Kapitel 4 Datalogisk tænkning

I dette kapitel undersøges begrebet datalogisk tænkning der som nævnt er projektets danske oversættelse af det engelske begreb computational thinking. Kapitlet er overvejende skrevet med udgangspunkt i IEA International Computer and Information Literacy Study 2018 – Assessment Framework (Fraillon, Ainley, Schulz, Duckworth, m.fl. 2019), men som i kapitel 3 sættes undersøgelsesrammen ind i en dansk uddannelseskontekst. I dansk læseplan relaterer kompetenceområdet sig i højest grad til forsøgsfagligheden teknologiforståelse hvilket udfoldes i sidste del af kapitlet der således tager udgangspunkt i læseplanen for dette forsøgsfag.

4.1 Hvad er datalogisk tænkning?

Det er ikke nogen nem opgave at definere datalogisk tænkning. Og i takt med den øgede opmærksomhed på at det er en almen kompetence som alle bør lære, øges uenigheden om hvad det mere præcist vil sige at kunne tænke datalogisk, og litteraturen på området indeholder mange forskellige og ofte modstridende beskrivelser og argumenter. Datalogisk tænkning har rødder i historien så langt tilbage som 1940’erne (Denning 2017).

Herhjemme kan brugen af begrebet spores tilbage til Peter Naur i 1970 (Naur 1970). Mange uddannelsesforskere refererer dog til Seymour Papert og hans arbejde med programmeringsværktøjet LOGO i 1980’erne når de forklarer begrebets oprindelse (Papert, 1980), og i nyere tid anses Jeannette M. Wing som katalysator for det stigende fokus på datalogisk tænkning efter hun i 2006 reintroducerede det som en universel tværfaglig kompetence alle bør lære på linje med sprog og matematik (Wing 2006). I kraft af sin daværende ansættelse hos den amerikanske National Science Foundation (NSF) fik hun bevilget en stor mængde ressourcer til udviklingen på området – et arbejde der har taget fart det seneste årti og som har været medvirkende til at inspirere lande verden over til at iværksætte initiativer på området.

Alene i Europa var der i 2016 elleve lande som havde gennemført reformer på grundskoleområdet med integration af datalogisk tænkning, samt flere andre der på daværende tidspunkt planlagde at integrere det (Bocconi m.fl. 2016). I det følgende udfolder vi hvordan ICILS definerer datalogisk tænkning, hvilken strukturel ramme der dannede udgangspunkt for undersøgelsen i 2018, samt de tre kompetenceintervaller eleverne i ICILS kan befinde sig i.

ICILS tager særligt udgangspunkt i de følgende beskrivelser:

  1. “Datalogisk tænkning er de tankeprocesser der er involveret i at formulere problemer og deres løsninger på måder hvor løsningerne effektivt kan eksekveres af en informationsbehandlingsagent” (Wing 2011, citeret i Grover og Pea 2013).
  2. “Vi anser datalogisk tænkning for at være de tankeprocesser der er involveret i at formulere problemer på måder hvor deres løsninger kan repræsenteres som datalogiske skridt og algoritmer” (Aho 2012).
  3. “Det [datalogisk tænkning] er en kognitiv eller tankemæssig proces som reflekterer: evnen til at tænke i abstraktioner,/ evnen til at tænke i dekomposition [nedbrydning af et problem i enkeltdele],/ evnen til at tænke algoritmisk,/ evnen til at tænke i vurdering og/ evnen til at tænke i generalisering” (Selby og Woollard 2013).
  4. “Datalogisk tænkning beskriver de processer og tilgange vi trækker på, når vi tænker på hvordan en computer kan hjælpe os med at løse komplekse problemer og skabe systemer”.34
  5. “Datalogisk tænkning er processen i at genkende datalogiske aspekter i den verden der omgiver os, og anvende værktøjer og teknikker fra datalogi til at forstå og overveje både naturlige og kunstige systemer samt processer” (Society 2002).
  6. “Datalogisk tænkning er en problemløsningsproces som inkluderer: at formulere problemer på måder som gør det muligt at bruge en computer og andre værktøjer til at hjælpe med at løse dem,/ logisk at organisere og analysere data,/ at repræsentere data gennem abstraktioner, såsom modeller og simuleringer,/ at automatisere løsninger gennem algoritmisk tænkning (en serie af ordnede trin),/ at identificere, analysere og implementere mulige løsninger med et mål om at opnå den smarteste og mest effektive kombination af trin og ressourcer,/ at generalisere og overføre denne problemløsningsproces til en bred vifte af problemer” (Barr, Harrison, og Conery 2011).
  7. “Datalogisk tænkning er et begreb der ofte anvendes til at beskrive evnen til at tænke med computeren som værktøj” (Berland og Wilensky 2015).

