在高等教育中培养思维能力和计算思维：来自台湾的基于案例的决策支持模型

时间：2026年1月20日

来源：Thinking Skills and Creativity

编辑推荐：

培养高等教育中计算思维与创造力能力的教学模型研究。摘要：本研究针对台湾高等教育中计算思维（CT）培养的挑战，提出整合决策实验与评估实验室（DEMATEL）、Analytic Network Process（ANP）和语义结构分析（SSA）的评估驱动、案例教学模式。发现概念知识影响最大，问题解决最核心，非计算机专业学生在决策、循环和模块化方面信心差异显著。模型为教育者提供结构化路径，提升学生创造力、批判思维和问题解决能力。

张世奎|林振才|陈荣辉

台湾新北市东南大学休闲管理系

摘要

为应对强调计算思维（CT）作为21世纪核心能力的课程改革，本研究探讨了通过编程教育培养学生高阶思维技能所面临的持续挑战。尽管越来越多的人认识到CT在培养创造力、解决问题能力和批判性思维方面的作用，但许多教师仍缺乏连贯的教学框架，导致学习成果参差不齐。本文提出了一种以评估为导向的、基于案例的教学模式，用于在入门级编程课程中培养CT及相关思维技能。通过将国际认证考试与多标准决策方法（包括决策试验与评估实验室（DEMATEL）、分析网络过程（ANP）和语义结构分析（SSA）相结合，本研究确定了CT发展中最具影响力的认知维度。研究发现，概念知识具有最强的因果影响，而问题解决能力是最为关键且相互关联的维度。非计算机科学专业的学生在决策、循环结构和模块化方面存在信心差异。所提出的模型为教育工作者和课程设计者提供了可操作的见解，为在多样化的高等教育环境中提升学生的创造力、批判性思维和问题解决能力提供了结构化的路径。

引言

全球普遍认同在高等教育中培养计算思维（CT）的必要性。然而，作为培养CT主要途径的入门级编程课程仍然面临较高的失败率和不一致的学习成果（Cooper & Dann, 2015），尤其是在非计算机科学专业学生中（Qian & Lehman, 2017; Rahmat, Shahrani, Latih, Yatim, Zainal & Rahman, 2012）。本研究认为，这些长期存在的挑战源于政策目标与缺乏经验证的教学框架之间的根本性脱节。

世界经济论坛（2020）指出，到2025年劳动力所需具备的十项核心技能包括：分析思维、创新能力、主动学习、复杂问题解决能力、批判性思维、创造力、领导力、技术素养、软件和编程能力以及韧性。其中，CT作为一种基础性的21世纪能力，支持高阶认知过程，如问题分解、算法推理和创造性问题解决。Wing（2006）将CT定义为“利用计算机科学的基本概念来解决问题、设计系统和理解人类行为”。后续学者强调，CT涵盖概念知识（如数据类型和逻辑）、问题分解以及算法思维（Yadav, Mayfield, Zhou, Hambrusch & Korb, 2014），使其既是一项技术技能，也是培养创造力和批判性思维的框架（Selby, 2015）。

编程教育被广泛认为是培养CT的关键途径。文献也表明，编程教育与学生的表现之间存在积极影响关系（Polat, Hopcan, Kucuk & Sisman, 2021; Åkerfeldt, Kjällander & Petersen, 2024）。尽管CT教育得到了广泛发展，但并非所有学习者都能有效吸收和应用所学知识。即使在相同的教学条件下，学生先前的经验和学习动机也会导致CT发展结果的显著差异（Qian & Lehman, 2017）。在台湾高等教育体系中，特别是从多标准决策（MCDM）模型的角度来看，非计算机科学专业学生的这些差异尚未得到充分研究。持续的高失败率和不一致的学习成果不仅仅是个别教学策略或学生特征的结果，而是更深层次结构问题的外在表现（Sinha, & Kapur, 2021; Sun, Guo, & Zhou, 2022）。文献综述表明，许多教育工作者仍然依赖个人教学偏好，缺乏经过验证且层次化的教学模型（Salleh, Mendes, & Grundy, 2010; Bjursten, Nilsson, & Jonsson, 2024）。这样的模型对于系统地描述和解释CT各认知维度之间的相互依赖关系至关重要，从而指导教学设计和评估实践，以提高学生的学习兴趣和效果。

