大学生计算思维能力培养水平实证研究

何彤宇 孟晓倩

摘 要：计算思维是当前计算机教育重点研究方向之一，培养大学生计算思维能力是计算机教育的一项重要内容，通过鼓励大学生参加计算机大赛等综合实践活动，有利于启发和培养学生的计算思維能力。对大赛获奖数据进行分析，得到大学生计算思维能力培养现状。选取近5年参赛数据为样本，运用SPSS软件对我国高校大学生计算思维培养水平现状进行研究。结果发现，我国在大学生计算思维培养方面取得了积极成果，相关高校表现突出，经验值得借鉴和学习。

关键词：计算思维;计算机大赛;实证研究

DOI：10. 11907/rjdk. 191935 开放科学（资源服务）标识码（OSID）：

中图分类号：G434文献标识码：A 文章编号：1672-7800（2020）005-0267-04

0 引言

计算思维作为计算机领域广为关注的一个重要概念， 1996年由 Seymour Papert[1]首次提出，逐渐成为计算机教育重点研究方向之一。而计算机科学中的计算思维概念于2006年3 月由Jeannette Wing[2]提出，他认为“计算思维是运用计算机科学的基础概念进行问题求解、系统设计以及人类行为理解等涵盖计算机科学之广度的一系列思维活动”，并将计算思维应用引申到非计算机专业的计算机教育及智力养成和科学计算思维化两个领域;国防科技大学朱亚宗教授[3]认为，计算思维是与实验思维、理论思维齐名的三大科学思维之一。

2010 年发布的《九校联盟（C9）计算机基础教学发展战略联合声明》是高校计算机教学的一个指导性文件。针对如何培养计算思维，浙江大学的何铭钦教授[4]在对九校联盟（C9）联合声明解读中提出，计算思维的培养不仅要通过课堂讲解，使学生逐步掌握相关领域问题求解的核心思路与基本方法，还要强调通过参与小规模的应用系统设计，逐步启发和培养学生的计算思维能力，最终理解问题的求解方式。他特别强调“计算思维能力的培养不仅仅局限于大学的计算机课程，更应贯穿于计算机课程设计、计算机大赛等综合实践活动中” [4-5];陕西师大曹菡教授认为，通过计算机设计大赛，可以让“学生在作品的设计开发过程中，逐步培养运用计算机科学的知识、方法和对模型进行抽象、自动化的计算思维能力”; 王永全等[6]则对“互联网+”背景下计算思维导向的计算机基础教学改革进行了探讨;还有诸多学者围绕各自所在专业或课程，对基于计算思维方式的人才培养模式和教学改革提出了许多建议 [7-8]。

当前有关培养计算思维能力的研究成果很多，但运用实证研究法对计算思维能力培养现状进行比较研究的文献相对较少。尤其是运用数理实证分析的文献，无论是描述性统计还是运用数理计量分析的文献均相对匮乏。缺乏实证挖掘和效果评价是当前计算思维研究面临的主要问题。因此，如何结合教学实践探索计算思维教学模式、检验计算思维教学效果值得研究 [9]。

本文在众多学者研究基础上，尝试以“全国大学生计算机设计大赛”参赛数据作为样本，运用SPSS软件，对我国高校大学生计算思维培养水平现状作探索性研究。

1 数据来源与研究方法

1.1 数据来源和预处理

数据来自“中国大学生计算机设计大赛”官网，将其作为数据来源主要原因有：①主办单位层次高;②参赛高校覆盖面广;③参赛专业类别丰富;④参赛作品数量众多。中国大陆有半数以上的本科大学、半数以上的211大学、半数以上的985大学参加了这一赛事（后改称双一流院校）。本文从官网上收集2013-2017年以来数百所地方院校各类参赛作品的获奖数据（不含军警院校），并根据参赛类别（大类）设置了软件外包、计算机音乐等9个变量。由于选取数据是获奖作品，因此能较全面地反映当前大学生计算思维培养现状。

1.2 研究思路和方法

多元统计分析方法可以处理多个变量的观测数据，以及研究多个随机变量之间的相互依赖关系与内在规律，在自然科学和社会科学领域得到广泛应用。常见的方法有相关分析、回归分析等。

