人工智能课程中促进计算思维培养的场景设计研究

□沈书生 翁子凌

一、引言

智能时代，人工智能（Artificial Intelligence）在各个领域日渐发挥重要的应用价值，人工智能人才的培养成为各国关键战略，我国也高度重视人工智能教育的发展。2017年我国发布《新一代人工智能发展规划》，指出“实施全民智能教育项目，在中小学阶段设置人工智能相关课程”（国务院，2017）。计算思维（Computational Thinking）被认为是人工智能课程的核心素养之一（谢忠新，等，2019），最早由人工智能教育先驱西蒙·派珀特（Seymour Papert）提出，而周以真（Jeannette M.Wing）教授关于计算思维的新视界则拓展了计算思维的研究与应用领域（孙立会，等，2020），但也使得计算思维内涵趋于一般化。人工智能课程中的计算思维及其培养方法应与学科内容、核心观念和思想方法紧密关联，既遵循计算思维的核心内涵，又呈现出学科自身特征。

作为定位于技术性的学科，人工智能课程的最终目标指向真实场景的应用，从场景出发才能挖掘并实现课程实际价值。2022年2月联合国教科文组织（UNESCO）发布的《K-12 人工智能课程图谱：政府认可的人工智能课程》报告中指出，在人工智能课程的实施上应将内容场景化，场景设计能让学生在情境中体验，在行动中学习，在探索中思考，在反思中感悟（楼又嘉，等，2022）。然而人工智能课程教学实践中脱离场景、场景设计缺乏连贯性、层次性等问题层出不穷，计算思维培养效果不尽如人意。因此，本文将针对人工智能课程中计算思维的特征展开讨论，并探索促进人工智能课程中计算思维发展的场景设计模型，期望为开展人工智能教学实践及健全人工智能课程体系提供参考。

二、人工智能与计算思维

为探寻人工智能课程中的计算思维特征，有必要厘清计算思维的内涵、要素及其与人工智能之间的关系。

（一）计算思维内涵及其要素

自2006年周以真教授正式提出计算思维的概念以来（Wing，2006），国内外众多学者和机构从不同角度对计算思维进行了内涵界定，包括问题解决、心智工具、系统交互、思维方法等方面（见表1）。可以发现，多数研究者倾向以“问题解决的思维过程”来理解计算思维。周以真（Wing，2014）也进一步阐明计算思维是“一种以计算机（人类或机器）可以有效执行的方式来表述问题并表达其解决方案的思维过程”，并认为其中涉及抽象、算法设计、分解、模式识别等关键要素。不少研究者也针对计算思维的要素提出了自己的看法（见表2）。塞尔比等（Selby，et al.，2013）通过对各类文献中计算思维要素使用和解释一致性的筛查，总结出抽象、分解、算法、评估和概括五个具有较高共识性的关键要素。所谓抽象指去除目标系统不必要的复杂性，隐藏合适的细节以识别问题的关键；分解指将复杂问题划分成若干独立部分便于理解和处理；算法是使用有序逻辑指令和步骤描述问题解决过程；评估指依据目标优化问题解决方案保证其全面性和有效性；概括指总结问题解决方法和过程并迁移到一类问题甚至更广泛的领域中去。

表1 部分研究者的计算思维概念界定

（二）人工智能与计算思维的关系

人工智能的目标之一是创制智能机器或系统以弥补和补充人类智能，而计算思维是人工智能系统开发过程的关键所在。在人工智能与计算思维的关系问题上，部分研究者认为运用人工智能与计算思维解决问题的过程具有相似性并涉及相同的要素。譬如，西拉帕霍特等（Silapachote，et al.，2017）研究发现抽象、分解、逻辑推理等计算思维要素也是解决人工智能领域问题所应具备的，两者的思维过程都是基于抽象化过程实现算法，并通过建模应用于问题解决。加达尼迪斯指出人工智能与计算思维之间存在代理、现象建模和超越具体实例的抽象概念三个共有要素（Gadanidis，2017）。布鲁梅伦等（Van Brummelen，et al.，2019）认为应该在伯南和雷斯尼克（Brennan&Resnick）的计算思维框架中加入特定人工智能相关概念，以构成帮助理解人工智能开发过程的思维框架。

也有研究者认为，当前强调的计算思维要素难以适用于人工智能领域问题的解决，因为随着人工智能技术的进步，两者的思维过程不再处于同一层次水平。如沙米尔等（Shamir，et al.，2020）指出人工智能是“自动化的自动化”，是自动化生成自动化解决方案的过程，所涉及的计算思维与传统计算思维（分解、模式识别、抽象和算法设计）不同。陈赞安等（2021）提出人工智能时代下的人机协同中，计算思维不同于计算机领域的技能以及应用计算与计算模型的思维方式，而是需要动态参与并建构创新性的计算模型。皮尔斯等（Pears，et al.，2021）认为现代开发平台、库、引擎和云服务使越来越多的系统开发活动自动化，其中蕴含更高的抽象层次，用简化论和决定论思想所定义的计算思维解释智能系统的能力正在减弱。

