面向计算思维培养的4C/ID+PT编程教学模型构建

摘要：学生的计算思维培养是当前编程教学的重要研究内容，但在其培养策略研究中，学者们仍缺乏对计算思维综合性和学生认知负荷的综合考量，不利于学生计算思维的整合与迁移。该文基于编程教学和计算思维，将综合学习设计与精准教学相结合，构建了面向计算思维培养的4C/ID+PT编程教学模型。

关键词：计算思维；精准教学；综合学习设计；编程教学

中图分类号：G642      文献标识码：A

文章编号：1009-3044（2022）31-0145-04

1 引言

自2006年周以真教授首次提出计算思维概念，并强调计算思维对一般专业、一般大众的重要性以来[1]，人们对它的重视程度逐渐提高。随着人工智能对社会经济发展的影响越来越大，如何培养学生的计算思维已经成为近年来一个热门的研究课题。

但在现实的编程教学中，学生计算思维提升仍有较大阻碍。由于计算思维的综合性和学生自身认知水平的局限性，学生在理解计算思维，独立完成任务，形成新的思维习惯等方面存在一定困难。因此，探究计算思维培养的新方法或新工具以解决其复合性问题，减轻学生认知负荷，是当前计算思维培养的重要课题。在本研究中，我们将综合学习设计与精准教学相整合，以综合学习设计应对计算思维的综合性问题，在开展综合性认知训练的同时实施个性化学习，降低学生认知负荷，共同促进学生计算思维提升。

2 文献综述与理论基础

2.1 计算思维

2006年，周以真教授对计算思维进行了定义。她认为计算思维是一种使用计算机科学的基础概念解决问题、设计系统和理解人类行为等涵盖计算机科学之广度的一系列思维活动[1]。英国学校计算课程小组（CAS） 认为计算思维是逻辑能力、算法能力、递归能力和抽象能力的综合体现[2]。Korkmaz将计算思维划分为创造力、问题解决、算法思维、批判思维和合作学习五大核心技能[3]。由此可见，计算思维具有综合性，并不是单一化能力。

编程教学是当前计算思维培养的主流方式之一。在以编程课堂作为计算思维培养载体的同时，课程教学还需具备更加具体的教学设计和策略。学者们将计算思维培养纳入教学目标，采用基于问题的学习、项目化学习、协作学习、游戏化教学等形式开展了一系列培养学生计算思维的教学实践。Ernawati将基于问题的学习融入初级计算机教学，促进学生对计算思维的理解以及编程学习积极态度的保持[4]。丁世强分析计算思维与项目式教学之间的映射关系，提出了面向计算思维能力发展的项目式教学模式[5]。Panskyi在基于游戏的环境中开展创造性编程教学活动，发展学生的计算思维能力[6]。

虽然国内外对基于编程教学的计算思维培养开展了一系列研究，但是大多数研究缺少对计算思维综合性和学生认知负荷的综合考量，可能会对学生计算思维的各能力整合和迁移造成一定影响。基于此，现有的教学设计与策略对计算思维培养具有一定的局限性，还需要进一步的理论与实践探索研究。

2.2 综合学习设计

20世纪90年代初，荷兰教学设计理论家杰罗姆·范梅里恩伯尔及其团队提出了“综合学习设计”，也称“四元教学设计”（Four Component Instructional Design，4C/ID） ，以帮助学生学习复杂技能，促进学习迁移。综合学习设计包含四个基本要素，分别是学习任务、相关知能、支持程序和专项操练。学习任务可指学生学习的案例、实施的项目和提出的问题等内容。相关知能指帮助学生达到完成学习任务的创生性层面，包含问题解决、分析和推理等，进而激发创生性技能。支持程序指帮助学生掌握学习任务中常规再生性技能，包括规则和公式等。专项操练指学生为熟练掌握学习任务中某些常规方面进行的额外训练[7]。

