База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Изчислително мислене

Създадена 2026-08-09 · Актуализирана 2026-11-08

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Изчислителното мислене — подход за решаване на проблеми, включващ декомпозиция, разпознаване на образци, абстракция и алгоритмичен дизайн. В AI образованието изчислителното мислене е едновременно предпоставка за разбиране на AI системите и умение, което AI инструментите могат да помогнат да се развие.

Въпроси за размисъл

  • Когато решавате проблем, като го разбивате на части, забелязвате образци, абстрахирате същественото и проектирате стъпки — вие вече прилагате изчислително мислене, дори без компютър. Къде правихте това наскоро?
  • Често срещано допускане е, че изчислителното мислене е същото като програмирането или „компютърната грамотност“. Как може да се различават и защо тази разлика може да има значение за начина, по който го преподавате?
  • Изследванията предполагат, че липсите в фундаменталните концепции на студентите — а не самият AI инструмент — ограничават способността им да преценяват предложенията на AI. Какво трябва вече да разбира обучаемият, преди да може критично да оцени резултата на AI?
  • Някои твърдят, че изчислителното мислене трябва да води обучаемите от пасивно потребление на резултати от AI към изграждане, критикуване и проектиране с AI. Как би изглеждала в действителност класна стая, която третира учениците като производители, а не като потребители?
  • Генеративният AI вече може да оценява растежа в изчислителното мислене на учениците — но и хората, и AI се затрудняват с най-трудния конструкт, системното мислене. Къде според вас трябва да спре автоматизацията на оценяването и защо?
  • Изследванията в роботиката установяват, че изчислителното мислене се развива само когато концепциите се правят явни и се свързват с учебната програма, а не се третират като изолирани технически упражнения. Какъв е рискът да се преподават „технически умения“, без да се назовава мисленето под тях?

Въведение

Изчислителното мислене в класната стая на AI ерата

Свързаните статии в базата знания се събират около централно твърдение: изчислителното мислене (CT) е концептуалната основа, от която учениците се нуждаят, за да се ангажират критично с AI, и същевременно е умението, което най-пряко се задълбочава от добре проектирано обучение с подкрепата на AI. По-долу доказателствата са групирани в четири теми, опиращи се на свързаните статии.

  • CT като основа на AI грамотността и критичното ангажиране. Няколко изследвания показват, че CT е това, което позволява на обучаемите да оценяват, а не просто да потребяват резултати от AI. Изследването върху отстраняването на грешки в чат установи, че когато студенти отстраняваха грешки в аналогови вериги с помощта на LLM, липсите им във фундаменталните концепции и критичното мислене — а не инструментът — бяха ограничаващият фактор, тъй като на студентите липсваха основните идеи, нужни за преценка на предложенията на AI. Преглед на дизайните на LLM интервенции също заключава, че това, което отделя ефективните интервенции от „разочарованието от инструмента“, е насочването в образованието по информатика към изчислително мислене, а не към овладяване на синтаксиса. В ранното детство рамката AI-Play изгражда неподключена, базирана на игра AI грамотност, като учи децата, че „AI е система, изградена от части“ и „AI се учи от примери“ — развитийно обоснован първи слой на CT. А AI академична лига свързва CT с реални граждански AI проекти чрез проектно-базирано обучение, вграждайки AI грамотността в практиката. Заедно тези находки предполагат, че CT е преносимото когнитивно ядро на AI грамотността.

  • Образователната роботика като средство за CT. Роботиката е най-изследваният контекст за развитие на CT в K-12 и STEM образованието. Изследване в средното образование твърди, че образователната роботика подобрява решаването на проблеми и критичното мислене само когато концепциите на CT се правят явни и се свързват с STEAM учебната програма, вместо да се третират като изолирани технически упражнения. Систематичен преглед на 95 изследвания потвърждава, че роботиката насърчава CT, творчеството и решаването на проблеми и че игрово-базираното обучение подхожда на неформални среди, докато геймификацията доминира във формалните класни стаи и подкрепя проектно-базираното обучение. Доказателства от обучението на учители показват, че интегрирана интервенция с Micro:bit + робот + машинно обучение произведе значими печалби в знанията за CT (d = 0,638) в началната подготовка на учители, което аргументира, че роботиката трябва да се вгради, за да могат бъдещите учители да преподават CT. LLM могат да свалят бариерата още: EduSim-LLM свързва LLM с роботна симулация, така че начинаещите управляват роботи чрез естествен език, правейки роботиката с вграден CT достъпна без програмиране на ниско ниво.

  • AI като „по-способен връстник“ може да понесе CT в слабо обезпечени курсове по роботика. 14-седмичен квазиексперимент със 103 първокурсници в Нигерия установи, че AI-подкрепеното проблемно-базирано обучение (ChatGPT и Teachable Machine в зоната на проксималното развитие) превъзхожда конвенционалното обучение по постижения в изчислителното мислене и роботичното програмиране на посттеста, без модериране по пол (изследване на AI-PBL роботика (2026)).