Disse beskrivelser er valgt som udgangspunkt da de har det til fælles at de anser datalogisk tænkning som en form for problemløsning hvor problemer og deres løsninger udarbejdes på måder der gør det muligt at iværksætte og implementere algoritmiske, procedurale (trin for trin-)løsninger med brug af computer.

Definitionen af datalogisk tænkning skal i ICILS tage højde for en række kontekstuelle faktorer i forhold til undersøgelsens natur: Den skal være passende og relevant for elever på ottende klassetrin samt på tværs af forskellige landes kontekster og læseplaner, den skal hænge sammen med ICILS’ undersøgelse af computer- og informationskompetence, og den skal overlappe minimalt med andre fagområders læseplansindhold, såsom matematik eller naturfag.

Med udgangspunkt i ovenstående lyder ICILS’ definition

Datalogisk tænkning er et individs evne til at identificere de aspekter ved virkelige problemer som er egnet til at blive formuleret datalogisk samt at vurdere og udvikle algoritmiske løsninger på disse problemer så løsningerne kan behandles af en computer.

I det følgende går vi i dybden med hvorledes den strukturelle ramme for vurdering af elevers kompetence til at tænke datalogisk er sammensat, herunder de enkelte kompetenceområder og det specifikke indhold.

4.2 Undersøgelsesrammen for datalogisk tænkning

Undersøgelsen af elevernes kompetence inden for datalogisk tænkning består af to kompetenceområder med henholdsvis to og tre aspekter som det fremgår af tabel 4.1. Som i undersøgelsesrammen for computer- og informationskompetence refererer et kompetenceområde til en overordnet konceptuel kategori der rammesætter det indhold måleinstrumentet adresserer, og et aspekt er en specifik indholdskategori inden for et givent kompetenceområde. Disse aspekter omfatter den viden, de færdigheder og de forståelser som beskrivelserne præsenteret ovenfor har tilfælles.

Tabel 4.1: Kompetence i datalogisk tænkning er en persons evne til at identificere de aspekter ved virkelige problemer som er egnet til at blive formuleret datalogisk, samt at vurdere og udvikle algoritmiske løsninger på disse problemer så løsningerne kan behandles af en computer.
Kompetenceområde 1
Kompetenceområde 2
At identificere problemer At udvikle løsninger
Aspekt 1.1 Aspekt 2.1
At have indsigt i og forstå digitale systemer At planlægge og vurdere løsninger
Aspekt 1.2 Aspekt 2.2
At formulere og analysere problemer At udvikle algoritmer, programmer og brugerflader
Aspekt 1.3
At indsamle og repræsentere relevant data

Hensigten med at beskrive datalogisk tænkning i en sådan strukturel ramme er at organisere indholdet så forskellige relaterede aspekter fremstår tydeligt. I det følgende går vi i dybden med de enkelte kompetenceområder og tilhørende aspekter.

4.2.1 Kompetenceområde 1: At identificere problemer

Inden man udvikler en løsning, skal man først forstå og rammesætte problemet på en måde der gør det muligt at udvikle en løsning ved hjælp af algoritmisk tænkning eller systemtænkning. Kompetenceområdet At identificere problemer består af de tre aspekter:

  • Aspekt 1.1: At have indsigt i og forstå digitale systemer
  • Aspekt 1.2: At formulere og analysere problemer
  • Aspekt 1.3: At indsamle og repræsentere relevant data.

De tre aspekter beskrives i det følgende.

4.2.1.1 Aspekt 1.1: At have indsigt i og forstå digitale systemer

Dette indholdsområde består i at identificere og beskrive systemers egenskaber gennem at iagttage interaktionen mellem komponenter i et system. Systemtænkning anvendes når man gør sig tanker om brug af computere til løsning af virkelige problemer i verden hvilket er fundamentalt i datalogisk tænkning.

På et beskrivende niveau kan en elev beskrive de regler og begrænsninger der styrer en række handlinger, eller forudsige hvorfor en procedure ikke fungerer korrekt ved at identificere fejl. Man kan for eksempel forestille sig at en elev skal designe et spil. Eleven vil skulle angive spillets oprindelige tilstand, betingelser for at vinde, spillets tilladte handlinger samt tilladte rækkefølger af handlinger i spillet.