国内外相关研究表明，综合学习设计有利于学生复杂认知技能的学习、整合、迁移以及能力培养。综合学习设计方法适用于教授不同复杂技能且需要知识、技能和态度相整合的任务[8]。在编程教育中，4C/ID模型与Scratch相结合可有效促进小学编程教学[9]，在支持脚手架和阐明复杂项目过程中提升学生编程技能[10]。此外，综合学习设计也通过与自主学习、翻转课堂、基于问题的学习等模式相结合，促进了学生深层次学习、高阶思维和能力养成，以及学习迁移[11]。

2.3 精准教学

20世纪60年代，奥格登·林斯利（Ogden Lindsley）基于斯金纳的行为主义学习理论提出了以“流畅度”为衡量指标的精准教学（Precision Teaching，PT） 。但由于行为主义理论本身的局限性、且存在着学生数据难以收集、操作过程复杂烦琐、测量标准不统一等问题，并没有受到教师的广泛推崇和应用，从而逐渐失去活力。

随着人工智能和大数据技术的迅猛发展，传统行为主义理论的精准教学开始向数据驱动的精准教学转变。以技术手段获取学生各项学习数据，以数据为基础进行教学分析，制定精准教学路径，并针对学生知识薄弱点实施精准干预[12]。

雖然，数据驱动的精准教学在把握教材内容和学生学习难点[13]，提高学生数学学习主动性、学习深度和学习成绩等方面均已取得了较好的成效[14]。但其也存在着被技术与数据裹挟、教师教学去技能化等现象。因此，基于人机协作的精准教学理念应运而生，即在教与学过程中充分发挥教师智慧与机器智能[15]。

在人工智能和大数据等技术的支持下，精准教学通过发挥教师智慧和机器智能，精准分析学生学习情况，精准评估，精准干预，满足学生个性化需求[16]，最大化综合学习设计优势，降低学生认知负荷，提升学生计算思维。

3 面向计算思维培养的4C/ID+PT编程教学模型

本文试图通过综合学习设计与精准教学的实施，面向学生计算思维培养，提出一个4C/ID+PT编程教学模型。如图1所示，在编程教学背景下，为提升学生计算思维，本文将教学模型分为教学设计和教学实施两部分。在教学设计部分，我们将编程教学分为学习任务、相关知能、支持程序、专项操练四个模块，它们相互贯通、循环迭代。在教学实施部分，智能教学系统收集分析学生在线学习行为数据，教师观察学生学习情感变化，综合分析平台数据和情感数据，为编程教学提供精准测评、精准推送、精准干预、精准反馈和精准反思。

3.1 教学设计

3.1.1 设计学习任务

学习任务是教学活动的核心，它促使学生在任务实践中进行归纳学习，形成综合型知识能力体系，有助于实现计算思维能力的整合与迁移。教师依据教学目标，设计学习任务，将计算思维融于各编程任务，使学生通过对各项编程知识与技能的整合与协调，提升学生计算思维能力水平。依据教学内容难易程度和学生当前计算思维能力水平，教师把握任务组难易跨度，划分任务组类别，且任务组难度呈阶梯式增长。

3.1.2 排定相关知能

相关知能是包含问题解决方法和逻辑推理的支持性信息，为学生提供认知策略和心理模式指导，促进学生通过学习精细加工生成创生性技能。在编程教学中，相关知能站在编程专家视角，为学生提供任务经验规则、问题解决步骤和方法，以及语言、算法等编程模型。

在内容呈现上，教师分析明确学生自身的编程认知策略和心理模式的不足，提供具有针对性的相关知能，以避免学生因信息冗余和认知负荷产生学习倦怠。在呈现策略上，课前教师以导学资源呈现相关编程心理模型，课中以示范样例的形式带领学生归纳形成正确编程认知策略。在呈现形式上，借助媒体等技术手段，注重教学趣味性，生成多重感官相结合的支持性信息。

