Računalno mišljenje

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

Računalno mišljenje — pristup rješavanju problema koji uključuje razlaganje, prepoznavanje uzoraka, apstrakciju i algoritamsko oblikovanje. U obrazovanju uz umjetnu inteligenciju računalno mišljenje je i preduvjet za razumijevanje UI sustava i vještina koju UI alati mogu pomoći razviti.

Pitanja za razmatranje

Kada problem rješavate tako da ga razložite na dijelove, uočite uzorke, izdvojite bitno i osmislite korake — već primjenjujete računalno mišljenje, čak i bez računala. Gdje ste to nedavno činili?
Uobičajena je pretpostavka da je računalno mišljenje isto što i programiranje ili „računalna pismenost“. Kako bi se mogli razlikovati i zašto bi ta razlika mogla biti važna za način na koji to poučavate?
Istraživanja upućuju na to da nedostatke u temeljnim konceptima — a ne sam UI alat — ograničavaju sposobnost učenika da procijene UI prijedloge. Što učenik mora već razumjeti prije nego što može kritički ocijeniti UI rezultat?
Neki tvrde da bi računalno mišljenje trebalo pomaknuti učenike s pasivnog konzumiranja UI rezultata prema izgradnji, kritiziranju i oblikovanju s umjetnom inteligencijom. Kako bi doista izgledao razred koji učenike tretira kao proizvođače, a ne potrošače?
Generativna umjetna inteligencija sada može ocjenjivati rast računalnog mišljenja učenika — no i ljudi i UI muče se s najtežim konstruktom, sistemskim mišljenjem. Gdje bi po vašem mišljenju automatizacija procjene trebala stati i zašto?
Istraživanja robotike nalaze da se računalno mišljenje razvija samo kada su koncepti eksplicitni i preslikani na kurikulum, a ne kada se tretiraju kao izolirane tehničke vježbe. Koji je rizik poučavanja „tehnoloških vještina“ bez imenovanja mišljenja koje stoji ispod njih?

Uvod

Računalno mišljenje u razredu doba umjetne inteligencije

Povezani članci baze znanja konvergiraju prema središnjoj tvrdnji: računalno mišljenje (RM) konceptualna je podloga koja je učenicima potrebna za kritičko bavljenje umjetnom inteligencijom, a ujedno je i vještina koju dobro osmišljeno UI-potpomognuto učenje najizravnije produbljuje. U nastavku je dokaze razvrstano u četiri teme utemeljene na povezanim člancima.