På et handleniveau skal eleven kunne overvåge et system i drift, anvende værktøjer til at beskrive et system (såsom trædiagrammer eller rutediagrammer) samt observere og beskrive resultater af processer i et system. Disse procedurale færdigheder er baseret på forståelse af grundlæggende operationer som iteration, loops og forgreninger samt konsekvenserne af at variere den rækkefølge de udføres i. Forståelse for disse operationer kan forbedre en elevs forståelse af både den digitale verden og den fysiske verden og dermed være en hjælp i problemløsning. Ser vi igen på eksemplet med en elev der designer et spil, kan eleven på det procedurale niveau igangsætte og afgøre spillets gang. Eleven vil skulle monitorere spillernes handlinger samt konsekvente udfald i forhold til spillets specifikke regler og betingelser. Dermed vil eleven kunne observere problemer med spillet, såsom uløselige eller tvetydige situationer, og blive i stand til at ændre spillets parametre i forhold til disse. Spillet er ikke nødvendigvis et computerprogram – digital systemtænkning kan også overføres til beskrivelser af handlinger i et fysisk, ikke-digitalt system. For eksempel kan digital systemtænkning anvendes til at beskrive en vandhanes handlinger (eksempelvis vandtryk) på måder hvor handlingerne senere vil kunne styres af et computerprogram.

Følgende eksempler afspejler opgaver der viser en elevs kompetence inden for Aspekt 1.1: At have indsigt i og forstå digitale systemer:

  • At undersøge et system for at beskrive regler for dets adfærd
  • At anvende et system til at producere relevant data til analyse
  • At identificere muligheder for effektivitet og automatisering
  • At forklare hvorfor simuleringer hjælper med at løse problemer.

4.2.1.2 Aspekt 1.2: At formulere og analysere problemer

Formulering af problemer består i at underinddele et problem i mindre håndterbare dele samt at specificere og systematisere opgavens karakteristika så en datalogisk løsning kan udvikles (muligvis ved hjælp af en computer eller andre digitale enheder). Analyse består af at se ligheder mellem egenskaberne ved tidligere undersøgte problemer og de nye problemer og derefter at genbruge løsningerne fra det gamle problem på det nye problem. Derved kan man etablere en konceptuel ramme der kan understøtte processen med at underinddele et stort problem i små, mere håndterbare dele.

Følgende eksempler afspejler opgaver der viser en elevs kompetence inden for Aspekt 1.2: At formulere og analysere problemer:

  • At nedbryde en kompleks opgave i mindre, mere håndterbare dele
  • At skabe en selvstændig underopgave der potentielt kan anvendes mere end én gang
  • At undersøge forbindelsen mellem helheden og de mindre dele.

4.2.1.3 Aspekt 1.3: At indsamle og repræsentere relevant data

For at foretage effektive vurderinger af problemløsning i systemer er det nødvendigt at indsamle data og skabe mening med data fra systemet. Indsamling af data og relevant repræsentation af data på smarte, effektive måder skal være underbygget af viden om og forståelse for data og de værktøjer der er tilgængelige til at indsamle, organisere og repræsentere dem. Dette kan indebære at skabe eller anvende simuleringer af komplekse systemer for at producere data som kan vise mønstre eller karakteristika ved adfærd som ellers ikke er tydelige når man ser på systemet fra et abstrakt niveau.

Følgende eksempler afspejler opgaver der viser en elevs kompetence inden for Aspekt 1.3: At indsamle og repræsentere relevant data:

  • At identificere en abstrakt repræsentation af kortanvisninger
  • At bruge et rutesimuleringsværktøj til at gemme data
  • At vise data som hjælp til at drage konklusioner og informere planlægning
  • At bruge et simuleringsværktøj til at indsamle data og vurdere udfald.

4.2.2 Kompetenceområde 2: At udvikle løsninger

Kompetenceområdet At udvikle løsninger består af de to aspekter:

  • Aspekt 2.1: At planlægge og vurdere løsninger
  • Aspekt 2.2: At udvikle algoritmer, programmer og brugerflader.

At udvikle løsninger omfatter processer forbundet med at skabe, implementere og vurdere computerbaserede systemers svar på virkelige problemer. Det indebærer de iterative processer der ligger i at planlægge, implementere, teste og vurdere algoritmiske løsninger (som potentiel basis for programmering) på virkelige problemer. Kompetenceområdet inkluderer en forståelse for brugeres behov og deres sandsynlige interaktion med det system der udvikles. De to aspekter beskrives i det følgende.

4.2.2.1 Aspekt 2.1: At planlægge og vurdere løsninger

At planlægge løsninger består i at etablere rammerne for et system. Det består fx i udvikling af funktionelle specifikationer og krav i henhold til brugeres behov og de ønskede udfald med henblik på at designe og implementere de centrale funktioner i en løsning. At vurdere løsninger består i kritisk at kunne vurdere kvaliteten af datalogiske artefakter (såsom algoritmer, kode, programmer, brugerflader eller systemer) op mod kriterier der er baseret på modeller for standarder og effektivitet. Disse to processer er kombineret i ét aspekt fordi de typisk vil være sammenvævet når man udvikler algoritmer og programmer. Udviklingen af algoritmer begynder med planlægning og slutter med vurdering. Men gennem hele processen vil der være en konstant bevægelse mellem planlægning, implementering, vurdering og revideret planlægning. Typisk er der en lang række mulige løsninger på et problem, og derfor er det vigtigt at være i stand til at planlægge og vurdere løsninger fra forskellige perspektiver og forstå alternative løsningers fordele, ulemper og udfald for aktørerne.