综上，可以发现，计算思维是人工智能的基本特征，人工智能对于计算思维的要求又不同于一般的信息技术应用领域中的简单要求。从“过程性”角度来看，人工智能中的计算思维在解决问题的思维过程中也包含抽象、分解等通用性要素，但从“层次性”角度来看，人工智能解决方案相较于传统的机器代理的自动化方案涉及更高层次的计算思维要素。如何从通用性意义的计算思维出发，并结合人工智能的特有属性，阐明当前以及未来人工智能发展过程中应当具备何种层次的计算思维要素，就成为当前需要深入探讨的问题。

三、人工智能类型及其计算思维特征

自达特茅斯会议以来，人工智能便持续更新迭代向实现类人智能的方向不断前进，中间经由不同研究范式的主导形成了不同的发展方向和类型，其所蕴含的计算思维也遵循不同类型人工智能的技术知识体系呈现差异化特征。

（一）人工智能的类型

对于人工智能的分类，哲学领域中通常以弱人工智能（Week AI）与强人工智能（Strong AI）划分，两者的界限在赛尔（Searle）看来，所谓“强人工智能”必须真正像人类一样具备自我意识，否则即使智能体外在表现完全像人，也只是“弱人工智能”（刘凯，等，2018）。而人工智能技术领域，则采用专用人工智能（Artificial Narrow Intelligence）、通用人工智能（Artificial General Intelligence）与超级人工智能（Artificial Super Intelligence）的划分方式（王聪，等，2021）。简单来说，专用人工智能是实现特定领域或功能的单一智能，通用人工智能是基于机器认知实现多领域应用的综合智能，而超级人工智能则是指在几乎所有领域皆超越人脑的超级智能。虽然目前人工智能发展水平依旧未能突破专用人工智能的瓶颈，但科学家们为实现人工智能自主性尝试和探索了众多方法，形成了不同的研究范式。从发展和演变的视角来看，不同的研究范式代表了人工智能的不同阶段和智能类型（见表3）。

表3 人工智能的分类

第一代人工智能又称符号主义人工智能，核心理论是用符号描述人类思维，把人的认知过程看作符号计算过程，试图通过建立通用、万能的符号逻辑运算体系实现对人脑功能的模拟。符号主义人工智能主要以静态、顺序、串行的数字计算模型来处理智能，寻求知识的符号表征和计算（冯锐，等，2010）。其学习过程是从经验或规则出发，根据前提推出结论，采用从一般到特殊的演绎式推理，是一种“自上而下”的模式（魏斌，2022）。

第二代人工智能又称联结主义人工智能，主张认知是相互联结的神经元交互作用的结果，通过对人类神经系统结构的模拟实现智能。联结主义人工智能由大规模节点相互联结形成的网络组成，通过设定传递规则、连接权重以及阈值进行运算，且动态变化的连接权重能够在不断训练中提高情境认知效率（符征，等，2017）。逐步成熟的数据挖掘、深度学习等理论和技术构成了联结主义人工智能的坚实基础，使其能够从大数据中发现相应的规律和特征，形成一种“自下而上”的学习范式，拟合人类的归纳推理能力。

前两代人工智能从不同方面模拟了人类部分智能，而第三代人工智能将会是不同研究范式的有机整合，建构完整立体的“机器大脑”，模拟人脑的工作机制从而真正实现对人类智能的模拟，称之为“类脑智能”。钟义信（2018）将这种融合范式称为“机制主义”，即依据“主客相互作用过程的信息生态演进系统”模型，从“信息-知识-智能”转换的路径出发，着眼于主体生成智能的共性机制，符号主义、联结主义等研究范式则是机制主义不同知识条件下和谐相生的特例。

（二）不同人工智能类型的计算思维特征

通过对不同类型人工智能研究范式的核心思想梳理，本文尝试归纳出了实现对应类型人工智能所需的计算思维特征（见表4）。

表4 不同人工智能类型的计算思维特征

1.符号主义：基于机器符号计算的思维

符号主义认为万物皆可计算与数字化，遵循利用机器可计算的符号系统模拟世界的思维方式，是一种“强计算主义”，其计算思维过程中依赖于对象的可计算的参数，通过对对象的类型处理，形成了可以转化的量化值，采用可计量算法。其特点是整个算法过程具有逻辑推理的确定性和可回溯性，当推理结果不符合预期结果，能够复盘推理过程以定位错误。算法的复杂度处于可控制以及可计量的程度和范围之内，特定的规则设置下经过形式逻辑能够得到确定的结果。这种可计量性也使得对于算法设计以及问题解决方案的评估具备一定的考察标准，即过程与结果之间是否逻辑吻合。

