中职学生计算思维的现状与对策研究

Current Situation and Countermeasures of Computational Thinking of Secondary Vocational School Students

摘要: 数字经济转型、职业岗位升级与中职教育改革推动计算思维成为中职学生必备的核心素养。为应对中职学生计算思维发展路径不清、评估体系缺失的问题，将CTS进行本土化修订并进行信效度检验，形成符合我国中职生的计算思维量表。通过数据分析发现：个体思维发展不够全面、群体思维发展两极分化、计算思维培养呈现隐形教学、团队合作经验不足等困境。鉴于此，提出中职学生计算思维培养的多维度提升策略：一是以认知诊断、专业适配的教学模式进行差异化教学；二是基于PBL进行算法设计的显性化教学，并结合中职生真实专业场景设计跨学科项目式教学；三是借助线上协作学习社区为学生搭建问题解决空间。

Abstract: Digital economy transformation, professional post upgrading and secondary vocational education reform promote computational thinking to become the core literacy necessary for secondary vocational students. In order to deal with the problems of unclear development path and lack of evaluation system of secondary vocational students, CTS is revised locally and tested for reliability and validity to form a computational thinking scale suitable for secondary vocational students in China. Through data analysis, it is found that: In view of these difficulties, this paper puts forward the multi-dimensional promotion strategies for the cultivation of computational thinking of secondary vocational students: one is to carry out differentiated teaching with cognitive diagnosis and professional adaptation teaching mode, the other is to carry out explicit teaching based on PBL algorithm design, and design interdisciplinary project-based teaching combined with the real professional scene of secondary vocational students; the third is to build a problem solving space for students with the help of online collaborative learning communities.

1. 引言

2023年9月，习近平总书记在黑龙江考察期间首次提出“新质生产力”一词，职业教育作为培养技能型人才的主阵地，是培养新质人才的摇篮。中等职业院校作为职业教育的起点，从两个维度支撑新质生产力的发展。一是中职教育共设置19个专业大类358个专业，丰富的专业类别满足了新质生产力产业需求；二是中职教育不断为高职及职业本科提供高素质生源，发挥着“中职筑基”的作用。

随着数智技能的发展，中低端技能岗位正逐步由人工智能替代，岗位对劳动者的要求也随之持续提升。在此背景下，中职教育应致力于培养具有创变思维、技术思维和复合思维的新质人才[1]。值得注意的是，这三种思维在计算思维的形成过程中可同步得到培育：拥有计算思维的学生能够运用所学知识和技能，结合信息技术形成问题解决方案，并通过总结方法和技巧将其迁移到相关问题中[2]。具体而言，在知识运用和总结迁移环节学生的创变思维得到培养，进而提升其创想能力与实践智慧、开拓精神与破界能力；问题解决中信息技术的应用可强化学生的技术思维，使学生具有人机共生思维与AI渗透技能；而在学生运用计算思维解决问题时，需依赖大量基础知识，亦能助力复合思维中的成长心态与高意识学习特质的提升。

然而，当前关于计算思维的研究多聚焦于基础教育和高等教育，针对中职生的计算思维研究较为有限，尤其是计算思维现状研究。为了解中职计算思维研究状况，在中国知网、维普、万方三个数据库中，以“计算思维”为检索主题，检索2006年1月到2025年3月的期刊论文和学位论文。在相同条件下，分别以“计算思维&中职”和“计算思维&中等职业”作为检索主题；且在其基础上检索涉及实证研究的相关文献。在未对无关文献筛选剔除的情况下，结果显示：与计算思维相关的文献共有6191篇；中等职业教育中计算思维的相关研究数量为307，占总量的5%左右，其中对学生计算思维能力现状调查的仅有8篇。这说明现有研究多停留于理论探讨层面，缺乏实际数据驱动的教学干预研究。