  • LLM като инструменти за оценяване и развитие на CT. Генеративният AI предлага мащабируеми начини за измерване и скафолдинг на CT. Изследване за оценяване на CT по физика показа, че LLM могат да отразяват човешките оценители при оценяването на растежа в практиките за работа с данни и практиките за изчислително решаване на проблеми в курсове по физика с голям брой студенти — докато и хората, и LLM се затрудняваха с по-сложния конструкт системно мислене, което маркира ясна граница за автоматизацията. Визуалното проследяване на заявки показва как визуализацията може да скафолдва абстрактното изчисление, изграждайки интуиция, която подкрепя развитието на CT. Таксономия на заблудите за условни оператори и цикли предоставя фини цели за скафолдинг и за автоматизирано откриване на заблуди, свързвайки се с Misconceptions about AI. Тези инструменти обаче работят най-добре, когато педагогическият дизайн води: прегледът по информатика установи, че семестриалните дизайни „Виртуален преподавател“ със скафолдвана обратна връзка последователно подобряваха CT, докато неструктурираният достъп до инструменти увеличаваше разочарованието.

Трайните компетентности се изместват, след като реализацията се автоматизира: доклад от работна среща назовава абстракцията, изчислителното мислене и „спектъра на проверка“ като уменията, които да се преподават, цитирайки изпитание с близо 1 000 студенти, където неограниченият достъп до GPT-4 повиши представянето в упражненията с 48%, но намали резултатите от изпита с 17%, след като AI беше оттеглен (Lee et al. (2026)).

  • CT в K-12, обучението на учители и препроектирането на оценяването. CT обхваща целия спектър от K-12 до висшето образование и преоформя оценяването. В ранното детство AI-Play разширява CT и AI грамотността към обучаеми от Pre-K–K2 и нетехнически семейства; в университетския край изследването на оценяването по ООП установи, че системите GenAI от 2026 г. превъзхождат средния студент на автентични изпити по програмиране, но все още се провалят на интерфейси, абстрактни класове и наследяване — повтарящи се концептуални пропуски, които маркират точно къде CT остава труден за автоматизиране. Рандомизирано A/B кръстосано изследване показа, че задачите за оценяване и критика дават резултати, сравними с генерирането, което предполага, че CT може да се упражнява чрез съдене на дефектни AI решения, макар печалбите да изискват съзнателен скафолдинг. В основата на всичко това стои учителят: изследването с Micro:bit свързва обучението по CT пряко с подготовката на учители, а изследването на сократически чатбот свързва точното формулиране на проблема, което CT изисква, с измеримо представяне в курса.

  • Валидиран инструмент локализира къде CT е най-труден. Тест за изчислително мислене с 34 пункта, изграден с дизайн, центриран върху доказателствата, и валидиран чрез теория на отговора на пункта сред 461 студенти по AI програмиране, концентрира трудността в представянето на данни, последователността на логическите оператори и структурите на циклите, а не равномерно по учебната програма (Zhang и Zhang (2026)).

CT и преходът от потребители на AI към производители, творци и дизайнери

Централна цел на CT в AI ерата е да придвижи учениците и преподавателите отвъд пасивното потребление на резултати от AI към създаване, изграждане и проектиране с и за AI — програма, която свързва CT с конструкционисткото обучение (учене чрез правене). Свързаните статии в базата знания все по-ясно правят този обрат към производител/творец/дизайнер явен. Изследването върху авторството на модели преформулира ученето чрез конструиране с GenAI като измерим процес на „авторство на модел“ — студентите авторизират, отстраняват грешки и итерират върху AI модели, вместо просто да потребяват генериран от AI код или отговори. Рамката CtL-GenAI операционализира това като конструкционизъм за епохата на GenAI, третирайки артефактите, които студентите изграждат с AI, като двигател на развитието на CT. CT чрез създаване на AI агенти показва, че проектирането, а не само използването на AI агенти, упражнява пряко декомпозиция, абстракция и алгоритмично разсъждение.

Новите мета-аналитични доказателства изострят тази картина. Мета-преглед на 128 систематични прегледа за CT установява, че областта се събира около единно определение за CT като разсъждение с абстрактни модели, които използват изчислителни стъпки и алгоритми за решаване на проблеми — точно онова мислене за изграждане на модели (а не за потребяване на отговори), което изисква производствено ориентираното обучение. Изследването на CT с роботика в детската градина показва, че дори обучаемите в ранно детство стават производители чрез базирано на игра изграждане с роботи, използвайки проблемно-базирано обучение, разказване на истории и скафолдинг — развитийно първа стъпка към виждането на технологията като нещо, което се конструира, а не само се управлява. А изследването на оценяването и критиката демонстрира, че CT може да се упражнява чрез съдене и отстраняване на грешки в дефектни AI решения — производствена позиция към резултата на AI, която устоява на капана на пасивното потребление.