基于机器符号计算的思维方式要求人们通过理想化的简单抽象和线性分解将复杂信息表征为成机器可理解的符号。所谓简单抽象是指降低目标系统的信息复杂度，只保留影响问题解决关键特征，例如研究自由落体问题时忽略物体的体积、形状等只保留质量这一关键特征。而线性分解则是指依据还原论理性思维模式，即质还原为量，宏观还原为微观，整体还原为局部，复杂还原为简单，但这种简单的线性分解法无法从分解部分的性质中体现出整体的特性，破坏了系统的完整性（程承坪，2021）。因此这种简单抽象和线性分解方式只能解决完全信息化和结构化的确定性问题，面对非结构化的复杂系统以及常识问题则束手无策。“知识是人类智能的基础”的提出使符号主义解决了开发复杂系统的问题，人们则需要掌握对特定知识和通用知识等不同类型的概括能力以实现跨领域和跨任务的迁移（张钹，等，2020）。

2.联结主义：基于数据结构计算的思维

联结主义认为神经网络是产生智能的基本要素，依照运用硬件模拟神经元相互作用认知世界的思维方式，是一种“强结构主义”，其计算思维过程中要求人们通过分析半结构化或非结构化数据之间的内在联系，形成事物属性的特征轮廓，采用可描述性算法。联结神经网络结构中存在难以表述的复杂隐藏层，无法透明化输入输出过程，对人类来说是不可解释的“黑箱”，只能通过调整神经元权重使输入输出逐渐拟合，并基于本质抽象提取影响模型分析结果的核心因素。在算法设计上，人类目前暂时难以实现逻辑推理的明确因果关系，因而依赖描述性算法寻找相关性，如同人类思维一样属于具有模糊性特征的近似推理。由于数据分析结果仅能从统计概率意义上进行阐释，所以无法事先预设问题解决的通用模型并设定确定评估标准，对学习评估方面的要求也相应地由基于标准向基于特定问题的指标导向转变。

人工神经网络模型由神经元、输入函数、激活函数、连接权重四大要素组成，具有非线性、分布式计算、高度适应性等特征，模型学习效果由数据集的质量决定，继而强调人们对非结构化数据进行结构分解，包括编码、压缩、融合等过程以剔除异常数据保证其有效性。大量多模态的样本训练是机器学习和概括事物特征并识别目标对象的基础，然而机器归纳特征较人类判断所依据的特征完全不同且十分“脆弱”，不具备广泛的移植性。例如当人穿戴机器习得猿类的特征服饰，可能就会将人判断为猿类。此外，人类仅通过小样本学习便能够实现对事物核心特征的抓取并准确识别目标，如何创新模型结构和算法设计逼近人类判断方式及其水平是联结主义亟待解决的关键问题，这依赖计算思维水平的进一步提升。

3.机制主义：基于人脑认知计算的思维

机制主义认为人脑区别于机器的串行处理，以复杂的并行操作来处理感觉信息，强调利用机器计算模仿大脑感知和推理机制的思维方式，是一种“强自主主义”，其计算思维过程关注对人类认知逻辑的分解和表征，通过对人脑不同功能的共通性原理概括和阐释，设计可解释性算法使机器具有类人的学习知识、掌握技能的自主性认知能力。人脑结构具有模块性特征，各模块负责不同信息处理的环节，明晰人脑不同功能模块的瓜分原理以及它们之间的内在联系并构建多尺度计算组件和多脑区协同的认知模型可能是实现认知计算和类脑智能的关键（焦李成，等，2019）。

当前几乎所有的人工智能系统皆需先进行人工形式化抽象和建模，而人脑则能够实现对不同领域复杂事物的自动形式化抽象和建模以进行问题分析和求解（曾毅，等，2016），这种通用性抽象机制的硬件实现要求人们具备对抽象的对象进行再抽象的能力，即“元抽象”。高层级结构抽象模型算法的设计应具备可解释性，包括算法设计依据原理的可解释性分析、算法输入输出因果关系的可解释性推理以及算法构建后的可解释性评价等，避免由于内部机理和因果机制不可解释、决策逻辑的透明度缺失导致安全性问题。当人工智能系统拥有与人类智能系统相同级别的问题解决能力，技术和质量层面的方案评估也很大程度可交由机器自动化实现，而人类评估更多将从价值层面进行参与，并要求人们将机器基于多模态感知信息分析的理性判断与自身基于情感、人文的价值判断相结合以实现解决方案的最优化。