中职生群体具有独特的学习背景和职业发展需求，只有基于实证调研深入分析中职生计算思维现状，才能为新质生产力视域下的中职教学改革提供针对性指导，推动中职生信息素养的整体提升。本文通过分析专业类别、性别差异及团队合作经验等因素调查中职生计算思维能力的现状，总结不同群体在计算思维能力上的特征和差异，为中职计算思维培养提供科学依据，并据此提出有效的提升对策。

2. 研究设计

2.1. 研究对象与数据来源

本研究选取了江西省南昌市、九江市和萍乡市的部分中职院校作为研究对象。南昌市作为省会城市是全省的经济核心和教育中心，教育资源水平位居全省前列；九江市经济位居全省第二，并以职业教育为发展特色，教育资源位于中等水平；萍乡以煤炭工业闻名但经济体量相对较小，教育资源相对薄弱。三地中职院校在教育资源配置、办学侧重点及学生培养方向等方面有一定差异性，因而确保样本的代表性和研究结论的推广价值。

为全面反映中职生计算思维发展现状，采用随机取样的方式，研究对象涵盖教育类、艺术类、计算机类等16个专业类别。在2937名调研对象中，男生1256人，女生1681人，可见性别分布相对均衡。其中，学习过信息技术基础课程的中职学生有2590名，占比88.2%；但学习过程序设计入门的学生数量有所增加，达到2731人，占总人数的93%。仅有781名学生表明有团队合作经验，超过七成的调查对象没有团队合作经验，表明中职学生团队活动的组织和参与尚显不足，如图1所示。

Figure 1. Basic characteristics of subjects

图1. 研究对象基本特征

线上问卷调查是数据主要来源，经过前期调研、正式施测和数据整理三个阶段进行数据分析。调研阶段通过文献分析和专家访谈，构建测评工具并评估问卷信效度。随后采用问卷星平台，在部分采样院校教师的协助下指导学生填写问卷以确保数据的完整性和有效性。最终共收集问卷3095份，剔除无效问卷后，有效问卷剩2937份，问卷有效率为94.9%。数据采用SPSS26.0进行统计学分析，计数资料采用频数和百分比表示。

2.2. 测量工具的开发与构建

1) 测量框架与理论基础

关于计算思维的定义主要存在两类主流观点，一类基于编程和计算的概念，另一类则聚焦于问题解决。多数学者认同计算思维是实际问题求解过程中产生的思维活动这一观点[3]，周以真(Wing)学者最早提出计算思维是开发问题解决方案的一种思维过程[4]。此后，学者们在其基础上进一步拓展见解，例如，李晓明等认为计算思维是信息化背景下人们认识和解决问题的重要能力之一，蕴含着解决一般问题的方法和技术[5]。此外，相关文件也从问题解决视角对计算思维进行界定。《中等职业学校信息技术课程标准》(简称“《课标》”)结合新时代特征，明确提出计算思维是指个体运用信息技术的思想方法，在分析处理信息、解决问题过程中产生的一系列思维活动[2]。鉴于本研究目标群体为中职学生，采用《课标》中的计算思维定义，以确保研究内容与中职教育体系的契合性。

国内外关于计算思维评价的相关研究重点主要集中在评价指标体系的构建和评测工具的开发[6]，且这些研究大多针对K-12阶段学生，针对中职学生计算思维的测评工具几乎空白。在现有中职学生计算思维培养的研究中只有少数涉及评价环节，主要依赖教师评价和学生评价相结合的评测方式，这种评价方式无法从多个维度全面考察计算思维核心能力结构。由此，为充分体现中职学生计算思维现状，有必要进一步编制专门的评测工具。