本文通过探讨教师对学生编程学习成功影响因素的看法，填补了现有文献的空白。基于入门级Python课程和微软技术助理（MTA）认证框架，本研究采用多种方法结合决策试验与评估实验室（DEMATEL）、分析网络过程（ANP）和语义结构分析（SSA）来构建计算思维相关能力的分析模型。CT能力之间的关系复杂且因果多样（例如，概念知识如何影响问题解决）。多标准决策（MCDM）方法是一种系统化的方法，可帮助决策者在面对多重冲突目标或标准时做出选择（Sahoo & Goswami, 2023）。然而，传统的定量方法（如结构方程建模）或定性方法只能揭示两个变量之间的线性关系强度和方向，无法解释更复杂的相互依赖性（Yilmaz, 2013）。DEMATEL和ANP是基于MCDM的技术，用于评估复杂系统中的多个标准，确定其相互关系和相对权重。SSA则是一种用于评分数据的分层数据结构方法，常用于问卷分析，以了解学习者对测试题目的反应模式（Takeya, 1999）。

本研究旨在识别关键的学习因素和CT能力，分析不同学术背景学生之间的差异，并提供基于证据的建议。据此，本文为不同学习背景的学生提供了适应性教学方法，最终目标是提升高等教育中的创造力、批判性思维和问题解决能力。

部分摘录

计算机科学素养与计算思维

计算机科学素养（CSL）最初被定义为个人的基本计算机知识、技能和态度（Dinçer, 2018; Néri, Woods, & Fonteles, 2018; Tsai & Tsai, 2003）。其目的是使学生能够有效使用计算机进行信息收集、分析和交流（Fraillon & Duckworth, 2024; Fraillon, & Rožman, 2025）。早期的教育实践主要侧重于操作培训，如数据搜索、信息管理等。

研究方法

本研究结合理论和实证见解，开发了一个培养计算思维（CT）的模型。在多个领域的专家指导下，该模型识别并优先考虑了CT的关键维度和标准。采用准实验设计，通过非等同组别来探讨不同学术背景的学生在传统教学下的概念理解和学习成果差异。图1概述了研究过程。

关键CT

DEMATEL研究结果

为了探索CT发展中各维度及标准之间的相互关系，本研究使用了基于DEMATEL的专家问卷进行成对比较。共收集到20份有效回答（6份现场，14份在线），响应率为100%。这与推荐的DEMATEL样本量（10-30份）相符（Kumar & Dash, 2016）。受访者中80%为男性专家，20%为女性专家，70%来自学术界，25%来自工业界，5%来自政府部门。大多数受访者的经验超过10年。

讨论

基于文献综合和实证案例分析，本研究采用定量方法结合DEMATEL、DANP和SSA，开发并验证了一个用于培养CT技能的层次化模型，作为高等教育中更广泛思维和创造力发展的一部分。该模型包括三个核心维度：概念知识（CK）、算法思维（AT）和问题解决（PS）——每个维度都与特定的教学标准相关，反映了认知成长和创造性问题解决的关键方面。

研究发现

结论

本研究提出了一个结构化的框架，用于培养计算思维（CT）技能，作为培养学生更广泛思维能力和创造力的重要组成部分。结合文献和实证案例分析，该模型包括三个关键维度：概念知识（CK）、算法思维（AT）和问题解决（PS）——每个维度都与两个教学标准相关。通过整合DEMATEL、DANP和SSA方法，本研究考察了这些维度之间的因果关系。