四、人工智能课程中的计算思维依赖于场景实现

目前人工智能教育涉及课程本位和学科融合两个方向（钟柏昌，等，2022），前者将人工智能作为教与学内容，包括实施全民人工智能教育科普、在中小学设置人工智能课程，以及在高等教育开设人工智能专业培养高层次人才（张珊珊，等，2020）；后者又称为教育人工智能，强调人工智能赋能教育变革，以提升教育质量，实现大规模的独特化教育内容及精确性的服务，提升教学效率（吴永和，等，2017）。本文所指的人工智能课程即学科课程本位教育，其开发的逻辑起点是在理解自然智能（特别是人类智能）基础上创制一定智能水平的机器系统以满足真实世界各类情境的差异化智能需求（柳栋，等，2020）。

皮亚杰（1981）认为，认知主体在认识的发生过程中，既需要依赖于作为客体的认识对象，即指向了物理世界的略显混乱状态的客体，也需要跳出这些具体的物理世界建立关于客体的抽象，形成包含了“物理-数理逻辑”的完整认识，场景可以看作是真实的物理世界，而计算思维可以看作是主体基于真实需求形成的数理逻辑。智能系统的开发依赖于运用计算思维解决各种定义不明确的任务，已有相关研究表明，通过创设真实或虚拟的场景能够帮助学习者更加熟练地处理拟合现实生活的不确定性，支持计算思维的养成和水平提升。例如齐图尼亚蒂斯等（Zitouniatis，et al.，2022）提出了基于场景化学习培养计算思维的方法，通过创设人工智能接管世界的故事场景教授学生利用python 编程解决问题；有研究（Chen，et al.，2020）运用VR 创设抗震救灾虚拟场景，要求学生使用计算思维来解决救灾事件，发现能够较好促进算法、抽象、分解、评估等计算思维能力。面向人工智能课程中计算思维培养的场景设计本质是使场景最大限度适配具有不同智能系统特征的计算思维过程，提供满足学习者需求的支持和服务。场景及其包含的要素为计算思维的形成和应用提供载体，场景之间的关系组合形成面向不同计算思维特征的场景样态，支持学习者搭建解决各种人工智能问题的认知结构，即对应场景的“结构-关系-价值”，如图1所示。

图1 促进人工智能课程中计算思维培养的场景设计

（一）场景支持认知的价值实现：面向真实世界的知识应用

“场景”一词最早适用于戏剧影视行业，是指由特定时间、空间、人物活动等构成的用来表现舞台演出的活动场面或影视剧情相关的内容画面（刘成新，等，2020）。后来广泛应用于社会学、传播学、城市研究等领域，场景的含义逐渐由起初的空间偏向扩大为人与周围景物关系的总和（陆明明，2016）。而对于场景的组成，李鸿磊等（2020）梳理了不同研究领域中场景的构成要素，包括人、地点、时间、场所、行为等。综合相关研究，本文将场景作为嵌入教学过程的工具，它是“现实的基本切片”（Stewart，2003），可以按照原样或修改后的形式进行呈现，帮助学习者参与真实问题解决、决策、形成观点以及创造性地处理现实假设角色的责任、困境和挑战的过程。真实世界场景是获取知识重要来源之一，现实是学生最终的学习场景。通过设计连接现实世界和认知世界的场景，能够为学生提供从现实经验中学习和应用计算思维的机会：一方面，学习者在依据计算思维要素组成及其内在逻辑构建的特定场景中，依赖对有限要素和关系的认知，学习不同人工智能研究范式思想，培养计算思维各方面要素能力，建立运用计算思维看待和解决各类人工智能问题的意识和方法；另一方面，学习者在多种样态的综合场景中输出所构建的完整的计算思维过程，开发相应智能系统解决特定问题并应用和迁移至外部世界。

在具体的教学场景设计上，史密斯等（Smith，et al.，2018）认为应将场景作为内容载体，在保证真实性的基础为场景设置叙事背景，赋予学习者角色身份的同时设计适当的挑战并为学习者提供问题解决的不同选择，通过特定要素的安排形成促进目标达成的路径。基于对不同要素的内涵分析，我们认为学习者、时间状态、空间环境以及情节事件是构建支持认知价值实现的必要要素：（1）学习者是场景的主体并在场景中承担一定角色，执行相应行为推动场景发展和演变，教师需要根据学习者的认知结构特征设计符合其认知水平的角色身份，这种角色身份赋予促使学习者基于角色视角转变思维方式.此外，场景中还可能设置教师扮演的角色以及各类虚拟角色，给予学习者提示、指导的同时提高场景的完整度和真实性；（2）时间状态描述了场景相对于现实的状态以及场景中的人物、关系、事件阶段性变化的过程，赋予场景连续性和动态性的特征。学习者认识和应用过程中所要考虑的约束条件和所能调用的资源都受到时间状态设置的限制（3）空间环境指场景中关系产生、事件发生的场所及其配置的各类资源设备，其存在形式包括实体物理空间、网络虚拟空间以及混合空间等。认知发生于空间环境，其中的客体是认知的形成来源，也是认知作用的操作对象（4）情节事件是在场景中为完成特定任务所进行的各种活动及其序列关系，场景中的要素通过事件进行交互，事件的有序组合连接使场景具有连贯叙事性和多样选择性，不同情节事件的设置引导人物角色探索多种达到特定目标的事件路径，从而形成差异化的认知方式。四个基本要素共同构造了一个场景的基础形态，但由于教学服务对象、价值导向等不同，场景的要素并不总是固定且发挥同等作用，教师可以根据教学目标强化某个要素或增加特定要素。