3.1.3 设计支持程序

支持程序是指包含固定程序规则和前提知识的程序性信息，为学生提供认知规则和前提知识的支持，促进学生通过知识编辑生成再生性技能。在编程教学中，支持程序具体包含编程操作步骤、编程规范、程序开发环境和编程工具的应用规则等内容。

相较于相关知能，支持程序更强调即需即用和同时呈现。依据当前的具体编程步骤和学习需求，支持程序即时给予学生相对应的程序性信息支持。支持程序与编程界面的同时呈现，防止学生因为信息分离而导致学习注意力分散。

3.1.4 安排专项操练

专项操练是学习任务的延伸，发挥学习强化和拓展作用。依据每位学生的最终评估反馈结果，教师总结分析学生再生性编程技能的不足，确定专项操练内容。专项操练形式分为练习题和实践操作任务。在技术支持下，针对学生再生性编程技能的不足，智能教学系统推送练习题，教师布置实践操作任务，并按需提供任务支持。同时，针对学有余力的学生，按照其思维水平，实施个性化学习拓展，激发学生编程兴趣以及对问题的深层次思考。

3.2 教学实施

3.2.1 精准测评

精准测评贯穿于课程教学全过程，为精准匹配学习任务提供依据。在课前，教学平台负责及时推送导学资源与诊断试题，收集分析学生行为数据和试题测验结果。教师结合个人教育经验，关注学生情感表现，多方面精准判定学生当前编程学习情况和班级整体情况，包括学生答题情况、学生计算思维能力水平、学生学习特征、知识点分析等内容。在课中，教学平台借助数据挖掘等手段，收集分析学生学习行为表现，获取学生的学习访问行为、互动行为、作业提交行为等数据。教师结合学生自评和互评，以更全面的视角精准判定学生编程学习时思维能力的潜在问题和缺陷。

3.2.2 精准推送

在同一任务组中，随着学生思维能力的提高，相关资源支持也会在任务中逐渐减少直至消失。针对学生不同学习情况，明确学习需求，精准教学只推送学生当前所需的任务支持信息，达到教学资源与学生水平的精准匹配。并且，依据学生学习特征，教学资源搭配适宜呈现方式。这既提升学生学习效率，也减少教师教学的机械性操作。教师可将更多精力和时间用于解决学生个性问题，学生也可以自定步调地合理安排学习时间以及选择学习内容。

3.2.3 精准反馈

在完成某一项编程任务后，学生会获得认知反馈和矫正反馈。基于学生认知思维不足，认知反馈呈现学生与专家的问题解决方式和思维方式对比，引导学生反思自我思维方式，实现相关知能与问题解决的双向促进。基于学生学业表现不足，矫正反馈给予学生修正错误行为提示。矫正反馈会明确告知学生错误点，并指出学习错误，常常以一个相似的案例或示范引导学生探索出正确的步骤和方法。在课程结束后，教师为学生制定个性化学习总结性反馈报告。学习报告涉及个人和班级学习情况、各项任务完成情况分析、个人编程能力和计算思维分析，以及认知提示和学习建议。同时，采用雷达图、折线图等统计图形，将学习评估数据可视化，直观地展现学生学习情况。

3.2.4 精准干预

基于学业评估和学生学习特征，教师为学生提供个性化干预。面对不同干预对象，教师会采取不同干预方式，提供不同干预内容。干预对象分为班级和学生个人，干预方式分为师生交流、教师指导、问题提示和学习建议等内容，干预内容可涉及编程知识、编程技能、编程策略、编程技巧和编程学习动机等内容。基于学生学习情况、问题答疑情况和学业评估结果，面对班级群體，教师总结并集中讲解学习共性问题，适当调整教学进度和任务内容。面对学生个人，在教学过程中，教师针对学生编程知识点困惑、编程困难等情况，及时采取适宜教学干预。