RM kao temelj pismenosti o umjetnoj inteligenciji i kritičkog angažmana. Nekoliko studija pokazuje da RM omogućuje učenicima da UI rezultate vrednuju, a ne samo konzumiraju. Istraživanje otklanjanja pogrešaka u chatu pronašlo je da su pri otklanjanju pogrešaka na analognim sklopovima uz pomoć LLM-a upravo nedostaci u temeljnim konceptima i kritičkom mišljenju — a ne alat — bili ograničavajući čimbenik, jer učenicima nisu nedostajale ključne ideje potrebne za prosudbu UI prijedloga. Pregled dizajna LLM intervencija također zaključuje da ono što razlikuje učinkovite intervencije od „frustracije alatom“ jest računalnoobrazovni zaokret prema računalnom mišljenju umjesto svladavanju sintakse. U ranom djetinjstvu okvir AI-Play gradi neumreženu, igrom zasnovanu pismenost o umjetnoj inteligenciji poučavajući djecu da je „UI sustav sastavljen od dijelova“ i da „UI uči iz primjera“ — razvojno utemeljen prvi sloj RM-a. A UI akademska liga povezuje RM sa stvarnim građanskim UI projektima kroz učenje utemeljeno na projektima, usađujući pismenost o umjetnoj inteligenciji u praksu. Zajedno, to upućuje na to da je RM prenosiva kognitivna jezgra pismenosti o umjetnoj inteligenciji.
Obrazovna robotika kao nositelj RM-a. Robotika je najproučavaniji kontekst za razvoj RM-a u osnovnom i srednjem obrazovanju i STEM obrazovanju. Srednjoškolsko istraživanje tvrdi da obrazovna robotika poboljšava rješavanje problema i kritičko mišljenje samo kada su koncepti RM-a eksplicitni i preslikani na STEAM kurikulum, a ne kada se tretiraju kao izolirane tehničke vježbe. Sustavni pregled 95 studija potvrđuje da robotika potiče RM, kreativnost i rješavanje problema te da učenje temeljeno na igri odgovara neformalnim okruženjima, dok u formalnim razredima prevladava gamifikacija koja podupire učenje utemeljeno na projektima. Dokazi iz obrazovanja nastavnika pokazuju da je integrirana intervencija Micro:bit + robot + strojno učenje proizvela značajan rast znanja o RM-u (d = 0,638) u početnom obrazovanju nastavnika, uz argument da robotiku treba ugraditi kako bi budući nastavnici mogli poučavati RM. LLM-ovi mogu dodatno sniziti prag: EduSim-LLM spaja LLM sa simulacijom robota pa početnici upravljaju robotima prirodnim jezikom, čineći robotiku s ugrađenim RM-om dostupnom bez programiranja na niskoj razini.
UI kao „sposobniji vršnjak“ može nositi RM u slabo opremljenim kolegijima robotike. Kvazieksperiment od 14 tjedana sa 103 studenta prve godine u Nigeriji pokazao je da je UI-potpomognuto učenje utemeljeno na problemima (ChatGPT i Teachable Machine unutar zone proksimalnog razvoja) nadmašilo konvencionalno poučavanje na posttestu računalnog mišljenja i programiranja robota, bez moderacije spola (istraživanje AI-PBL robotike (2026.)).
LLM-ovi kao alati za procjenu i razvoj RM-a. Generativna umjetna inteligencija nudi skalabilne načine mjerenja i postupne potpore RM-u. Istraživanje procjene RM-a u fizici pokazalo je da LLM-ovi mogu oponašati ljudske ocjenjivače u bodovanju rasta u praksama podataka i praksama računalnog rješavanja problema na velikim kolegijima fizike — dok su se i ljudi i LLM mučili sa složenijim konstruktom sistemskog mišljenja, što označava jasnu granicu automatizacije. Vizualno praćenje upita pokazuje kako vizualizacija može poduprijeti apstraktno računanje, gradeći intuiciju koja podupire razvoj RM-a. Taksonomija zabluda o uvjetima i petljama daje finozrnate ciljeve za postupnu potporu i automatizirano otkrivanje zabluda, povezujući se s zabludama. Ti alati ipak djeluju najbolje kada pedagoški dizajn vodi: pregled u računalnim znanostima pronašao je da su semestralni dizajni „virtualnog tutora“ s postupnom povratnom informacijom dosljedno poboljšavali RM, dok je nestrukturiran pristup alatima povećavao frustraciju.

Trajne kompetencije mijenjaju se kada se implementacija automatizira: izvješće s radionice imenuje apstrakciju, računalno mišljenje i „spektar verifikacije“ vještinama koje treba poučavati, pozivajući se na pokus s gotovo 1.000 studenata u kojem je neograničen pristup GPT-4 povećao izvedbu na vježbama za 48 %, ali snizio rezultate ispita za 17 % nakon što je umjetna inteligencija uskraćena (Lee i sur. (2026.)).