纵观国内外计算思维测评方法，量表分析法因其操作简便、可量化评估，能够较好地反映学生计算思维，成为优选工具，目前主流的计算思维测评量表如表1所示。这些测评工具在维度设定、适用学段等方面存在差异，并非均适用于中职学生计算思维的测量。例如，马宗兵团队提出的针对小学生的评价量表[7]，难以适配中职学段的认知发展；库库尔(Kukul)开发的量表与白雪梅汉化的CTS在适用学段上与中职相匹配，但中职生和普通高中生在学习动机与能力、心理与社会认知等多方面存在显著差异，中职生往往呈现出“技能导向突出、职业意识早熟、发展路径多元”的特点。将各类量表对比分析，CTS包含创造力、算法思维、协作能力、批判思维和问题解决五个维度，且符合新质人才具备的创变思维、技术思维和复合思维，因而本文借鉴白雪梅团队的方法，结合中职生特点对CTS进行本土汉化。

Table 1. Evaluation of computational thinking

表1. 计算思维的评价方式

开发人员	名称	维度指标	题项数量	适用学段
马宗兵团队[7]	CTT-BS-CTS三维计算思维评价量表	计算知识、计算技能、 计算意识	19	小学
库库尔(Kukul)团队[8]	中学生计算思维自我效能感量表(CTSES)	推理、抽象、分解、概括	18	初高中
白雪梅团队[9]	计算思维等级量表	创造力、算法思维、 协作能力、批判思维、 问题解决	22	高中
科尔克马兹(Korkmaz)团队[10]	计算思维量表(CTS)	创造力、算法思维、 协作能力、批判思维、 问题解决	29	大学及以上

2) 测量工具的设计

本研究量表包括两部分共34题。第一部分为8个基本信息题项，除学校、专业等基本信息外，进一步调查了中职学生信息技术课程相关情况。根据《课标》可知计算思维是信息技术课程的核心素养之一，而程序入门设计中的编程不仅是课程的重要组成部分，同时也是计算思维培养的核心工具，因此，问卷特设调查学生是否学习过相关课程的题项，以深入了解其计算思维培养背景。第二部分为计算思维测量部分，该部分基于科尔克马兹(Korkmaz)开发的CTS量表，采用李克特五点量表计分法和正向计分方式。

CTS本土化汉化采取回译翻译法。该方法将翻译好的目标语言再重新翻译成原文，通过对比原文和回译文，来确定译文是否存在问题[11]。因此，邀请了拥有良好英语水平且对计算思维有一定了解的研究者对量表进行翻译，并通过将回译内容与原始版本进行对比，最终两者之间的表述几乎一致。在此基础上通过专家咨询法对整合后的量表进行文化调适，并邀请中职生参与量表修订，确保量表符合其认知水平与理解能力，最终形成了适用于中职生群体的计算思维能力测评量表。

2.3. 测量工具信效度分析

为检验量表的信效度，随机抽取200名中职学生进行预调查。回收量表并剔除4份无效问卷后，最终获得196份有效问卷并进行分析。结果显示其Cronbach’s α值为0.963，表明量表具有极高的内部一致性。同时运用KMO检验评估量表，其值为0.932 (大于0.9)，表明此问卷适合做因子分析。此外，Bartlett球形检验P值接近0，达到显著性水平，进一步验证了数据的结构效度。由此可见，该问卷的信效度质量较高，问卷结构较为稳定和可靠，可用于进一步研究。

研究采用主成分分析法抽取因子，研究结果显示：除“我喜欢那些对自己的大部分决定都很有把握的人”和“在解决复杂问题时，我善于依据惯例制定出有针对性的计划”两题项外，其余因子的负荷均大于0.5；此外，题项“我能立即提出解决问题的合理算法”出现了交叉载荷，为了获得一个更好结构的量表，删除这三个测量指标，剩余26个测量指标均保留。

研究对剩下26个测量指标组成的CT量表进行第二次探索性因子分析，结果显示：KMO = 0.943，p < 0.000。同样采用主成分分析法抽取因子，用直接斜交旋转法进行旋转，最终形成五因子，提取的5个因子共解释问卷题项的77.475%。因此，量表划分为创造力、算法思维、协作能力、批判思维及问题解决五个维度。

