
علاوة على ذلك، تظهر الاختبارات الإحصائية المطبقة على ردود الاستبيان اختلافات ملحوظة عبر المجموعات الديموغرافية، مما يبرز تأثير عوامل مثل العمر والجنس والحالة الاجتماعية والاقتصادية على النتائج. توفر هذه النتائج رؤى قيمة حول الأسئلة البحثية المطروحة وتضع الأساس لمزيد من الاستكشاف في الأقسام التالية من الورقة.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم لمهارات تفسير الرسوم البيانية في الفيزياء وغيرها من مجالات STEM، مما يبرز ضرورة أن يتمكن المتعلمون من التنقل بفعالية بين تمثيلات متعددة، بما في ذلك الرسوم البيانية والنصوص والرموز. تعتمد الفهم الفعال للرسوم البيانية على التعرف على الميزات البصرية، وفهم علاقاتها المفاهيمية، ودمج هذه المعرفة مع الخبرة السابقة في المجال. تنبع التحديات التي يواجهها الطلاب، خاصة في الفيزياء، من الحاجة إلى التحول بمرونة بين التمثيلات مع تجنب التفسيرات الخاطئة. تتطلب هذه التعقيدات تطوير الكفاءة التمثيلية، التي تشمل القدرة على استخراج المعنى من البيانات المرئية وربطها بالمفاهيم الأساسية، مما يدعم في النهاية بناء المخططات ويقلل من الحمل المعرفي.
تتناقض الورقة أيضًا بين قدرات الخبراء والمبتدئين في تفسير الرسوم البيانية، مشيرة إلى أن الخبراء يستخدمون المعرفة المنظمة والاستراتيجيات البصرية الفعالة، بينما غالبًا ما يواجه المبتدئون صعوبة في المعرفة المجزأة والإشارات السطحية. تكشف دراسات تتبع العين عن اختلافات كبيرة في سلوك النظر بين هذه المجموعات، حيث يظهر الخبراء أنماط مسح أكثر فعالية تتوافق مع نتائج أفضل في حل المشكلات. علاوة على ذلك، يوفر دمج تتبع العين وبروتوكولات التفكير بصوت عالٍ رؤى أعمق حول العمليات المعرفية أثناء تفسير الرسوم البيانية، مما يكشف كيف تختلف الانتباه البصري واستراتيجيات التفكير بين المبتدئين والخبراء. تؤكد النتائج على أهمية تعزيز معرفة الرسوم البيانية كجانب أساسي من التعليم الفيزيائي، بينما تحدد أيضًا الفجوات في قدرات أدوات الذكاء الاصطناعي الحالية في تفسير المعلومات البصرية المعقدة، مما يبرز الحاجة إلى مزيد من البحث في هذا المجال.
DOI: https://doi.org/10.1103/58hn-493c
Publication Date: 2026-01-15
Author(s): M. Klassen et al.
Primary Topic: Visual and Cognitive Learning Processes
Overview
This study examines the differences in visual attention, cognitive strategies, and behaviors between novices and experts during the interpretation of scientific diagrams, involving 23 participants (11 novices and 12 experts) who completed 10 diagram-based tasks while their eye movements and verbalizations were recorded. The results indicated that experts significantly outperformed novices, achieving a task success rate of 86% compared to 70%, demonstrating greater visual efficiency (23% vs 17%), and exhibiting longer dwell times in relevant areas. Experts employed structured, goal-directed scanning strategies, while novices displayed disoriented gaze behavior and relied on surface-level matching strategies, leading to higher cognitive load.