（二）场景支持认知的关系塑造：呈现多维特征的场景样态

场景是由要素相互交织连接所构成的关系统一体，处理不同场景中复杂的“人-机-物”关系是学习者在特定场景下所需要达成的目标。通过要素设计组合而构建形成的不同场景以特定的连接关系引导学习者抽象问题的逻辑关系并内化运演过程，从而形成对应的思维方式。因此我们可以基于各范式下的计算思维特征，构建序列性、关联性、动态性场景，促进特定计算思维的形成。

1.线性求解：序列性场景

符号主义关注机器符号计算，设计序列性场景促使学习者开展基于知识符号逻辑推理的线性求解。序列性场景围绕可结构化分解和计算的确定性问题搭建，内嵌碎片化知识和规则于场景要素当中，学习者根据问题抽象和分解结果，有序整合零散符号碎片，以线性追溯、还原等方式挖掘解决问题的逻辑过程。序列性场景可以是由多个单一、静态场景组成的综合性链式场景，因果关系是连接不同场景的纽带，前一场景的学习结果成为后续场景学习的条件因素。单个场景内的事件和活动组织遵循大的场景叙述逻辑并设置清晰的目标和对应评估标准，提供改进和优化问题解决方案的参考。此外，为提升场景切换流畅性和趋近理想的学习结果，可以适当增加引导性角色，帮助学习者基于特定步骤解决结构化的串行问题，为后续并行处理复杂系统能力的培养奠定基础。序列性场景的选择和设计可以基于已有符号主义人工智能应用案例，依据学习者特征和教学条件适当调整。例如，基于金融股票问题开发专家系统，依照知识获取、规则建立、用户交互的顺序设计相应的专家对话、股票买入与抛售以及用户使用场景，学生在不同场景下完成对知识的抽象建立知识库，设计算法构建推理规则，基于用户交互习惯设计界面等。在此基础上发掘存在类似智能化需求的相关场景，例如地理、历史知识专家系统等，促进计算思维的迁移和应用。

2.数据分析：关联性场景

联结主义强调数据结构计算，设计关联性场景促使学习者进行基于网络结构权重配置的数据分析。关联性场景由解决具体问题所需数据依附的系列相关场景组合连接而成，学习者通过场景及其数据关系分析寻找网络结构中影响问题解决的关键节点。机器学习的一般模式是从结构中归纳特征，再基于特征识别类似的结构并做出预测等决策行为，特征的归纳依赖大量训练数据。特定数据信息的识别与分析需要联系所处场景中周边关系信息，相同的数据在不同场景下蕴含的信息不尽相同，譬如自然语言处理中，“苹果”一词在不同语境下代表了水果与手机两种不同含义，因而关联性场景的设计中还需依据数据关系调整要素使单个场景内的对象也具备关联性。通过叠加关联性场景提供真实或虚拟关联性数据提升数据的广度、深度和复杂度，能够促使学习设计更具健壮性和稳定性的模型和算法对相关场景以及不同时态场景下的状态数据进行关联性分析。例如研究者在学校人脸识别系统开发项目中设计图书馆、教室、宿舍等具备需求的关联场景，由于不同场景下识别对象不同，需要分析的面部状态数据有所差异，对人脸识别精度要求也存在差别，这便要求研究者能够基于特定指标设计算法，对不同量级和质量数据进行处理。