Практическият извод е, че обучението по CT трябва да бъде проектирано така, че обучаемите да правят неща с AI — да авторизират модели, да изграждат агенти, да конструират артефакти и да критикуват резултата на AI — вместо да получават готови решения. Това едновременно задълбочава CT и изгражда AI грамотността като партиципативна и творческа, а не само концептуална. Учителите от своя страна се нуждаят от подкрепа, за да преминат от използване на AI инструменти към проектиране на обучение, обогатено с AI (вижте Преподаването и Workplace Learning).

Повторното използване на чужди модели принадлежи към производствената позиция: реализирането на публикуван AI модел — избиране, инсталиране, стартиране и валидиране — може да се преподава като научаемо, структурирано умение с резервен маршрут за всеки предвиден провал, и трима студенти по химия без опит в програмирането възпроизведоха и разшириха модел за предсказване на ензим–субстрат в рамките на четири месеца (Achterweust et al. (2026)).

Практически насоки

За преподавателите последователното послание е, че CT се развива чрез явно, скафолдвано, наблюдаемо ангажиране, а не чрез пасивно използване на AI. Свързвайте роботиката с явно картографиране на концепциите на CT към учебната програма; използвайте LLM за симулация, управление на естествен език и мащабируемо оценяване на растежа в CT, като запазвате човешката преценка за конструкти като системното мислене; и препроектирайте оценяването така, че да набляга на оценяването и диагностиката на резултата на AI, а не на голото генериране. Какъвто и да е контекстът — неподключена игра в ранното детство, роботи в средното STEM образование или виртуални преподаватели във висшето образование — структурирайте дейността така, че учениците да трябва да разсъждават за декомпозиция, образец, абстракция и алгоритъм, вместо да получават готови решения.

Връзки със свързани концепции

Изчислителното мислене е споделената когнитивна основа под AI грамотност и Критично мислене, учебното ядро на CS Education и компютърното обучение в K-12, и концептуалната цел, на която Robots in Education, Game-Based Learning и Project-Based Learning са най-добре проектирани да служат. То се задълбочава от големите езикови модели и Generative AI, когато те се използват като инструменти за скафолдинг, и е умението, което таксономиите на заблудите на учениците и оценяването, съобразено с CT, целят да измерят. Учителите го развиват чрез Teacher Education и Workplace Learning, и то се пренася между области, включително Physics Education и STEM като цяло.

  • Изчислителното мислене предсказва ученето с AI асистент. Осмокласници с високо изчислително мислене значително превъзхождаха връстници с ниско CT в курс с AI асистент за програмиране, използвайки асистента за разбиране, а не за извличане на отговори.

Чести заблуди

  • „AI премахва нуждата от изчислително мислене.“ Изследването върху отстраняването на грешки в чат установи, че когато студенти отстраняваха грешки във вериги с помощта на LLM, липсите им във фундаменталните концепции и критичното мислене — а не инструментът — бяха ограничаващият фактор. CT е това, което позволява на обучаемия да оцени един резултат, вместо да го приеме, и точно тази способност прави помощта от AI изобщо използваема.
  • „Помощта от AI изравнява условията в слабо обезпечени среди.“ Може, при определени условия. 14-седмичен квазиексперимент със 103 първокурсници в Нигерия установи, че AI-подкрепеното проблемно-базирано обучение (ChatGPT и Teachable Machine) даде печалби, а AI като „по-способен връстник“ носи CT там, където друга подкрепа липсва. Но това е находка за структурирана интервенция, а не свойство на даването на чатбот на студентите.
  • „LLM не могат надеждно да оценяват CT.“ Изследването за оценяване на CT по физика установи, че LLM могат да отразяват човешките оценители при оценяването на растежа в практиките за работа с данни и практиките за изчислително решаване на проблеми в курсове с голям брой студенти. Пречката пред мащабирането на оценяването на CT е била капацитетът на оценителите и това ограничение отслабва — което измества дизайнерския проблем към въпроса дали инструментът измерва CT, а не съответствие.
  • „CT е умение за програмиране, което роботиката случайно преподава.“ Систематичен преглед на 95 изследвания потвърждава, че роботиката насърчава CT, творчеството и решаването на проблеми, но също и че контекстът модерира резултата: игрово-базираното предаване подхожда на неформални среди, докато геймификацията се различава във формалните. CT е набор от практики, които се пренасят неравномерно, така че твърдението за пренос се нуждае от дизайна на задачата, който действително е използван.

Свързани концепции

Свързани статии

Метаданни

ДисциплинаCs Education, Stem Education
НивоK 12
Технологии и техникиAdaptive Learning, Generative AI, Large Language Models (LLMs), Prompt Engineering
Основи на AI в образованиетоAI грамотност
ИзточникИсторияРедактиранеЧат

Вграждане на тази страница

Копирайте кода по-долу, за да вградите тази страница в система за управление на обучението или друг уебсайт. Вгражданата версия показва само съдържанието на страницата — скрива заглавната част, навигацията и долния колонтитул на сайта.