3. 结果与讨论

3.1. 中职生计算思维能力整体情况

1) 中职生计算思维能力整体水平分析

根据李克特五级量表的评分特点，选取3作为临界值，并将计算思维及各维度均值与该临界值进行比较，以评估中职生的计算思维水平，结果如表2所示。

Table 2. Calculating the mean and standard deviation of each dimension of thinking

表2. 计算思维各维度的均值及标准差

	创造力	算法思维	协作能力	批判思维	问题解决	计算思维
均值	3.88	3.40	3.94	3.81	3.31	3.67
标准差	0.688	0.949	0.754	0.761	0.907	0.640

从均值分布来看，五个维度的得分介于3.31至3.94之间，整体均值为3.67，表明学生在计算思维能力上具备一定水平，但各维度间仍存在差异。其中，协作能力得分最高，表明学生在团队合作、任务协作方面表现较好，这可能是相较于其他维度，协作能力对学生的知识或技能等方面的要求更低，所以学生表现出更高的自我效能感。相较之下，问题解决能力的得分最低，反映出学生运用计算思维解决实际问题仍存在一定困难，可能受限于问题分解、建模策略掌握不足等因素。其余三个维度得分从高到低依次为创造力、批判思维和算法思维。由此可见，学生在创新思维、问题重构等方面有一定的能力，而在逻辑推理、算法设计等方面存在一定不足，这可能与当前中职课程在方案分析、评估和优化等方面的培养较少或重视不够有关。

从标准差来看，各维度离散程度有所不同，其中算法思维和问题解决的标准差较大，表明在这两个维度存在较大个体差异，这一现象可能受个体经历、专业方向和教学模式的影响，与调研对象所涉及专业分布较广相吻合。创造力标准差最低，进一步体现了中职教育的职业技能导向。协作能力和批判思维的标准差相近，分别为0.754和0.761，结合均值分析，表明这两个维度整体表现良好，但个体能力发展存在较大的差异。

总体来看，中职生计算思维整体水平处于中等偏上，但各维度间发展不均衡。需要注意的是，算法思维和问题解决两个维度呈现均值相对较低同时标准差较高的情况，反映出学生在这两方面存在明显短板。而有效推进问题解决是发展新质生产力的关键，因此，中职学生在问题解决和算法思维方面的不足亟待重点关注。

2) 计算思维各维度描述性统计

计算思维各维度题项得分超过3的人数及其占比详情如图2所示。

Figure 2. Schematic diagram of the number and proportion of people with scores greater than 3 in each dimension of computational thinking

图2. 计算思维各维度得分大于3的人数和所占的比例示意图

a) 创造力维度

从创造力维度的7个题项来看，各题项得分超过3的人数比例均超过50%，分布在52.5%到79.9%之间，各题项分布反映出中职学生部分能力的薄弱点。具体来看，52.5%的学生倾向于凭借直觉判断问题的准确性，这意味着他们在面对新问题时缺乏有效的分析策略。仅有57.5%的同学表示在问题的分析过程中能够心无旁骛的思考问题，说明仍有相当比例的学生在思考问题时容易受到外界干扰，专注力相对不足。此外，大多数学生对自身能否解决新情况下出现的问题持否定态度；即使是在有计划的情况下，将近一半的学生表明自己无法实施计划并解决问题。这进一步凸显了学生在创新思维的实践转化过程中存在一定困难，可能与知识储备不足、实践机会有限以及执行能力薄弱等因素相关。由此可见，当前大多中职生基于事物的现状和未来发展趋势提出观点和方法进行解决问题和创新实践的能力较弱，还未达到新质人才所需具备的创想能力水平。