在本案例中，利用探索性因子分析（EFA）提取对各高校比赛水平影响较为明显的因素，在此基础上进行归纳和总结，了解和分析各高校计算思维培养特点以及发展趋势，找出教学中存在的问题或相关规律，帮助学校改进教学手段和方法，为高校教育和管理提供参考和建议，以促进高校计算思维培养水平进一步提高。

2 模型构建与数据分析

2.1 分析条件判定

探索性因子分析（EFA）的优点是“化繁为简”，在尽可能不损失信息或少损失信息情况下，将多个变量减少为少数几个潜在因子或主成分，最终达到减少变量个数同时再现变量之间内在相互关系的目的。由于众多变量中存在相关性，测量数据可能存在一定的重复，采用因子分析必须先进行以下工作：

首先进行信度检测，然后检测KMO。因此，经过计算，Cronbach's α系数是0.816，显示变量设置合理有效;其次，通过SPSS对 KMO和Bartlett进行分析，得出KMO值为0.804，表示当前数据表中9个变量自检的相关性非常适合进行因子分析。同时，Bartlett球形度检验设为相关系数矩阵，sig值为0.000，小于显著水平0.05，表示建立的数据结构满足因子分析条件，如图1所示。

2.2 主要技术指标计算与分析

2.2.1 公共因子提取

公因子方差给出在提取公共因子前后各变量的共同度，根据统计学定义，它描述的是公共因子对于变量Xi的总方差所作的贡献，并计算全部公共因子反映出原变量信息的百分比。在该表中，提取公共因子之后，有数媒设计专业组、软件应用与开发等多个变量的总计提取共同度数值接近0.8。变量数媒设计专业组的共同度为0.793，即提取的公共因子对变量参赛高校数量的方差作出了79.3%的贡献，接近最理想的状态0.8。从提取的一列数值可以看出，绝大部分变量的共同度比较大，在0.6以上，说明变量空间转换为因子空间时保留了较多信息。因此，从中提取的公因子对各变量的解释能力较强，见表1。

2.2.2 公共因子贡献率计算

在方差解释表中，显示了成分、初始特征值、提取平方和载入等数据。在初始特征值合计列中的方差百分比，提供了各个特征值的方差贡献率以及累计贡献率。在未旋转平方和载入时，相关系数矩阵有两个最大特征值，分别为4.083、1.330。本案例提取两个公共因子，降维比例较高，累计贡献率达到60.134%。其中成分1方差贡献率是45.361%，是方差贡献最大的主成份，见表2。“旋转平方和载入”一栏显示了旋转以后因子的提取结果，与未旋转之前的差别不是太大。

2.2.3 成分得分系数矩阵

因子变量的命名解释是因子构造之后的一项重要工作。原有变量都是物理含义变量，在命名解释之后可对系统构成的主要因素和系统特征作进一步说明。从表3可以清楚看出各个变量的因子归属，各因子含义是比较明确的。对因子进行旋转，以更方便解释因子含义，表4给出了旋转后的因子载荷值在因子载荷矩阵中的第一因子，数媒设计类民族文化组和设计专业组具有较高的因子载荷，这些指标相关性最强，因此第一因子主要由以上变量决定;第二因子软件应用开发具有较高载荷，最为相关。

2.2.4 得分系数矩阵构建

因子模型将变量表示成公共因子的线性组合，因此可将公共因子理解成各原始变量具有的共同因素。对公因子对变量作线性回归，得到系数的最小二乘估计就是所谓的因子得分系数。根据估计出来的得分系数计算出因子得分，这些值可为最终的结果排名和分类提供参考，见表5。

3 分析与总结

3.1 因子提取

因子抽取需要考虑旋转之后因子载荷量较大的变量，本文选取的数值大于0.7，以此为基础进行整理并加以命名，并进行信度检测，见表6。

3.2 结论与展望

根据上述分析结果得出以下结论：

（1）国内高校计算思维能力培养效果显著。因子一和因子二的计算结果表明，国内非常重视计算思维培养并取得丰硕成果，在数媒设计和软件开发等领域竞争激烈。在此基础上可得出各高校因子一和因子二的分值，在此分别列出两类因子排名前10的学校，仅供参考，见表7和表8。