Følgende eksempler afspejler opgaver der viser en elevs kompetence inden for dette aspekt:

  • At identificere udgangspunktet for en algoritmisk løsning på et problem ved at reflektere over løsninger på lignende problemer
  • At designe en løsnings komponenter under hensyntagen til et systems begrænsninger og brugeres behov
  • At teste en løsningsmetode mod et kendt udfald og justere den efter behov
  • At sammenligne en løsnings relative fordele og ulemper med alternative løsninger
  • At finde det sted i en algoritme der forårsager en fejl
  • At beskrive en løsning og forklare hvorfor den er den bedste blandt mange
  • At implementere og gennemføre strategier til at teste en løsnings effektivitet (for eksempel brugertest).

4.2.2.2 Aspekt 2.2: At udvikle algoritmer, programmer og brugerflader

I ICILS 2018 er det ikke en forudsætning at elever er bekendte med et bestemt programmeringssprogs syntaks og funktioner. Nærværende aspekt fokuserer på den form for logisk ræsonnement som understøtter udvikling af algoritmer (og kode) til at løse problemer. Det kan indebære at udvikle eller implementere en algoritme (systematisk beskrive de trin eller regler det kræver at gennemføre en opgave) og også at automatisere algoritmen – typisk ved at bruge computerkode på måder som kan implementeres uden eleverne er nødt til at lære syntaks eller funktioner for et specifikt programmeringssprog. At udvikle en brugerflade handler om at skabe forbindelsen mellem brugere og system. Det kan relatere til udvikling af brugerfladeelementer i en applikation, herunder i form af specifikation af dynamiske brugerflader der svarer på brugeres input.

Følgende eksempler afspejler opgaver der viser en elevs kompetence inden for At udvikle algoritmer, programmer og brugerflader:

  • At ændre en eksisterende algoritme til et nyt formål
  • At tilpasse visuelle vejledninger til computerinstruktioner
  • At skabe visuelle repræsentationer af computerinstruktioner
  • At skabe en simpel algoritme
  • At bruge en ny kommando i en simpel algoritme
  • At skabe en algoritme som kombinerer simple kommandoer med gentagne eller betingede kommandoer
  • At rette et bestemt trin i en algoritme.

4.3 Kompetenceintervaller for datalogisk tænkning

Som beskrevet i afsnit 3.3 anvendte forskerholdet Raschs teori som et empirisk grundlag for at sige hvad eleverne havde henholdsvis let og svært ved (Rasch 1960). På samme måde blev Raschs teori anvendt til at udvikle en intervalskala for datalogisk tænkning som fremgår af det følgende. Skalaen blev udarbejdet og beskrevet ud fra de i alt 18 opgaver fra testmodulerne og de 39 mulige point. Der kan læses flere detaljer om proceduren for skaleringen af opgaverne i ICILS’ tekniske rapport (Fraillon m.fl. 2020).

Skalaen for datalogisk tænkning blev udviklet på baggrund af sværhedsgraderne samt en vurdering af indholdet i opgaverne. Som en del at testudviklingsprocessen, og ligesom det blev gjort for computer- og informationskompetence, formulerede forskerholdet beskrivelser af hver opgave i undersøgelsesinstrumentet. Beskrivelserne refererer til undersøgelsesrammen og redegør samtidig for de forståelser og færdigheder som en elev der svarer korrekt på en opgave, skal udvise.

På grund af de relativt få opgaver og antal point eleverne kunne opnå, var det ikke muligt at analysere dimensionerne i testmaterialet lige så fyldestgørende som ved computer- og informationskompetence. Det er planen at udbygge disse analyser i forbindelse med fremtidige undersøgelser hvor yderligere opgaver vil blive udviklet. Af den grund har vi også valgt at omtale intervallerne som netop intervaller35 og ikke niveauer som vi gør ved computer- og informationskompetence.