b) 算法思维维度

算法思维强调问题拆解、模式识别和抽象建模等，是数字化时代的关键认知方式，能够为新质生产力的发展提供结构化的问题解决路径。中职学生算法思维5个题项中得分超过3的人数比例均低于50%，分布在38.2%到47%之间。这表明多数学生未能对已有的信息与问题进行分析。算法思维作为计算思维的核心之一，要求学生具备较强的逻辑性、顺序性和组织性，但当前数据结果反映出仅有少数学生达到这一要求。具体来看，41.7%的学生表示对数学式思维感兴趣，但仅38.2%的学生能独立将日常语言问题转化为数学算式；可当问题中明确使用数学符号或概念时，学生的认可度显著提升。由此可见，中职学生存在明显短板：既无法敏捷感知问题关键点；又缺乏打破学科、方法及认知边界的能力；且自主抽象建模能力薄弱，大多学生主要依赖外部符号提示完成问题转化。

c) 协作能力维度

对于现代社会的复杂性、专业化和资源整合需求，协作能力是个人与集体发展的核心竞争力。对中职学生协作能力调查的4个题项中，各题项得分超过3的人数比例分布在68%到72.9%之间。整体上反映出多数学生对团队协作持积极态度，表现出较强的合作意识和团队学习意愿。例如，68.0%的学生喜欢与队友一起完成团队项目，68.1%的学生认为通过小组讨论可以提高成就感，还有72.9%的个体认为团队学习可以激发新的想法，有助于更好地学习。这说明大部分中职生具有较强的合作意识和团队学习意愿。但仍有小部分中职生对团队协作持反对意见，可能受中职生性格、团队任务及成员等因素的影响，这表明在强调协作的同时，应关注个体特征及团队任务的合理性。

d) 批判思维维度

批判思维的4个题项，各题项得分超过3的人数比例分布在56%到66.4%之间。66.4%的中职学生对自己认真思考的行为给出正面评价，然而在涉及实际操作的题项中，认可度有所下降。例如，62.9%的学生表明愿意学习有挑战性的任务，而在解决问题时，58.4%的学生认可越有挑战性的问题越有意思，同比减少4.5%。反映出学生对问题思考的态度与行为存在差距，在学习态度上具有一定的开放性，乐于接触具有挑战性的知识；但认知韧性仍显不足，对抽象挑战的接纳态度未能完全转化为解决复杂问题的持续动力，无法满足新质生产力对高素质人才在知识结构及思维转化上的要求，需要进一步提升学生的成长心态与高意识学习特质。

e) 问题解决维度

问题解决维度的6个题项，经过处理后，各题项得分超过3的人数介于15.3%和44.4%之间。该维度的表现不仅反映学生的实际问题解决能力，还在一定程度上体现了其他维度的发展水平。例如，“喜欢独立完成解决方案”题项的认可度仅为15.3%，进一步验证了中职生普遍倾向于团队协作模式；“难以想出多个预案”题项的认可度仅15.6%，这符合创造力维度中大多学生存在直觉决策倾向的现象。由此可见，提升中职生问题解决能力，要综合培养其创变思维、复合思维和技术思维。

3.2. 计算思维能力的分布特征

为了解个体差异是否会使中职学生计算思维产生显著差异，使用独立样本T检验对学生性别、先验知识及团队经验进行差异分析，对于专业这一多分类变量则采用单因素ANOVA检验。

1) 性别差异分析

性别差异分析结果如表3所示。从表中可见，性别在计算思维各维度上均存在显著差异，男性在计算思维能力上整体优于女性。其中，性别对算法思维产生的影响最为显著，男女生之间的均值差达到0.49，表明男性在算法思维中涉及的符号理解、逻辑推理及算法构建等方面具有更强的适应能力，这可能与中职生的认知发展阶段有关。与此同时，性别对协作能力产生的影响相对较小，其他维度的均值差都在0.2左右，这说明性别能使计算思维产生差异，但两者间的差异并非很大。值得注意的是，尽管男生在所有维度中均占有优势，但在问题解决维度上同样得分最低，表明计算思维的培养在算法思维与实际问题解决两方面仍存在脱节。