3.机制阐释：动态性场景

机制主义聚焦人脑认知计算，设计动态性场景促使学习者思考基于认知过程信息转换的机制阐释。所谓动态性主要包括两层含义：一是场景中计算问题的不确定性，对于人脑认知的发掘和理解程度决定了人工智能系统的智能程度，当前认知科学纳入了大数据、多种模量、非离散变量的处理等充满不确定性的处理，超出传统计算系统所处理的单纯的符号系统的状态，更接近了人类系统所应对客体的方式（张寅生，2011）。学习者在动态性场景中面对大量不确定性的认知客体，所设计的算法应当能够针对不同的计算问题进行动态调整，并尝试寻找不同处理方式的机制共通性，建立智能系统不同计算能力之间广泛而深入的连接。二是场景本身的适应性调整，运用人工智能在语言、行为识别和数据分析与处理等方面的强大技术感知场景中学习者计算思维水平以及各要素层次，依此动态性调整和组织场景资源和呈现方式适应整体计算思维过程，也可以针对特定要素进行强化。物联网、VR、AR、MR、全息投影、元宇宙等技术发展使得新型的动态性场景构造成为可能，且通过这种利用智能技术营造的计算文化和氛围有助于学习者更加深刻地体会和理解人工智能。

（三）场景支持认知的结构生成：促进计算思维素养的提升

从问题解决的角度来看，场景既是智能问题的来源，又提供解决问题的场所，既是思维认知活动的客体，又是技能实践活动的对象，涉及抽象问题、分解对象，设计算法、测试评估，以及迁移概括等活动过程。场景作为连接学习者与现实情境的中介，能够通过模拟实践活动促进学习计算思维素养的提升以形成应对真实问题的能力。

1.框架搭建下的问题抽象

现实世界中的问题通常并非独立存在，而是与其他问题相互关联，以问题图式的形式呈现，即一个问题下可能连带着一串问题树或问题链，且围绕着具体问题，往往存在诸多因素限制其解决方法，这些关联特征和约束条件影响后续的分解方式和算法选择。例如在数学应用题中，除了将具体内容抽象为方程外，还需考虑变量的定义域等，并非所有符合方程的解都适合实际情况。通过设计场景中的人物特征、空间范畴、事件序列等并进行标注解释，能够为学习者提供问题的衍生信息，包括智能系统的应用对象、应用场所、处理数据类型等。场景中所搭建的初始信息框架助力学习者从处理各项信息开始提取问题的本质特征，在此基础上，可以增加与问题本身不相关的干扰标签，训练学习者的信息过滤和简化能力。为促进抽象水平的提升，则可以适当隐藏解释信息或仅保留简要提示，使学习者从场景中呈现的要素出发逐步构建出关于问题完整清晰的结构图式。在此基础上，进一步转换场景的描述形式，或从时间状态、情节事件等方面打乱场景顺序，促使学习者从混乱秩序中梳理关键的逻辑结构以及要素间的影响关系。

2.关系调整下的对象分解

抽象化的问题结构是分解的对象，分解的目的在于通过特定指标将复杂问题划分为相对简单的模块或部分，以便设计自动化方案。当问题结构是线性的，可以按照时间顺序或不同部分在场景事件中的位置进行分解，衔接各部分的输入输出就能够实现整体功能。而当问题结构比较发散，各个节点可能需要实现相同的功能或工作，则需要学习者对结构分析后进行决策，依据功能整合相同类型的部分或依据其他指标展开分解，以实现效能最优化。指标选取依赖于对场景要素关系的分析，比如开发智能安检系统，如果在特定场景中识别对象是关键要素，需要根据对象身份特征监测不同类型的物品，而在另一个场景下通过效率是重点，不区分对象身份，则所依据的指标以及模块的划分并不一致。通过在场景中强调特定的要素关系并展示相关应用场景，能够帮助学习者学会如何处理此类关系，从中选取合适的分解指标。基于一类问题或一类系统的开发，可以设计系列场景，调整每个场景下的要素关系，促进学习者形成针对该类问题的分解策略链。

3.过程导向下的算法设计

算法的本质是有序逻辑步骤的集合，将特定的输入转化为目标输出。算法设计要求学习者关注具体的转化过程而不仅仅是最终结果，需要学习者依据问题结构和约束条件选择或设计合适的算法策略的基础上，掌握算法的功能机制，使其具备可解释性。融合智能成像技术，场景能够为学习者具象化呈现算法作用原理，并通过引入设计案例解释特定算法功能与问题需求的适配性。在此基础上嵌入编程程序，场景则具备提供即时、直观地反馈算法正确性和效果的能力，为学习者优化和迭代算法提供支持。此外，场景内容为算法模型提供学习数据，比如设计短视频的推荐算法，针对用户喜欢的内容，需要分解某一视频场景中的人物本身、所处的场所空间以及行为特征，提取视频场景中各类事物的标签，通过大量类似场景的要素数据训练，使其能够识别并寻找到相同或部分相同的内容进行推荐。不同数据集的“投喂”后成长的算法模型可能会输出差异化的生成结果，学习者可以基于目标不断筛选训练数据、调整算法权重挖掘影响因子，探究内部过程的机制原理等。