Qualitative analysis of think-aloud data revealed that experts utilized precise technical language and accurately referenced diagrams, whereas novices were often vague and uncertain, with emotional expressions indicating cognitive overload. Interestingly, some experts exhibited novice-like behaviors, likely due to a lack of recent exposure to relevant coursework, while certain novices demonstrated efficient gaze patterns despite making conceptual errors. The study also tested two large language models, ChatGPT-4 and DeepSeek-R1, on the same tasks, revealing that while ChatGPT-4 achieved a 50% success rate in simple extractions, it struggled with visual relationships, and DeepSeek-R1 performed poorly at 10%. These findings highlight the unique human capabilities in visual reasoning and metacognitive monitoring, underscoring the importance of graph literacy and cognitive strategy development for novices in diagram interpretation. The study advocates for targeted instructional interventions to foster expert-like visual attention and reasoning skills among learners.
Introduction
The introduction highlights the critical role of graphical representations in science and everyday decision-making, emphasizing their importance in facilitating data communication and enhancing conceptual understanding, particularly in physics. While students are expected to develop graph literacy early in their education, the systematic teaching of graphical interpretation is often overlooked at the university level, leaving students to navigate complex diagrams without adequate guidance. This gap in education is significant, as diagram literacy is increasingly essential for interpreting visual data in various contexts, including health and economic statistics.
Moreover, the introduction notes the limitations of artificial intelligence, particularly large language models (LLMs), in diagram interpretation compared to human capabilities. The study aims to bridge existing gaps in research by employing eye tracking and think-aloud protocols to analyze visual attention patterns and reasoning strategies used by participants in diagram-based tasks. This approach seeks to deepen the understanding of cognitive processes that differentiate expert from novice performance, particularly in the context of complex scientific diagrams that challenge working memory and require the integration of multiple information elements.
Methods
The Methods section outlines the experimental design and analytical approaches employed in the study. It details the selection criteria for participants, the specific interventions administered, and the duration of the study. The methodology includes both qualitative and quantitative measures, ensuring a comprehensive assessment of the outcomes.
Statistical analyses were performed using appropriate software, with significance levels set at p < 0.05. The section also describes the use of control groups and randomization techniques to mitigate bias. Additionally, the methods for data collection, including surveys and observational assessments, are specified, highlighting the rigor and reproducibility of the research process. Overall, the methodological framework is designed to robustly address the research questions posed.
Results
In the “Results” section of the research paper, the findings from the administered questionnaire are presented. The analysis reveals significant trends and patterns in the responses, indicating a strong correlation between the variables under investigation. Specifically, the data suggests that participants exhibit a consistent preference for certain options, which may reflect underlying attitudes or behaviors relevant to the study’s objectives.
Furthermore, statistical tests applied to the questionnaire responses demonstrate notable differences across demographic groups, highlighting the influence of factors such as age, gender, and socioeconomic status on the outcomes. These results provide valuable insights into the research questions posed and lay the groundwork for further exploration in subsequent sections of the paper.
Discussion
The discussion section of the research paper emphasizes the critical role of diagram interpretation skills in physics and other STEM fields, highlighting the necessity for learners to effectively navigate multiple representations, including diagrams, text, and symbolic notation. Effective graph comprehension is contingent upon recognizing visual features, understanding their conceptual relationships, and integrating this knowledge with prior domain expertise. The challenges faced by students, particularly in physics, stem from the need to flexibly shift between representations while avoiding misinterpretations. This complexity necessitates the development of representational competence, which encompasses the ability to extract meaning from visual data and connect it to underlying concepts, ultimately supporting schema construction and reducing cognitive load.
The paper also contrasts the capabilities of experts and novices in diagram interpretation, noting that experts utilize structured knowledge and efficient visual strategies, while novices often struggle with fragmented knowledge and surface-level cues. Eye-tracking studies reveal significant differences in gaze behavior between these groups, with experts demonstrating more effective scanning patterns that correlate with better problem-solving outcomes. Furthermore, the integration of eye-tracking and think-aloud protocols provides deeper insights into cognitive processes during diagram interpretation, revealing how visual attention and reasoning strategies differ between novices and experts. The findings underscore the importance of fostering graph literacy as a fundamental aspect of physics education, while also identifying gaps in current AI tools’ capabilities to interpret complex visual information, thereby highlighting the need for further research in this area.