Table 3. Gender differences in computational thinking

表3. 性别的计算思维差异性分析

	男性	女性	t	p
	M ± SD	M ± SD
创造力	3.98 ± 0.76	3.80 ± 0.63	7.063	0.000^***
算法思维	3.68 ± 0.93	3.19 ± 0.91	14.218	0.000^***
协作能力	4.02 ± 0.79	3.88 ± 0.72	4.973	0.000^***
批判思维	3.95 ± 0.81	3.71 ± 0.70	8.281	0.000^***
问题解决	3.43 ± 1.03	3.21 ± 0.79	6.348	0.000^***
计算思维	3.81 ± 0.69	3.56 ± 0.57	10.588	0.000^***

注：^*p < 0.05，^**p < 0.01，^***p < 0.001 (下同)。

2) 相关课程学习经历差异分析

相关课程学习经历差异分析结果如表4所示。从整体上来看，信息技术课程的学习与否在学生的计算思维上存在显著差异(p < 0.01)，且学习过该课程的学生比未学习者高0.21分。从各维度入手，信息技术课程在除问题解决外的四个维度上存在显著差异(p < 0.01)；虽问题解决维度差异不显著(p > 0.05)，但有课程学习经历的群体表现仍优于无相关经历群体。说明信息技术基础课程对中职学生计算思维存在促进作用，但仍存在较大的提升空间。

Table 4. Analysis of computational thinking differences between learning and non-learning

表4. 课程学习与否的计算思维差异性分析

	有相关课程学习经历		无相关课程学习经历		信息技术基础		程序设计入门
	信息技术 基础	程序设计 入门	信息技术 基础	程序设计 入门
	M ± SD	M ± SD	M ± SD	M ± SD	t	p	t	p
创造力	3.89 ± 0.68	3.88 ± 0.69	3.78 ± 0.70	3.78 ± 0.62	5.061	0.000^***	2.381	0.018^*
算法思维	3.43 ± 0.95	3.41 ± 0.96	3.18 ± 0.94	3.30 ± 0.86	4.700	0.000^***	1.648	0.101
协作能力	3.97 ± 0.75	3.95 ± 0.76	3.70 ± 0.77	3.83 ± 0.73	6.263	0.000^***	2.133	0.033^*
批判思维	3.84 ± 0.75	3.82 ± 0.76	3.58 ± 0.79	3.74 ± 0.69	5.970	0.000^***	1.432	0.152
问题解决	3.31 ± 0.92	3.31 ± 0.91	3.23 ± 0.83	3.24 ± 0.80	1.705	0.089	1.298	0.195
计算思维	3.69 ± 0.64	3.67 ± 0.65	3.48 ± 0.62	3.58 ± 0.54	5.8611	0.000^***	2.432	0.016^*

“程序设计入门”涉及编程知识，根据现有计算思维培养研究，对学生的计算思维有促进作用。通过数据分析，虽学过程序入门设计群体的均值明显大于未学习者，但程序设计入门在算法思维、批判思维和问题解决三个关键维度未能体现出显著差异。由此可见，程序设计入门能够促进学生计算思维，但学生的计算思维在程序设计入门模块的教学中未能得到很好地提升。

3) 学科类别差异分析

学科知识结构差异会影响计算思维发展路径。由表5可知，不同专业学生的计算思维存在显著差异，表明专业也是影响学生计算思维的因素之一。数据显示，在各维度中财经商贸类、装备制造类及电子信息类的得分普遍高于其他专业，但在问题解决这一维度上与其他专业存在相同问题：不仅均分最低，且标准差极大。

Table 5. Analysis on the difference of computational thinking among students of different subject categories