Tabel 4.2: Oversigt over de tre kompetenceintervaller for datalogisk tænkning.
Beskrivelse Eksempler
Det nederste interval (under 459 point)
Elever inden for det nederste kompetenceinterval udviser kendskab til grundlæggende træk ved digitale systemer i forhold til at konfigurere input, observere hændelser og registrere output når de planlægger datalogiske løsninger på givne problemer. Når de udvikler løsninger på problemer i form af algoritmer, kan de bruge en lineær (trin for trin-) sekvens af instruktioner til at indfri opgavernes mål.
  • udvikle en komplet, men ikke optimal rute fra et sted til et andet i et netværksdiagram
  • delvist finde fejl i en algoritme der indeholder en gentag-kommando ved at korrigere i forløbet af forbundne kommandoer
  • udvikle en effektiv algoritme som opfylder alle opgavens delmål i løsningen af et problem med lav kompleksitetsgrad (for eksempel et problem med et begrænset sæt af tilgængelige kommandoer og delmål)
  • udvikle en ineffektiv algoritme som opfylder alle opgavens delmål i løsningen af et problem med medium kompleksitetsgrad (for eksempel et problem med mange delmål der løses bedst ved at anvende en gentag-kommando).
Det midterste interval (459-589 point)
Elever inden for det midterste kompetenceinterval udviser forståelse for at datalogiske systemer kan anvendes til at løse problemer i den virkelige verden. De kan planlægge og gennemføre systematiske interaktioner med et system og fortolke systemets output og handlinger. Når de udvikler algoritmer, bruger de gentagelsesstrukturer på vellykkede måder.
  • tilpasse information i et netværksdiagram til et færdigt sæt kommandoer der omfatter mindst fem trin
  • konfigurere et simuleringsværktøj
  • gemme og sammenligne data der er indsamlet ved brug af et simuleringsværktøj
  • finde fejl i en algoritme for et problem med høj kompleksitetsgrad, men indføre en vis redundans i løsningen (for eksempel hvor mange af delmålene ville være løst mere effektivt ved at anvende gentag- og betingelses-kommandoer)
  • udvikle en effektiv algoritme der opfylder alle delmål i løsningen af et problem med medium kompleksitetsgrad (for eksempel hvor mange delmål nås bedst ved at anvende en gentag-kommando)
  • udvikle en ineffektiv algoritme der opfylder alle delmål i løsningen af et problem med høj kompleksitetsgrad (for eksempel et problem hvor mange af opgavens delmål mest effektivt nås ved at anvende gentag- og betingelses-kommandoer).
    • Det øverste interval (over 589 point)
    Elever inden for det øverste kompetenceinterval viser forståelse for datalogi som en generaliserbar ramme til problemløsning. De kan forklare hvordan de har anvendt en systematisk tilgang i deres arbejde med datalogiske systemer til at løse problemer i den virkelige verden. De kan udvikle algoritmer med gentagelsesstrukturer i samspil med betingelses-kommandoer.
    • forklare værdien af at anvende et digitalt system til løsning af virkelige problemer i verden
  • fuldende et simpelt beslutningstræ med korrekt brug af både logik og syntaks
  • finde fejl i en algoritme og vælge den mest effektive løsning for et problem med høj kompleksitetsgrad (for eksempel et problem hvor mange af opgavens delmål bedst løses ved at anvende gentag- og betingelses-kommandoer)
  • udvikle en effektiv algoritme der opfylder alle delmål i løsningen af et problem med høj kompleksitetsgrad (for eksempel hvor mange af opgavens delmål løses bedst ved at anvende gentag- og betingelses-kommandoer).

    • Skalaen til målingen af elevernes datalogiske tænking blev inddelt i tre intervaller for elevernes kompetence: det nederste interval, det midterste interval og det øverste interval. Intervallerne er udtryk for en syntese af de forskellige elementer der er karakteristiske for elevernes brug af computere til at planlægge og anvende datalogiske løsninger. Intervallet under 459 point indikerer således at eleven har udviklet datalogisk tænkning på det laveste niveau man sigter på at kunne måle med undersøgelsesinstrumentet. Der er ikke i denne omgang fastsat en nedre grænse for dette interval. Elever på det midterste niveau placerer sig mellem 459 og 589 point, og de mest kompetente elever placerer sig på det øverste interval med over 589 point.

    Tabel 4.2 indeholder beskrivelser af og konkrete eksempler på hvad elever inden for de forskellige kompetenceintervaller kan. Kompetenceintervalskalaen er hierarkisk på den måde at jo mere avancerede kompetencer eleverne har vist, jo højere har de placeret sig på skalaen. Den afspejler en udvikling der strækker sig fra elever der med en specifik instruktion kan interagere med digitale systemer (det nederste kompetenceinterval) hen mod elever der kan udvikle algoritmer til programmerbar løsning af problemer (det midterste kompetenceinterval) til elever der udviser stigende uafhængighed i forhold til at udforske digitale systemer med henblik på at udlede den måde de fungerer på ud fra deres output (det øverste kompetenceinterval). Her indgår også elevernes evne til at vurdere kvaliteten af deres algoritmiske løsninger i forhold til opstillede mål.

    I de følgende afsnit beskrives på lignende vis som for computer- og informationskompetence hvorvidt kompetenceområderne og aspekterne i ICILS’ undersøgelsesramme for datalogisk tænkning er til stede i læseplaner i den danske grundskole. Vi har fundet relevante fagmål i følgende fag: de naturfaglige fag natur/teknologi, fysik/kemi, biologi, geografi og matematik samt forsøgsfagligheden teknologiforståelse.

