AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Вычислительное мышление

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Вычислительное мышление — подход к решению задач, включающий декомпозицию, распознавание паттернов, абстрагирование и алгоритмическое проектирование. В образовании в области ИИ вычислительное мышление является и предпосылкой для понимания ИИ-систем, и навыком, в развитии которого могут помочь инструменты ИИ.

Вопросы для размышления

  • Когда вы решаете задачу, разбивая её на части, замечая паттерны, абстрагируя существенное и проектируя шаги, — вы уже занимаетесь вычислительным мышлением, даже без компьютера. Где вы делали это недавно?
  • Распространённое допущение состоит в том, что вычислительное мышление то же самое, что кодирование или «компьютерная грамотность». Чем они могут отличаться и почему это различие может иметь значение для того, как вы его преподаёте?
  • Исследования предполагают, что именно пробелы студентов в фундаментальных понятиях — а не сам инструмент ИИ — ограничивают их способность судить о предложениях ИИ. Что учащийся уже должен понимать, прежде чем сможет критически оценить выдачу ИИ?
  • Некоторые утверждают, что вычислительное мышление должно вести учащихся от пассивного потребления выдач ИИ к построению, критике и проектированию с ИИ. Как выглядела бы аудитория, которая рассматривает студентов как создателей, а не потребителей?
  • Генеративный ИИ теперь может оценивать рост вычислительного мышления студентов — но и люди, и ИИ испытывают трудности с самым трудным конструктом — системным мышлением. Где, по-вашему, должна остановиться автоматизация оценивания и почему?
  • Исследования в области робототехники обнаруживают, что вычислительное мышление развивается только тогда, когда понятия сделаны явными и отображены на учебную программу, а не рассматриваются как изолированные технические упражнения. Какой риск несёт обучение «техническим навыкам» без называния мышления под ними?

Введение

ВМ в аудитории эпохи ИИ

Связанные статьи этой базы знаний сходятся на центральном утверждении: вычислительное мышление (ВМ) — это концептуальный пласт, необходимый студентам для критического взаимодействия с ИИ, и это также навык, который наиболее прямо углубляется хорошо спроектированным обучением с поддержкой ИИ. Ниже свидетельства сгруппированы по четырём темам, основанным на связанных статьях.

  • ВМ как основа ИИ-грамотности и критической вовлечённости. Несколько исследований показывают, что именно ВМ позволяет учащимся оценивать, а не просто потреблять выдачи ИИ. Chat debugging research обнаружило, что когда студенты бакалавриата отлаживали аналоговые электрические схемы с помощью LLM, ограничивающим фактором были их пробелы в фундаментальных понятиях и критическом мышлении — а не инструмент, — поскольку студентам не хватало ключевых идей, необходимых для суждения о предложениях ИИ. A review of LLM intervention designs также заключает, что движение Информатика (CS) в образовании к вычислительному мышлению поверх овладения синтаксисом — это именно то, что отличает эффективные интервенции от «фрустрации инструментом». В раннем детстве the AI-Play framework строят бесподключённую, игровую ИИ-грамотность, обучая детей тому, что «ИИ — это система, построенная из частей» и «ИИ учится на примерах» — это развитие-обоснованный первый слой ВМ. А an AI academic league связывает ВМ с реальными гражданскими проектами ИИ через Проектное обучение, внедряя ИИ-грамотность в практику. Вместе эти работы предполагают, что ВМ — переносимое когнитивное ядро ИИ-грамотности.
  • Образовательная робототехника как средство ВМ. Робототехника — наиболее изученный контекст развития ВМ в K-12 и STEM-образование. Secondary-school research утверждают, что образовательная робототехника усиливает решение задач и критическое мышление только тогда, когда понятия ВМ сделаны явными и отображены на учебную программу STEAM, а не рассматриваются как изолированные технические упражнения. systematic review of 95 studies подтверждает, что робототехника развивает ВМ, креативность и решение задач и что Обучение на основе игр, подходит для неформальных условий, тогда как геймификация доминирует в формальных аудиториях и поддерживает проектное обучение. Teacher-training evidence показывают, что интегрированная интервенция Micro:bit + робот + машинное обучение произвела значимые приросты знаний по ВМ (d = 0,638) в подготовке будущих преподавателей, утверждая, что робототехника должна быть внедрена, чтобы будущие преподаватели могли обучать ВМ. LLM могут снизить барьер ещё больше: EduSim-LLM связывает LLM с симуляцией робота, так что начинающие управляют роботами на естественном языке, делая встроенную ВМ робототехнику доступной без низкоуровневого кодирования.
  • ИИ как «более способный сверстник» может нести ВМ в курсах робототехники с недостатком ресурсов. 14-недельный квазиэксперимент со 103 студентами первого курса в Нигерии обнаружил, что обучение на основе задач с поддержкой ИИ (ChatGPT и Teachable Machine внутри зоны ближайшего развития) превзошло обычное обучение на посттестовом достижении в вычислительном мышлении и программировании роботов, без модерации по полу (AI-PBL robotics study (2026)).
  • LLM как инструменты оценивания и развития ВМ. Generative AI предлагает масштабируемые способы измерять и скаффолдить ВМ. Physics CT assessment research показали, что LLM могут отражать человеческих оценщиков в оценивании роста в Практиках работы с данными и Практиках вычислительного решения задач на курсах Физическое образование с большим набором студентов — хотя и люди, и LLM испытывали трудности с более сложным конструктом Системного мышления, что отмечает чёткую границу для автоматизации. Visual query tracing показывает, как визуализация может скаффолдить абстрактные вычисления, строя интуицию, которая поддерживает развитие ВМ. A taxonomy of conditionals-and-loops misconceptions даёт точные цели для Скаффолдинг и для автоматизированного обнаружения заблуждений, связываясь с Заблуждения об ИИ. Эти инструменты работают лучше всего, однако, когда педагогическое проектирование ведёт: the CS review обнаружил, что конструкции «Виртуального тьютора» на семестр со скаффолдированной обратной связью последовательно улучшали ВМ, тогда как неструктурированный доступ к инструменту увеличивал фрустрацию.