RM kroz K-12, obrazovanje nastavnika i redizajn procjene. RM se proteže cijelim spektrom od K-12 do visokog obrazovanja i preoblikuje procjenu. Na kraju ranog djetinjstva AI-Play proširuje RM i pismenost o umjetnoj inteligenciji na učenike od predškole do drugog razreda i na netehničke obitelji; na sveučilišnom kraju istraživanje procjene OOP-a pronašlo je da GenAI sustavi iz 2026. nadmašuju prosječnog studenta na autentičnim programerskim ispitima, ali još uvijek padaju na sučeljima, apstraktnim klasama i nasljeđivanju — ponavljajuće konceptualne praznine koje označavaju upravo mjesto gdje je RM teško automatizirati. Randomizirano A/B crossover istraživanje pokazalo je da zadaci procjenjivanja i kritike daju ishode usporedive s generiranjem, što upućuje na to da se RM može uvježbavati prosudbom o pogrešnim UI rješenjima, iako dobici zahtijevaju namjernu postupnu potporu. Uz sve to stoji nastavnik: istraživanje s microbitom izravno povezuje poučavanje RM-a s obrazovanjem nastavnika, a istraživanje sokratovskog chatbota veže precizno formuliranje problema koje RM zahtijeva uz mjerljivu uspješnost na kolegiju.
Validirani instrument pokazuje gdje je RM najteži. Test računalnog mišljenja od 34 čestice izrađen uz dizajn usmjeren na dokaze i validiran teorijom odgovora na česticu na 461 studentu UI programiranja koncentrirao je težinu na prikaz podataka, slijed logičkih operatora i strukture petlji, a ne ravnomjerno po nastavnom planu (Zhang i Zhang (2026.)).

Računalno mišljenje i pomak s UI potrošača na proizvođače, stvaratelje i dizajnere

Središnji cilj RM-a u doba umjetne inteligencije je pomaknuti učenike i nastavnike s pasivne konzumacije UI rezultata prema stvaranju, izgradnji i oblikovanju s umjetnom inteligencijom i za nju — program koji RM usklađuje s konstrukcionističkim učenjem (učenjem stvaranjem). Povezani članci baze znanja sve izričitije iskazuju taj zaokret prema proizvođaču, stvaratelju i dizajneru. Istraživanje autorstva modela preokviruje učenje izgradnjom s genAI-om kao mjerljiv proces „autorstva modela“ — studenti stvaraju, otklanjaju pogreške i iteriraju na UI modelima, umjesto da samo konzumiraju UI-generirani kod ili odgovore. Okvir CtL-GenAI to operacionalizira kao konstrukcionizam za doba genAI-a, tretirajući artefakte koje studenti grade s umjetnom inteligencijom kao motor razvoja RM-a. RM kroz stvaranje UI agenata pokazuje da oblikovanje, a ne samo upotreba UI agenata, izravno uvježbava razlaganje, apstrakciju i algoritamsko rasuđivanje.

Novi metaanalitički dokazi izoštravaju tu sliku. Metapregled 128 sustavnih pregleda RM-a nalazi da se područje usklađuje oko jedinstvene definicije RM-a kao rasuđivanja apstraktnim modelima koji rabe računalne korake i algoritme za rješavanje problema — upravo one vrste mišljenja koje gradi modele (a ne konzumira odgovore) kakvo zahtijeva proizvodno usmjereno učenje. Istraživanje RM-a i robotike u vrtiću pokazuje da čak i učenici rane dobi postaju proizvođači kroz igrom zasnovanu izgradnju s robotima, koristeći učenje utemeljeno na problemima, pripovijedanje i postupnu potporu — razvojni prvi korak prema viđenju tehnologije kao nečega što se gradi, a ne samo upravlja. A istraživanje procjenjivanja i kritike pokazuje da se RM može uvježbavati prosudbom i otklanjanjem pogrešaka u pogrešnim UI rješenjima — proizvođački stav prema UI rezultatu koji se odupire zamci pasivne konzumacije.