表5. 各学科类别学生的计算思维差异性分析

	1	2	3	4	5	6	7	8	9	F	p
	M ± SD	M ± SD	M ± SD	M ± SD	M ± SD	M ± SD	M ± SD	M ± SD	M ± SD
创造力	3.78 ± 0.62	3.84 ± 0.69	4.00 ± 0.73	3.98 ± 0.59	3.38 ± 0.52	3.90 ± 0.59	3.64 ± 0.52	3.82 ± 0.71	3.81 ± 0.85	7.540	0.000^***
算法思维	3.20 ± 0.91	3.33 ± 0.93	3.68 ± 0.95	3.56 ± 0.96	3.74 ± 0.90	3.44 ± 0.83	2.92 ± 0.86	3.54 ± 0.88	3.61 ± 0.96	19.604	0.000^***
协作能力	3.89 ± 0.70	3.90 ± 0.78	4.04 ± 0.78	4.03 ± 0.78	4.01 ± 0.82	3.82 ± 0.74	3.74 ± 0.74	3.82 ± 0.68	3.91 ± 0.86	3.763	0.000^***
批判思维	3.71 ± 0.70	3.76 ± 0.74	3.95 ± 0.82	3.95 ± 0.78	3.96 ± 0.86	3.81 ± 0.69	3.58 ± 0.68	3.82 ± 0.76	3.81 ± 0.76	8.306	0.000^***
问题解决	3.22 ± 0.79	3.27 ± 0.88	3.47 ± 1.03	3.35 ± 0.99	3.50 ± 1.06	3.23 ± 0.89	3.18 ± 0.59	3.26 ± 1.02	3.17 ± 1.04	4.954	0.000^***
计算思维	3.56 ± 0.58	3.62 ± 0.63	3.83 ± 0.70	3.78 ± 0.66	3.84 ± 0.73	3.64 ± 0.52	3.41 ± 0.48	3.65 ± 0.60	3.66 ± 0.70	12.877	0.000^***

注：1 = 教育与体育类，2 = 财经商贸类，3 = 装备制造类，4 = 电子与信息类，5 = 交通运输类，6 = 高考班类，7 = 旅游类，8 = 文化艺术类，9 = 农林牧渔类。

4) 团队项目经历差异分析

团队项目经验对中职生计算思维的差异分析如表6所示。拥有团队合作经验的学生与没有相关经验的学生之间存在显著差异(p < 0.01)，且前者各维度均值均高于后者，尤其是在学生的算法思维方面，差值达到0.55分；但从各维度标准差大于0.5可知，各维度同样存在两极分化严重的问题。该结果表明团队项目对中职生的计算思维发展存在正向影响，但学生群体中两极分化没有得到消除。

综上，中职学生计算思维主要在以下几个方面存在问题：首先，知识迁移效能低下。多组数据分析结果显示学生在计算思维培养中具有良好的学习兴趣，但在涉及算法设计与问题解决的题项时，数据呈现出学生分析能力、建模能力及知识转化能力不足等问题。其次，思维能力发展不均衡。综观全部差异性分析，各个维度的标准差均呈现出较为严重的两极分化；且算法思维和问题解决两个维度的均值得分显著低于其他维度。最后，团队合作经验缺失与不畅。团队项目有益于学生计算思维的培养，但只有30%的学生拥有相关经验，甚至部分学生对团队协作学习产生了厌倦心理。

Table 6. Computational thinking differences with and without teamwork experience

表6. 团队合作经验有无的计算思维差异性分析

	有团队项目经验	无团队项目经验	t	p
	M ± SD	M ± SD
创造力	4.10 ± 0.73	3.80 ± 0.65	10.112	0.000^***
算法思维	3.80 ± 0.94	3.25 ± 0.91	13.957	0.000^***
协作能力	4.17 ± 0.73	3.86 ± 0.75	10.291	0.000^***
批判思维	4.07 ± 0.78	3.72 ± 0.73	10.939	0.000^***
问题解决	3.44 ± 1.09	3.26 ± 0.83	4.119	0.000^***
计算思维	3.92 ± 0.68	3.58 ± 0.60	12.327	0.000^***