4.结果模拟下的测试评估

评估自动化方案的首要原则是其解决现实问题的程度，利用仿真环境创设的场景为学习者的方案测试和实践提供可表征的结果预期。一方面，基于场景的效果模拟反馈，学习者可以权衡与比较不同解决方案的应用效果，也可以单独测试各个子问题的算法模块，综合其突出优势重新组合选项形成新的策略方案。另一方面，伴随着解决方案应用，场景中各要素的关系结构不可避免地受到影响而发生改变，并可能导致新的问题出现，学习者需要考虑这种关系重塑是否是映射于现实情境中的某种风险。实际上，这是在场景中赋予学习者决策的权力和责任，除了对开发的智能系统的技术性评估外，还蕴含着价值判断，在技术效益和社会效益之间寻找平衡，从而决定如何完善和改进解决方案。为了克服个人决策的主观性，还可以在场景的智能空间中搭建交互平台，通过同伴、师生等不同主体间的交流互动评价形成群体评估，或引入人工智能生成平台作为场景中的虚拟角色，形成人机协同的多元化评估机制。

5.多样应用下的迁移概括

迁移概括是指学习者识别问题解决方案中的共性模式，并对部分策略方法进行调整使其能够应用于其他问题的解决当中。对于共性模式的识别，可以创设相同类型的场景帮助学习者归纳出问题解决步骤中共同的策略方法，形成应对此类问题的思考路径和策略体系。在保留问题特征的基础上创设差异化问题场景，检查学习者对某一类系统方法理解程度的同时扩展其对该方法应用范畴的认知。而在解决方法的迁移方面，场景支持学习者开发的智能系统进行应用延伸，不仅仅是用于解决相同或相似问题，而是突破特定的功能、机制预设，在多样化学科领域中进行尝试，探索其可行性。教师在这个过程中可以鼓励和引导学习者自主设计新的应用场景以及相关问题，帮助他们深入理解系统方法的在迁移场景中应用的核心原理和关键步骤。此外，场景的可重复性使学习者能够多次经历和回顾整个问题解决过程，并反思和总结各个环节所采用的策略方法的适用性。

五、基于“结构-关系-价值”的场景设计：案例分析

在前文的论述中，我们讨论了场景在计算思维价值实现、关系塑造、结构生成方面的支持作用，解决了“为什么”的问题，为了使场景设计方法能够在具体的教学应用中更具操作性，研究将结合具体的案例，依旧从“结构-关系-价值”三个维度来阐释如何设计场景以实现人工智能课程中计算思维的培养。

（一）价值实现：基于目标的场景主题选择

人工智能课程的目标是使学生能够理解并创制智能解决问题，面向真实世界的需求。场景的价值在于提供真实可控的空间环境，学习者能够在其中应用知识，培养实践技能，通过场景交互获取深入、贴近现实的问题解决经验。为了使这类习得经验能够发挥效用，场景的主题必须契合现实情境。此外，人工智能课程内容涉及各种智能技术，在问题的选择上也需要考虑运用人工智能技术解决问题的适配性。譬如，赖盈勋等（Lai，et al.，2021）针对“物联网应用与实践”课程设计真实应用场景，选取农场、学校、工厂作为场景的主题，这是物联网技术真实应用的场景，且农业精准控制、学校设备管理、工厂自动化制造与该课程学生的“信息工程”专业的工作息息相关。此外，学生能够较为轻松地接触这些场景，因而学习者可以亲自通过实地调研和访谈去挖掘和收集物联网系统在具体应用过程中的问题和智能化需求。同样针对人工智能物联网（Artificial Intelligence&Internet of Things，AIoT）的学习，林育珊等（Lin，et al.，2021）则是在考虑学习者日常接触的场景后，选择智能家居、智能交通等作为场景的主题，要求学习者规划和布局不同类型的传感器以实现对房间各种自动化家具、交通信号灯等的智能化控制。

在场景的要素设计上，赖盈勋等（Lai，et al.，2021）通过360 全景相机拍摄实景图片、视频构建了虚拟的空间环境并侧重于情节事件的设计，学生借助EduVenture VR 设备进行场景探索。就农场主题来说，学习者以物联网专业人员的角色视角展开故事，教师以指导者的角色出现，在场景中扮演农场的工作人员为学习者引出各类信息。场景描述了在农作物生长的整个周期中，由于诸如天气条件引起的灌溉水不足、虫害、杀虫剂测试，以及其他因素导致的农业损失等问题。为帮助学习者解决问题，在场景中还嵌入了对农作物本身以及灌溉渠、水泵机等工具的必要介绍。林育珊等（Lin，et al.，2021）则是强调真实感的打造，借助ARCore 开发平台构建了增强现实的混合空间，学习者能够在其中以3D 方式学习传感器的构造，并尝试在特定位置上布置传感器实现识别功能。