Praktični zaključak je da poučavanje RM-a treba osmisliti tako da učenici stvaraju stvari s umjetnom inteligencijom — autorski oblikuju modele, grade agente, konstruiraju artefakte i kritiziraju UI rezultate — umjesto da primaju gotova rješenja. To i produbljuje RM i gradi pismenost o umjetnoj inteligenciji kao participativnu i kreativnu, a ne tek konceptualnu. Nastavnici zauzvrat trebaju podršku da prijeđu s upotrebe UI alata na osmišljavanje UI-obogaćenih aktivnosti učenja (vidi ulogu nastavnika i profesionalno usavršavanje).

Ponovna upotreba tuđih modela pripada proizvođačkom stavu: implementacija objavljenog UI modela — odabir, instalacija, pokretanje i validacija — može se poučavati kao naučiva, strukturirana vještina s rezervnim putem za svaki predviđeni neuspjeh, a tri studenta prijediplomskog studija kemije bez programerskog iskustva reproducirala su i proširila model predviđanja enzim–supstrat u roku od četiri mjeseca (Achterweust i sur. (2026.)).

Praktične smjernice

Za edukatore je dosljedna poruka da se RM razvija kroz eksplicitno, potpomognuto i vidljivo bavljenje, a ne pasivnom UI upotrebom. Spojite robotiku s eksplicitnim preslikavanjem koncepata RM-a na kurikulum; koristite LLM-ove za simulaciju, upravljanje prirodnim jezikom i skalabilnu procjenu rasta RM-a, dok ljudsku prosudbu čuvate za konstrukte poput sistemskog mišljenja; i redizajnirajte procjene tako da naglašavaju vrednovanje i dijagnostiku UI rezultata umjesto puke generacije. Kakav god bio kontekst — neumrežena igra u ranom djetinjstvu, roboti u srednjoškolskom STEM obrazovanju ili virtualni tutori u visokom obrazovanju — strukturirajte aktivnost tako da učenici moraju rasuđivati o razlaganju, uzorku, apstrakciji i algoritmu, umjesto da primaju gotova rješenja.

Veze s povezanim konceptima

Računalno mišljenje zajednički je kognitivni temelj ispod pismenosti o umjetnoj inteligenciji i kritičkog mišljenja, kurikularna jezgra računalnog obrazovanja i K-12 informatike, i konceptualni cilj kojemu obrazovna robotika, učenje temeljeno na igri i učenje utemeljeno na projektima najbolje služe kada su tako osmišljeni. Produbljuju ga veliki jezični modeli i generativna umjetna inteligencija kada se koriste kao alati postupne potpore, a to je vještina koju taksonomije učeničkih zabluda i procjene osjetljive na RM nastoje mjeriti. Nastavnici ga razvijaju kroz obrazovanje nastavnika i profesionalno usavršavanje, a prenosi se na područja uključujući fiziku i STEM općenito.

Računalno mišljenje predviđa učenje uz UI asistenta. Učenici osmog razreda s visokim računalnim mišljenjem značajno su nadmašili vršnjake s niskim RM-om u kolegiju programiranja uz UI asistenta, koristeći asistenta za razumijevanje, a ne za dohvaćanje odgovora.