此外，还可利用因子得分进行加权综合，得到综合得分，然后在此基础上进行排名[10]。尽管一些学者认为，这种综合评价方法由于产生的主因子特征向量的各级分量符号不一致，用于排序计算存在不足，但作为一种促进教学质量提升的手段，向表现优异的高校学习，从而不断提升教学水平，促进学生计算思维能力提高，仍不失为一种简单高效的方法。

（2）创新教学模式，使学生不仅成为工具的使用者，也成为工具的创造者。计算思维培养注重学生的实践操作技能。在提升学生理论素养的同时，通过引导学生接触计算机科学，了解相关知识和原理，提高学生应用信息技术思考问题、应用信息技术解决实际问题的能力，从而进一步通过发展计算思维，支持学生使用一系列计算概念和方法处理数据，建构模型，创造现实作品，使学生从单纯的工具使用者，完成知识内化和迁移，最终成为工具的创造者、新知识的生产者。

例如，倡导“任务驱动教学”朝着 “项目学习”教学模式发展。以信息处理与交流为主线，强调技术工具应用，掌握信息获取、加工、管理、表达与交流的基本方法，提高利用信息技术解决问题的综合能力。同时，突出用学科方法解决问题学科特征，即形式化（抽象）、模型化、自动化、系统化，逐渐培养学生遵循学科体系知识架构，实现“数据—算法—信息系统—信息社会”的转化。

（3）促进学科融合，提升学生跨学科解决问题能力。计算思维概念虽然源于计算机科学，但其本身是一个交叉学科概念，涉及的学科包括认知科学、计算机科学、教育学等。因此跨学科整合是计算思维的一个重要内容。华东师大任友群提出的“计算思维培养”模型认为，计算思维不仅仅是程序设计，还要有意识地尝试运用计算机程序解决实际问题，促进不同学科专业领域知识技能融合，提升学生跨学科思维能力和解决复杂问题的综合能力，最终理解数字社会的运作过程。

本文仅利用因子分析展开探索性分析，没有利用聚类、最有尺度等方法展开更深入和细致的探讨，也未对可能存在的其它干扰因素，如参赛年限等进行分析。同时，因子值本身是一种观测变量[11]，存在一定误差。此外在样本方面，应将其它计算机大赛，如“互联网+”等赛事纳入其中，以得出更全面、更科学的结论。

参考文献：

[1] SEYMOUR PAPERT.A beautiful person，a beautiful mind[EB/OL]. http：//v.youku.com/v_show/id_XNjQ2MDg2NjI4.html.

[2] JEANNETTE WING.Computational thinking[J]. Communications of the ACM，2006，49（3）：33-35.

[3] 朱亚宗. 论计算思维——计算思维的科学定位、基本原理及创新路径[J]. 计算机科学，2009，36（4）：53-55，93.

[4] 何钦铭，陆汉权，冯博琴. 计算机基础教学的核心任务是计算思维能力的培养[J]. 中国大学教学，2010 （9）：5-9.

[5] 曹菡. 计算机设计大赛与计算思维能力培养探析[J]. 工业和信息化教育，2015 （5）：65-69.

[6] 王永全. “互联网+”背景下计算思维导向的计算机基础教学改革[J]. 软件导刊（教育技术），2019 （2）：51-53.

[7] 饒国政. 基于计算思维方式的启发式软件工程教学[J]. 软件导刊（教育技术），2018（1）：61-63.

[8] 韦娜. 非计算机专业C语言程序设计课程教学改革研究[J]. 软件导刊（教育技术），2018（1）：51-53.

[9] 甘茂华. 我国计算思维能力培养的研究热点与趋势—基于CiteSpace的可视化分析[J]. 计算机应用与软件，2019 （6）：1-6.

[10] 简小珠，戴步云. SPSS23统计分析在心理学与教育学中的应用[M]. 北京：北京师范大学出版社，2017.

[11] 陈文沛. 市场营销研究与应用—基于SPSS[M]. 北京：电子工业出版社，2013.

（责任编辑：杜能钢）