    4.4 Relation til naturfaglige fag36

    Den naturfaglige fagrække natur/teknologi, fysik/kemi, biologi samt geografi har alle enslydende kompetenceområder, nemlig undersøgelse, modellering, perspektivering og kommunikation. I relation til ICILS’ undersøgelsesramme for datalogisk tænkning er særligt kompetenceområderne undersøgelse og modellering interessante. Undersøgelse omfatter at eleverne kan designe, gennemføre og evaluere undersøgelser i det givne fag, og modellering indebærer at eleverne kan anvende og vurdere modeller. Mere specifikt omfatter Undersøgelse blandt andet at kunne indsamle, forklare, sammenligne og vurdere data, herunder med brug af digitale databaser. I fysik/kemi skal eleverne yderligere udvikle viden om elektroniske kredsløb, simpel programmering og transmission af data. Modellering involverer blandt andet at kunne forklare udviklinger med digitale simuleringer eller fænomener og sammenhænge med digitale programmer. De naturfaglige fag har således i højest grad fokus på Kompetenceområde 1 fra ICILS’ undersøgelsesramme At identificere problemer, herunder særligt Aspekt 1.3: At indsamle og repræsentere relevant data.

    Matematikfaget har kompetenceområderne Matematiske kompetencer, Tal og algebra, Geometri og måling samt Statistik og sandsynlighed. Under statistik og sandsynlighed er det et formuleret mål at eleverne efter 9. klasse har udviklet “viden om metoder til undersøgelse af sammenhænge mellem datasæt, herunder med digitale værktøjer”. Allerede efter 3. klasse er det målet at de har udviklet “viden om enkle metoder til at indsamle, ordne, beskrive og tolke forskellige typer data, herunder med regneark”. Altså ser vi igen relationen til Aspekt 1.3: At indsamle og repræsentere relevant data.

    Matematik adskiller sig dog også ved et større fokus på beregninger og på at tænke i algoritmer. Dette fremgår tydeligst af vejledningen til faget hvor programmering – med henvisning til it og medier – fremhæves som centralt, herunder 1: Tænke i processer og algoritmer, 2: Digital produktion samt 3: Udvikling af abstrakt tænkning. Det beskrives, at “programmeringsaktiviteter kan understøtte at eleverne arbejder med algoritmer, forstået som systematiske beskrivelser af problematikker, løsningsstrategier og hændelsesforløb”.

    Som eksempel på en algoritme præsenteres en madopskrift. I vejledningen forklares det at algoritmisk tænkning “handler om at kunne opstille og få maskiner til at udføre sådanne algoritmer. Det vil ofte handle om at kunne analysere, forestille sig og forstå hvad man vil have programmet til at gøre for derefter successivt at nedbryde denne adfærd i de elementer programmeringssproget kan tilbyde. Det understøtter præcision og logisk tænkning, og eleven kan opleve hvordan meget små ændringer af programmet kan have store konsekvenser for programmets opførsel.”

    Derudover beskrives det at elever ved hjælp af programmering kan bygge forskellige ting med logik og matematik, herunder “små computerspil, robotter eller et program, der løser et konkret problem”. Dette tænkes at kunne understøtte elevens oplevelse af matematik som meningsfuldt. “Ved at skrive computerprogrammer, der svarer til matematikkens abstrakte konstruktioner, opnås endnu en repræsentation af disse begreber, og den logiske sammenhæng til andre matematiske begreber kan i nogle tilfælde tydeliggøres”, hedder det endvidere.

    Her ser vi således en relation til ICILS’ Kompetenceområde 2: At udvikle løsninger, herunder særligt Aspekt 2.2: At udvikle algoritmer, programmer og brugerflader – men det skal understreges at det er under henvisning til det tværgående tema it og medier i relation til matematik og at programmering samt algoritmer udelukkende nævnes i vejledningen til faget og ikke i hverken Fælles Mål eller læseplan.

    Opsamlende gælder det at Aspekt 1.1: At have indsigt i og forstå digitale systemer, Aspekt 1.2: At formulere og analysere problemer samt Aspekt 2.1: At planlægge og vurdere løsninger kun i mindre grad berøres i de naturfaglige fag.

    Forsøgsfagligheden teknologiforståelse relaterer sig i højere grad til ICILS’ undersøgelsesramme med dets særskilte kompetenceområde Computationel tankegang hvilket som nævnt er forsøgsfaglighedens oversættelse af computational thinking. Dette diskuteres i det følgende.