Прочные компетенции смещаются, как только реализация автоматизируется: отчёт о семинаре называет абстрагирование, вычислительное мышление и «спектр верификации» как навыки для обучения, ссылаясь на испытание почти из 1 000 студентов, где неограниченный доступ к GPT-4 повысил успеваемость на практике на 48%, но снизил баллы на экзамене на 17% после отмены ИИ (Lee et al. (2026)).

  • ВМ в K-12, в подготовке преподавателей и в перепроектировании оценивания. ВМ охватывает весь спектр от K-12 до Высшее образование и перестраивает оценивание. На уровне раннего детства AI-Play распространяет ВМ и ИИ-грамотность на учащихся Pre-K–K2 и нетехнические семьи; на университетском уровне OOP assessment study обнаружило, что системы GenAI 2026 года превосходят среднего студента на аутентичных экзаменах по программированию, но всё ещё терпят неудачу на интерфейсах, абстрактных классах и наследовании — повторяющиеся концептуальные пробелы, отмечающие именно то, где ВМ остаётся трудным для автоматизации. A randomized A/B crossover study показало, что задания на оценивание и критику дают сравнимые результаты с генерацией, предполагая, что ВМ может быть натренировано через осуждение дефектных решений ИИ, хотя приросты требуют намеренного скаффолдинга. В основе всего этого лежит преподаватель: исследование Micro:bit связывает обучение ВМ напрямую с Профессиональное развитие преподавателей, а Socratic chatbot research связывает точную постановку задачи, которую требует ВМ, с измеримой успеваемостью на курсе.
  • Валидированный инструмент локализует, где ВМ труднее всего. 34-пунктовый тест вычислительного мышления, построенный с помощью Дизайна, центрированного на свидетельствах, и валидированный теорией ответов на пункты среди 461 студента программирования ИИ, сконцентрировал трудность в представлении данных, упорядочивании логических операторов и структурах циклов, а не равномерно по всей учебной программе (Zhang & Zhang (2026)).

ВМ и сдвиг от потребителей ИИ к создателям, авторам и проектировщикам

Центральная цель ВМ в эпоху ИИ — вести студентов и преподавателей за пределы пассивного потребления выдач ИИ к созданию, построению и проектированию с ИИ и для ИИ — повестка, которая согласует ВМ с конструктивистским обучением (обучение через создание). Связанные статьи этой базы знаний всё более делают этот поворот к создателю/автору/проектировщику явным. Model-authorship research переосмысливают обучение через построение с GenAI как измеримый процесс «авторства моделей» — студенты авторят, отлаживают и итерируют модели ИИ, а не просто потребляют сгенерированный ИИ код или ответы. The CtL-GenAI framework операционализируют это как конструктивизм для эпохи GenAI, рассматривая артефакты, которые студенты строят с ИИ, как двигатель развития ВМ. CT through AI-agent creation показывает, что проектирование, а не просто использование, агентов ИИ напрямую упражняет декомпозицию, абстрагирование и алгоритмическое рассуждение.