（二）关系塑造：基于范式的场景框架构建

开发不同类型的人工智能系统涉及不同的思维范式，基于范式特征构建的场景框架有助于学习者建立特定的思维方式。在赖盈勋等（Lai，et al.，2021）的设计的农场场景中，学习者的目标是开发调节农作物生长环境智能物联网系统，而精准控制的实现需要系统能够自动采集和分析环境指标数据、生物信息数据等，在农作物的不同生长周期提供合适的生长条件。为了满足数据分析的需求，在场景的样态上就需要考虑采用关联性场景，通过对关联数据的分析建立关系模型。对于温度、湿度、光照等环境影响因素，可以分别设计相应的场景，突出呈现单个因素对植物生长的影响，例如可以在场景中模拟不同温度下作物的生长情况，使学生能够收集相关数据分析作用关系。通过在不同场景建立的关系规则的整合，学习者可以进一步探索各因素对作物生长的复杂交互关系，逐步形成完整的数据关系图谱并用于系统模型的训练，场景的整个框架设计呈现出中心发散的轮式结构。

在林育珊等（Lin，et al.，2021）创建的智能家居场景中，学习者被要求在特定空间内规划和布置不同的传感器实现家具联动，并为每个传感器设计算法和编码。智能物联网系统同样需要获取多模态环境数据，同时对人的动作、姿态、表情、声音等进行感知和识别，以实现手势、语音控制等多种人机交互方式。为了提供个性化、智能化服务，智能系统还应基于收集的数据做出智能决策，控制相关设备行为，例如根据用户位置和行为自动调节空调工作模式、灯光亮度，或依据用户的喜好和习惯进行个性化设置等。因此在原来多模态数据关联的场景框架中，还需要设计多种动态性场景，呈现不同时间状态下的用户行为状态。这些动态场景模拟家庭环境中用户的真实行为和需求变化，为系统优化决策策略提供学习数据。

（三）结构生成：基于要素的场景内容呈现

计算思维的问题解决过程包含抽象、分解、算法、评估、概括五个关键环节，为了使学习者建立这种认知结构，赖盈勋等（Lai，et al.，2021）在整个场景的呈现上也遵循这一逻辑过程。场景开始会呈现一段系统性的介绍画面，让学生从现象中抽象并用文字描述存在的问题。教师在场景中扮演指导者的角色，与学生一起讨论问题产生的原因，要求学生尝试对问题进行分解归类，并初步分析问题的成因。通过对信息的探索和对关键影响因素的认知选择，系统性的问题会被分解为子问题，并转到子场景情节。在子场景中向学生进一步解释导致问题的因素，例如田地需用固定量的水进行灌溉，而当水不足或天气太热时就会发生干旱情况；害虫的危害是由于农药分布的不当控制和分布不均匀等。基于子场景内容，学生被要求思考哪些物联网设备可以用于协助解决问题，在Arduino Uno 上进行算法设计和程序代码编写，研究人员在场景中嵌入了AIoT 分析平台，用于学生检验评估自己数据算法的选择，平台通过模拟结果分析给予学生即时反馈。完成子场景的问题解决后，学生可以回到主情节，进入另一个子场景来解决相关问题，直到完成所有的模块探索并最终形成完成的系统解决方案设计。

当学习者掌握了基本的计算思维过程，教师可以基于学习者的计算思维水平调整场景内容和活动实现计算思维能力的进一步提升。例如隐藏部分信息于场景画面或角色当中，不随情节演进直接呈现，只有学习者考虑和探索相关因素才进行展示；适当去除文字信息和介绍，通过图像形式呈现，要求学生在抽象问题本质的基础上运用文字或流程图等进行描述；在算法设计过程中，要求学习者撰写算法报告，记录和解释算法原理、数据训练集以及每次的修改过程；设计系统在技术应用、实用性、完整性、可行性、预期收益等方面的指标使学习者对解决方案进行定量评估；要求学习者将设计系统应用于其他主题场景的问题解决，分析其解决效益，提出调整策略，并设置展示交流活动，学习者通过演说、汇报形式回顾和介绍系统的完整思路过程与核心方法。

六、结语

计算思维是人工智能领域实践的核心，伴随人工智能技术的发展以及问题解决思路的转变，计算思维理应呈现出契合人工智能的特点从而在其要素上体现出区别一般信息技术应用领域的差异性。满足真实世界场景智能化需求的人工智能开发离不开计算思维的运用，通过设计相应场景能够让学习者在解决真实人工智能问题中使计算思维素养得到持续提升和进一步发展，培养人工智能创新型人才以向实现通用人工智能迈进，发挥服务未来的价值。