高中生计算思维能力对编程学习意愿的影响研究

郑可欣　肖冰

关键词：学习意愿；计算思维；编程学习

中图分类号：G642 文献标识码：A

文章编号：1009-3044（2022）36-0149-02

1 引言

2022年联合国教科文组织发布的《K-12人工智能课程图谱：政府认可的人工智能课程》报告中，人工智能基础教育课程的开发框架被明确指出，其中算法和编程是使用人工智能技术的基础[1]。在人工智能时代，编程学习受到了广泛重视。目前关于中小学编程教育的研究主要集中于编程教学模式、教学策略、编程工具、教学效果等方面，对于编程学习意愿影响因素等方面的研究较少[2]。虽然学界已有编程学习能够促进计算思维发展的共识，但在实际编程教学中一些学生的学习意愿不高，进而导致学习效果不够理想，无法达到培养高阶思维能力——计算思维的目的。

目前对于如何培养计算思维的研究多聚焦于编程学习，通过Scratch、Python、C语言程序设计语言的学习，达到培养高阶思维能力的目的。较少关注学生是否有意愿参与编程学习和学生已有的计算思维能力对编程的影响。根据期望价值理论的有关研究，当学生认为达成学习目标的可能性越大，学生的学习意愿越强烈[3]。学生已有的计算思维能力可能会影响对掌握编程知识可能性的判断，从而影响编程学习意愿。学习意愿直接影响学习行为，较低的学习意愿则可能导致学生学习投入不够，进而影响学习效果[4]。本研究将探索学生已有计算思维能力对编程学习意愿的相关影响，促进编程课堂高效教学。

2 关键概念

美国学者布伦南（Brennan）和雷斯尼克（Resnick）曾经通过Scratch的在线社区活动和研讨会等活动，将计算思维分解为计算概念、计算实践与计算意识三个维度，这项研究成为其他学者在选择培养学生计算思维课程的重要依据[5]。计算思维的测评工具主要基于以上3个维度进行设计开发。白雪梅和顾小清以中国学生为研究样本，开发了K-12阶段的本土化计算思维测量工具[6]。陈兴冶等人开发了适合本土高中学生的计算思维评价指标体系[7]。

学习意愿指学习者完成学习任务的意愿，学习意愿的强烈与否和多种因素有关，如绩效期望、自我效能感、社会影响等[8]。周仕河认为学习意愿是学生在进行学习活动时的综合心理状态，能够反映了学生对于完成学习目标的兴趣、态度和动机程度，这种心理状态也给教师的教学提供更多的依据[9]。

3 研究设计

3.1 研究对象

本研究以西安市某中学高一年级C语言课程为例，通过随机抽样，向参加课程学习的学生以问卷星的形式发放问卷，参与此次调查的学生皆为自愿参与，回收问卷172份，去除答题时间不足100秒的问卷，有效问卷166份。

3.2 问卷设计

本研究的计算思维评价量表，采用了陈兴冶等人开发的本土化计算思维评价指标体系[7]，分为计算思维技能和计算思维态度两个维度，依据二级指标和关键指标，设计了包含30个题项的评价量表。C语言编程学习意愿评价量表，改编自DAVIS[10]和LIN[11]等关于学习意愿的量表。问卷采用李克特五级量表，从1 到5分别代表“非常不同意”到“非常同意”。

4 研究结果分析

4.1 信效度分析

本研究采用Cronbach α系数对问卷中的数据进行信度分析，使用KMO和Bartlett检验进行效度检验，分析结果如表1所示，由表中可以看出，测量的变量“计算思维”和“学习意愿”的信度系数Cronbach α值均大于0.9，说明本研究中问卷信度较高。问卷效度分析结果中，两个变量的KMO值均大于0.9，Bartlett 检验的p 值均小于0.05，通过Bartlett 检验，说明本问卷的效度较高。

4.2 描述性统计

通过对样本数据的描述性分析，如表2所示。样本中学生计算思维的中位值在4.45，平均值为4.276，学习意愿的中位值为4.2，平均值为4.090。其中有63位同学的计算思维能力得分为5，在样本中的比例为37.95%，计算思维得分低于3（包含3）的学生比例为9.64%。有47位同学的学习意愿值为5，在样本中的比例为28.31%，学习意愿低于3（包含3）的学生比例为13%。从数据中可以看出，该样本中大部分学生具有较高的计算思维能力和比较强烈的编程学习意愿，但仍有学生的计算思维能力没有在以往的课程中得到锻炼，小部分学生的编程学习意愿不强。

4.3 相关性分析

对学习意愿与计算思维两个变量进行正态性检验，由于样本量大于50，故采用K-S检验，结果如表3 所示，学习意愿与计算思维均呈现出显著性（p<0.05），意味着学习意愿、计算思维均不具有正态性特质。但两者峰度的绝对值小于10并且偏度绝对值小于3，则说明数据尽管不是绝对正态，基本可接受为正态分布。

为探究计算思维能力与C语言学习意愿的相关性，由于数据不具有绝对的正态性特质，本研究分别采用了Spearman 和Pearson 验证两者的相关关系，如表4和表5所示。在使用Spearman 相关系数计算时，学习意愿和计算思维之间的相关系数值为0.858，并呈现出0.01水平的显著性，而使用Pearson 相关系数时，学习意愿和计算思维之间的相关系数值为0.870，并且呈现出0.01水平的显著性。两者皆可说明学习意愿和计算思维能力之间有着显著的正相关关系。

将计算思维作为自变量，将学习意愿作为因变量进行线性回归分析，分析结果如表6所示，模型公式为：学习意愿=0.153 + 0.921*计算思维，模型R2 值为0.756，意味着计算思维可以解释学习意愿的75.6%变化原因。VIF 值小于5模型无共线性。对模型进行F检验时发现模型通过F 检验（F=509.056，p=0.000<0.05），即计算思维一定会对学习意愿产生影响。计算思维的回归系数值为0.921（t=22.562，p=0.000<0.01），说明计算思维会对学习意愿产生显著的正向影响关系。

5 结论与建议

本研究基于西安市某中学高一学生C语言编程学习意愿的调查数据，对中学生计算思维能力与编程学习意愿进行相关性分析，探索学生已有的计算思维能力对编程学习意愿的影响。本研究发现学生编程学习意愿的强烈程度与学生已有的计算思维能力具有显著的正相关关系，且学生已有的计算思维能力会对编程学习愿意产生显著正向的影响。

因此编程课程虽然能够培养学生的计算思维，但对于计算思维的培养不应完全依赖于编程课程，因学生已有的计算思维能力会影响学习意愿。同時在中学开展编程课程前，需要充分考虑学生的计算思维能力水平和学习意愿，对于学习意愿较低的学生，不仅仅需要教师设计能够激发学习兴趣的教学活动，更需要教师采取专项训练或其他课程的学习来培养计算思维能力。