    4.5 Relation til forsøgsfagligheden teknologiforståelse37

    I kapitel 3 beskrev vi formålet med forsøgsfagligheden teknologiforståelse, der består af de fire kompetenceområder Digital myndiggørelse, Digital design og designprocesser, Computationel tankegang og Teknologisk handleevne. Vi diskuterede at læseplanen lægger op til en bred udvikling af elevers kompetencer inden for computer- og informationskompetence, og vi forklarede at forsøgsfaglighedens kompetenceområde computationel tankegang er en oversættelse af computational thinking der altså i ICILS er oversat til datalogisk tænkning. I nærværende afsnit ser vi således nærmere på dette kompetenceområde, men vi bevæger os også over i andre kompetenceområder af teknologiforståelse, eftersom datalogisk tænkning i ICILS ser ud til at være beskrevet bredere end det specifikke kompetenceområde i dansk læseplan, og eftersom det påpeges i læseplanen for teknologiforståelse at de fire kompetenceområder bør vekselvirke for at være meningsfulde.

    I Fælles Mål for forsøgsfaget teknologiforståelse beskrives det at computationel tankegang “omhandler analyse, modellering og strukturering af data og dataprocesser”. I udskolingen som er den kontekst ICILS-undersøgelsen er foretaget i, betyder det at faget skal sigte mod at eleverne kommer til at kunne “reflektere over og anvende computationel tankegang på problemstillinger fra omverdenen”. Computationel tankegang består af de fire færdigheds- og vidensområder data, algoritmer, strukturering og modellering. Efter 9. klassetrin er det under data målet, at eleverne “har viden om kriterier for datakvalitet” og at de kan “behandle, vurdere og visualisere data reflekteret ved hjælp af digital teknologi”. Under algoritmer skal eleverne udvikle “viden om forskellige parametre til vurdering af algoritmers anvendelighed”, og de skal kunne “vurdere forskellige algoritmers anvendelighed” og “benytte forskellige metoder til at afprøve algoritmer”. Under strukturering er det meningen at eleverne skal udvikle “viden om principper for abstraktion og strukturering af et problemfelt samt fundamentale teknikker til strukturering af data og processer” og at de kommer til at kunne “strukturere fænomener og begreber i et problemfelt og i computationelle modeller”. Endelig er det under modellering målet at eleverne opnår “viden om, hvordan abstraktion af virkeligheden kan bruges til at beskrive og behandle denne i digitale modeller, og hvordan man kan afprøve en model ift. dens intentioner” samt at de kan “konstruere digitale modeller af virkeligheden og ud fra dem lave forudsigelser og følgeslutninger og vurdere begrænsninger i modellen”. Under dette kompetenceområde ser vi altså tydelige ligheder med ICILS’ undersøgelsesramme for datalogisk tænkning i forhold til begge undersøgelsens kompetenceområder at identificere problemer samt at udvikle løsninger.

    Men som nævnt præciseres det i læseplanen for forsøgsfaget teknologiforståelse at der er “en balance mellem de fire kompetenceområder som på afgørende vis beriger hinanden og er hinandens forudsætninger”. Blandt andet står der: “Uden digital myndiggørelse og digital design bliver computationel tankegang og teknologisk handleevne løsrevet fra anvendelsesperspektivet”. I ICILS’ undersøgelsesramme er datalogisk tænkning sat ind i en anvendelsesorienteret kontekst hvilket kommer tydeligst til udtryk i Kompetenceområde 2: At udvikle løsninger der som beskrevet omfatter processer forbundet med at skabe, implementere og vurdere computerbaserede systemers svar på virkelige problemer. Dette indebærer iterative processer som planlægning, implementering, test og vurdering af algoritmiske løsninger på virkelige problemer. Således omfatter ICILS’ ramme for datalogisk tænkning mere end kompetenceområdet for Computationel tankegang fra forsøgsfagligheden teknologiforståelse. Men i forsøgsfagligheden teknologiforståelse findes de fleste af disse aspekter i andre kompetenceområder. Og samtidig skal det understreges at forsøgsfagligheden teknologiforståelse omfatter en lang række områder som hverken testes i testen af computer- og informationskompetence eller datalogisk tænkning. Det gælder særligt inden for områderne Digital myndiggørelse og Digital design.

    Sammenfattende kan man sige at der er sammenfald mellem dele af undersøgelsesrammen og de naturfaglige fag i dansk læseplan og at der er en stærk relation mellem ICILS’ undersøgelsesramme for datalogisk tænkning og det danske forsøgsfag i teknologiforståelse. Det er dog vigtigt at huske på at ICILS-undersøgelsen er gennemført før forsøget med teknologiforståelse gik i gang og at eleverne således sandsynligvis ikke er blevet undervist i denne faglighed. Vi skriver sandsynligvis da der i en periode fra 2017 også har været mulighed for at udbyde et forsøgsvalgfag kaldet teknologiforståelse som dog ikke har vundet stor udbredelse og som derfor blot nævnes, men ikke beskrives nærmere her. Som vi præsenterede i kapitel 2, indikerer en spørgeskemaundersøgelse foretaget blandt skolelederne på de ICILS-deltagende skoler netop også at dette valgfag ikke har været tilbudt i nogen stor udstrækning, ligesom eleverne ikke i nævneværdig grad har fået tilbudt undervisning med et specifikt fokus på udvikling af datalogisk tænkning.