Новые метааналитические свидетельства уточняют эту картину. A meta-review of 128 CT systematic reviews обнаруживает, что поле сходится на унифицированном определении ВМ как рассуждения с абстрактными моделями, которые используют вычислительные шаги и алгоритмы для решения задач, — именно того вида построения моделей (а не потребления ответов) мышления, которого требует ориентированное на создание обучение. CT-kindergarten robotics research показывает, что даже учащиеся раннего детства становятся создателями через игровое построение с роботами, используя обучение на основе задач, рассказывание историй и скаффолдинг — развитие-первый шаг к видению технологии как чего-то, что строишь, а не просто эксплуатируешь. И evaluation-and-critique research демонстрируют, что ВМ может быть натренировано через осуждение и отладку дефектных решений ИИ — позицию создателя по отношению к выдаче ИИ, которая сопротивляется ловушке пассивного потребления.

Практический вывод таков: обучение ВМ должно быть спроектировано так, чтобы учащиеся создавали вещи с ИИ — авторя модели, строя агентов, конструируя артефакты и критикуя выдачу ИИ, — а не получали готовые решения. Это и углубляет ВМ, и строит ИИ-грамотность как партисипативную и творческую, а не просто концептуальную. Преподавателям, в свою очередь, нужна поддержка, чтобы перейти от использования инструментов ИИ к проектированию усиленных ИИ учебных деятельностей (см. Преподавание и Обучение на рабочем месте).

Переиспользование чужих моделей относится к позиции создателя: реализация опубликованной модели ИИ — выбор, установка, запуск и валидация — может преподаваться как усваиваемый структурированный навык с запасным путём для каждого предполагаемого сбоя, и три студента-бакалавра химии без опыта программирования воспроизвели и расширили модель предсказания фермент-субстрат за четыре месяца (Achterweust et al. (2026)).

Практические рекомендации

Для преподавателей последовательное послание состоит в том, что ВМ развивается через явное, скаффолдированное, наблюдаемое взаимодействие, а не через пассивное использование ИИ. Соединяйте робототехнику с явным отображением понятий ВМ на учебную программу; используйте LLM для Моделирование, управления на естественном языке и масштабируемого оценивания роста ВМ, оставляя человеческое суждение для таких конструктов, как Системное мышление; и перепроектируйте оценивание, чтобы подчеркнуть оценивание и диагностику выдачи ИИ поверх сырой генерации. Какова бы ни была обстановка — бесподключённая игра в раннем детстве, роботы в средней STEM-образование или Виртуальные тьюторы в Высшее образование, — структурируйте деятельность так, чтобы студенты должны были рассуждать о декомпозиции, паттерне, абстрагировании и алгоритме, а не получать готовые решения.

Связи со смежными концепциями

Вычислительное мышление — общий когнитивный фундамент под ИИ-грамотность и Критическое мышление, учебное ядро Информатика (CS) в образовании и K-12 вычислений, и концептуальная цель, которую лучше всего спроектированы обслуживать Роботы в образовании (Robots in Education), Обучение на основе игр, и Проектное обучение. Оно углубляется large language models и Генеративный ИИ, когда они используются как инструменты скаффолдинга, и это навык, который призваны измерять таксономии заблуждений студентов и ВМ-осведомлённые оценивания. Преподаватели развивают его через Профессиональное развитие преподавателей и Обучение на рабочем месте, и оно переносится между областями, включая Физическое образование и STEM в целом.

  • Вычислительное мышление предсказывает обучение с ИИ-ассистентом. Eighth-grade students с высоким вычислительным мышлением существенно превосходили сверстников с низким ВМ на курсе с ИИ-ассистентом кодирования, используя ассистент для понимания, а не для извлечения ответов.

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаCs Education, Stem Education
УровеньK 12
Технологии и методыАдаптивное обучение, Генеративный ИИ, Большие языковые модели (LLM), Промпт-инжиниринг
Основы ИИ в образованииИИ-грамотность
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.