Uobičajene zablude

„UI uklanja potrebu za računalnim mišljenjem.“ Istraživanje otklanjanja pogrešaka u chatu pronašlo je da su pri otklanjanju pogrešaka na sklopovima uz pomoć LLM-a nedostaci u temeljnim konceptima i kritičkom mišljenju — a ne alat — bili ograničavajući čimbenik. RM je ono što učeniku omogućuje da rezultat ocijeni, a ne prihvati, i upravo ta sposobnost čini UI pomoć uopće upotrebljivom.
„UI pomoć izjednačava uvjete u slabo opremljenim sredinama.“ Može, pod određenim uvjetima. Kvazieksperiment od 14 tjedana sa 103 studenta prve godine u Nigeriji pokazao je da je UI-potpomognuto učenje utemeljeno na problemima (ChatGPT i Teachable Machine) dalo dobitke, a UI kao „sposobniji vršnjak“ nosi RM tamo gdje druge usluge izostaju. No to je nalaz o strukturiranoj intervenciji, a ne svojstvo davanja chatbota studentima.
„LLM-ovi ne mogu pouzdano procijeniti RM.“ Istraživanje procjene RM-a u fizici pronašlo je da LLM-ovi mogu oponašati ljudske ocjenjivače u bodovanju rasta u praksama podataka i praksama računalnog rješavanja problema na velikim kolegijima. Prepreka skaliranju procjene RM-a bila je kapacitet ocjenjivača, a to ograničenje slabi — što dizajnerski problem pomiče na pitanje mjeri li instrument RM ili poslušnost.
„RM je programerska vještina koju robotika slučajno poučava.“ Sustavni pregled 95 studija potvrđuje da robotika potiče RM, kreativnost i rješavanje problema, ali i da kontekst moderira ishod: igrom zasnovana provedba odgovara neformalnim okruženjima, dok se gamifikacija u formalnim razlikuje. RM je skup praksi koje se prenose neujednačeno, pa tvrdnja o prijenosu treba dizajn zadatka koji je doista korišten.

Povezani koncepti

Povezani članci

AI-supported problem-based learning for enhancing computational thinking
Computational thinking development in AI agent creation: A mixed-methods study
Reshaping Undergraduate Computer Science Education in the Generative AI Era
Understanding Student Perceptions, Mistakes, and Debugging Approaches when Solving Natural Language Programming Tasks
Using LLMs to Detect Growth in Computational Thinking in Introductory Physics
Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot
Evaluating a Visual Query Tracer and Builder for Learning Declarative Logic Programming
A review of intervention designs of LLM Integration in Undergraduate Computer Science Education
Academic League of Artificial Intelligence: An Integrative Perspective of Teaching, Research, and Extension
AI-Play: A Framework for Teaching Artificial Intelligence Concepts through Unplugged Activities in Early Childhood Education
EduSim-LLM: An educational platform integrating large language models and robotic simulation for beginners
Computational thinking to enhance educational robotics in secondary school's curriculum
Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training
Chat Debugging: An Exploratory Study of Human-AI Collaboration to Debug Analog Circuits
How Students (Mis)understand Conditionals and Loops – A Taxonomy
Revisiting the Performance of Generative Artificial Intelligence on Introductory Object-Oriented Programming Assessments: Insights from 2026
Game-based and gamified robotics education: A comparative systematic review and design guidelines
Is Solving Better Than Evaluating GenAI Solutions?
Integrating AI into computational thinking: development and validation of an assessment tool for higher education students — Test računalnog mišljenja u UI obuci (CTAT)
Exploring the effect of computational thinking levels on students' learning performance, cognition, and behavior when using AI coding assistants — Razine računalnog mišljenja i UI asistenti za programiranje (2026.)
The AI writes the code, the student writes the model: A theory and measurement programme for learning by construction with generative AI — Autorstvo modela: teorija i mjerenje učenja izgradnjom s genAI-om
Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: konstrukcionistički okvir za izgradnju artefakata
Computational thinking: A meta-review of systematic reviews and meta-analyses — Metapregled RM-a iz 128 sustavnih pregleda
Fostering computational thinking through robotics in kindergarten: A systematic review of learning strategies, frameworks, and assessment — Sustavni pregled RM-a kroz robotiku u vrtiću
PRAISE: A Reproducible Workflow for Non-Programmer Scientists to Implement Published AI Models — PRAISE: reproducibilni tijek rada za neprogramere znanstvenike pri implementaciji objavljenih UI modela

Metapodaci

Disciplina	Cs Education, Stem Education
Razina	K 12
Tehnologije i tehnike	Adaptive Learning, Generative AI, Large Language Models (LLMs), Prompt Engineering
Temelji AI-ja u edukaciji	Pismenost u području umjetne inteligencije

Izvor Povijest Uredi Razgovor