3.2.5 精准反思

精准反思包括教师教学反思和学生自我反思。在课程结束后，教师通过编制教学反思报告，分析学生学习情况，从教学实施过程、个人经验、教学关系、教学理论融合等多方面反思教学过程。学生接收并查看学习反馈报告，掌握个人学习情况、编程任务完成情况和计算思维能力水平情况，从个人学习态度、知识技能掌握、学习整合迁移、任务训练过程和学习策略等方面进行学习反思。

4 结束语

在人工智能飞速发展的时代，计算思维是每个人应该具备的技能之一，计算思维培养也日趋受到重视。针对计算思维的综合性以及学生的认知负荷问题，本文将综合学习设计与精准教学相结合，教学设计与教学实施相贯通，构建了4C/ID+PT编程教学模型。在计算思维如火如荼的当下，期望该教学模型能够给利用编程教学培养学生计算思维的同仁提供一定参考。后期，我们将会关注如何为此模型开发相应的工具，以使该模型能够更好地服务于学生计算思维培养。

参考文献：

[1] Wing J M.Computational thinking[J].Communications of the ACM，2006，49（3）：33-35.

[2] Computing at School Working Group. Computer Science： A Curriculum for Schools[DB/OL].[2021-10-20].http：//www.computingatschool.org.uk/ data/uploads/ComputingCurric.pdf.

[3] Korkmaz ?，?akir R，?zden M Y.A validity and reliability study of the computational thinking scales （CTS）[J].Computers in Human Behavior，2017，72：558-569.

[4] Ernawati，Halim A，Syukri M.Integration of Problem Based Learning （PBL） and Engineering is Elementary （EiE） to improve students creativity[J].Journal of Physics：Conference Series，2020，1460（1）：012117.

[5] 丁世强， 王平升， 赵可云，等. 面向计算思维能力发展的项目式教学研究[J]. 现代教育技术， 2020， 30（9）：7.

[6] Panskyi T，Rowinska Z，Biedron S.Out-of-school assistance in the teaching of visual creative programming in the game-based environment-Case study：Poland[J].Thinking Skills and Creativity，2019，34：100593.

[7] 盛群力，王文智，魏志慧.10步骤的10+问题——与《综合学习设计》作者的对话[J].开放教育研究，2012，18（4）：4-11.

[8] Frerejean J，van Merri?nboer J J G，Kirschner P A，et al.Designing instruction for complex learning：4C/ID in higher education[J].European Journal of Education，2019，54（4）：513-524.

[9] Es N V，Jeuring J.Designing and comparing two scratch-based teaching approaches for students aged 10-12 years[C]. The 17th Koli Calling Conference， 2017.

[10] Peng J，Wang M H，Sampson D，et al.Using a visualisation-based and progressive learning environment as a cognitive tool for learning computer programming[J].Australasian Journal of Educational Technology，2019，35（2）.

[11] 徐显龙，徐浩鑫，林易，等.复杂技能综合学习的研究主题与发展趋势——基于2000—2019期刊论文的分析[J].电化教育研究，2021，42（3）：120-128.

[12] 秦丹，张立新.问题与优化：课堂精准教学实践的现实审视与反思[J].电化教育研究，2019，40（11）：63-69，77.

[13] 吴丽梅.信息技术助力语文阅读精准教学[J].中小学信息技术教育，2018（11）：52-53.

[14] 王永固，肖镭，莫世荣，等.电子书包赋能的精准教学模式有效性研究——以初中数学复习课为例[J].中国电化教育，2019（5）：106-113，119.

[15] 王良辉，夏亮亮，何文涛.回归教育学的精准教学——走向人机协同[J].电化教育研究，2021，42（12）：108-114

[16] 姬晓灿，成积春，张雨强.技术时代精准教学探究[J].电化教育研究，2020，41（9）：102-107.

【通联编辑：王力】

收稿日期：2022-07-05

作者簡介：龙姣（1997—） ，女，重庆人，硕士研究生，研究方向为信息化教学的理论与实践。