    Og endelig skal det også erindres at selv om noget optræder i målbeskrivelser for undervisningen, så er det langt fra sikkert at det også indgår i undervisningen eller faktisk læres af eleverne.

    4.6 ICILS måler ikke alt

    I dette og det foregående kapitel om computer- og informationskompetence har vi peget på en lang række faglige områder som relaterer til indholdet i ICILS-undersøgelsen. Det har vi gjort for at underbygge et udsagn om at ICILS måler væsentlige og fagligt relevante kompetencer. Men det skal understreges at computerbaserede tests med simulerede virkeligsnære opgaver der skal kunne vurderes efter strenge kriterier, sådan som det gør sig gældende for ICILS-instrumenterne, ikke kan og skal være den eneste form for evaluering af elevernes kompetencer.

    For det første måler ICILS langtfra alle fagligt relevante kompetencer – heller ikke i det fag der ligger tættest på, nemlig forsøgsfaget i teknologiforståelse. For det andet kan kompetencetests som ICILS give en lang række væsentlige indsigter om en populations kompetencer og konteksten for udviklingen af den. En sådan test ville også kunne bruges som pædagogisk redskab af lærere i deres undervisning, men der er også behov at der udvikles og vedligeholdes en bred evalueringskultur hvor der også indgår mere formativt orienterede evalueringer af elevernes kompetencer. Fx i form af udarbejdelse af porteføljer over produkter, føring af læringslogbøger, deltagelse i fremlæggelser, aktiv deltagelse i udviklingsprocesser og meget mere.

    B Referencer

    Aho, Alfred V. 2012. “Computation and Computational Thinking”. Comput. J. 55: 832–35.

    Barr, David, John Harrison, og Leslie Conery. 2011. “Computational Thinking: A Digital Age Skill for Everyone”. Learning & Leading with Technology 38 (6): 20–23.

    Berland, Matthew, og Uri Wilensky. 2015. “Comparing Virtual and Physical Robotics Environments for Supporting Complex Systems and Computational Thinking”. Journal of Science Education and Technology 24: 628–47.

    Bocconi, Stefania, Augusto Chioccariello, Giuliana Dettori, Anusca Ferrari, og Katja Engelhardt. 2016. “Developing Computational Thinking in Compulsory Education for Policy and Practice”. Redigeret af Panagiotis Kampylis og Yves Punie. European Commission, Joint Research Centre.

    Denning, Peter J. 2017. “Remaining Trouble Spots with Computational Thinking”. Commun. ACM 60: 33–39.

    Fraillon, Julian, John Ainley, Wolfram Schulz, Daniel Duckworth, og Tim Friedman. 2019. IEA International Computer and Information Literacy Study 2018 Assessment Framework. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-19389-8.

    Fraillon, Julian, Wolfram Schulz, Tim Friedman, John Ainley, Eveline Gebhardt, John Ainley, Ralph Carstens, m.fl. 2020. ICILS 2018: technical report.

    Grover, Shuchi, og Roy Pea. 2013. “Computational Thinking in K12: A Review of the State of the Field.” Educational Researcher 42 (1): 38–43. https://doi.org/10.3102/0013189X12463051.

    Naur, Peter. 1970. Planer Og Ideer for Datalogisk Institut Ved Københavns Universitet. Studentlitteratur.

    Rasch, G. 1960. Probabilistic Models for Some Intelligence and Attainment Tests. Studies Im Mathematical Psychology, Vol. 1. Copenhagen: Danmarks pædagogiske Institut.

    Selby, Cynthia, og John Woollard. 2013. “Computational Thinking: The Developing Definition”. Project Report. University of Southampton (E-prints).

    Society, The Royal. 2002. “Shut down or Restart? The Way Forward for Computing in UK Schools”.

    Wing, Jeannette M. 2006. “Computational Thinking”. Commun. ACM 49 (3): 33–35. https://doi.org/10.1145/1118178.1118215.

    1. Se https://www.digitaltechnologieshub.edu.au/teachers/topics/computational-thinking↩

    2. På engelsk omtales disse intervaller som regions der måske bedst oversættes med områder. Men da vi på dansk benytter begrebet kompetenceområder i forbindelse med Fælles Mål, har vi valgt ‘intervaller’ for at undgå forvirring af begreberne.↩

    3. Fælles Mål, læseplan og vejledning for de naturfaglige fag, herunder afsnittets citerede dele, findes på https://www.emu.dk/grundskole↩

    4. Fælles Mål, læseplan og vejledning for forsøgsfagligheden teknologiforståelse, herunder afsnittets citerede dele, findes på https://www.emu.dk/grundskole/teknologiforstaelse samt https://www.tekforsøget.dk↩