4. 结论与建议

4.1. 何以发展计算思维

1) 学生个体存在发展差异

学者孙立会和张屹在小学生计算思维研究过程中发现，性别在计算思维方面未存在显著差异[12] [13]，但在数据中呈现的结果存在显著差异，与白雪梅等学者对高中及以上学段学生的计算思维测量结果一致。首先，这是由社会评价、社会分工和环境要素导致的性别认知偏差，进而产生片面的自我认知。学生自我认知使学生根据自身的性别产生显著的兴趣预测[14]，进而影响中职生对课程的取舍。其次，社会环境同样影响着男女生的自我效能感。传统观念认为，男性在思维能力方面更具优势，这种刻板印象使得男生在面对学习任务时往往表现出更强的自信心。

除了性别，中职学生的已有认知水平、学习动机也是形成计算思维差异的重要因素。中职教育以培养应用型人才为主要目标，对知识掌握要求较低，加上大多数中职生的学习动机普遍较低，出现逃课、不珍惜学习机会等行为表现，所以中职学生认知水平逐渐增大。而现有以讲授式为主的教学模式，注重知识的系统传递和理论讲解，对学生的抽象思维、逻辑推理等能力提出了较高要求；此外，教师普遍存在表现偏好型关注倾向，教学同质化倾向导致学生认知差异的消解失效，进而出现部分学生完全丧失学习兴趣，导致即使大部分中职生学习过与编程相关的课程，但仍存在计算思维各维度两极分化严重的现象，尤其是在对学生辩证逻辑要求较高的算法思维及问题解决两个维度上。

与此同时，专业背景亦是中职学生计算思维发展的影响因素。其中，专业属性与培养目标的本质区别是造成计算思维差异的主要原因。理工科强调逻辑思维和科学精神，以信息技术类专业为例，其课程体系涵盖数据库管理系统、编程等课程，此类课程能促进学生的算法、抽象等思维能力，进而使学生的计算思维得到发展。文科注重培养学生的语言表达、沟通能力和人文素养，只有部分公共课程能为中职生提供逻辑训练，所以文科类学生计算思维培养收效甚微。

2) 思维培养呈现隐性教学

教学包含教学目标、教学内容、教学过程和教学评价，每一环节均与学生计算思维息息相关，但思维培养不仅限于此。在中职生计算思维各维度分析及差异性分析中可以发现，在信息技术课程中学生的算法思维和问题解决能力均没有得到提升，依然存在算法思维薄弱和问题解决能力不足的问题。这是因为算法思维和问题解决考察学生综合素质，两者形成的关键在于思维，而非仅限于知识掌握。所以信息科技课程的教学内容不只有显性知识，隐性的计算思维更是教学重点。计算思维存在隐匿性的特征，对于缺乏成长心态的中职生而言，通过传统的教学方式难以实现思维传递；即使通过项目讲解或实践进行教学，同样会出现重过程轻思维的状况。此外，在教学评价中，存在评价内容偏狭、评价方式简单、评价主体单一、评价功能窄化等问题，现有的评价多局限于鉴定功能，轻教学改进与发展的现象[15]，未能实现计算思维全面化、显现化评价。

3) 团队合作尚显经验不足

新质生产力强调产业链协同与产业集群效应，在战略性新兴产业需要多学科融合攻关，具有人类命运共同体思维与跨文化行动力是实现产业创新的基础。基于数据分析，团队合作有利于中职学生计算思维的发展，且受到中职学生的喜爱，但实际教学教师对学生合作能力培养的认识不到位[16]，只有三成中职学生拥有团队合作经验，大多中职学生始终处于单一的学习时空。既定的上课时间、固定的上课场所，这种单调的教学忽视了中职学生专注力明显不足、学习动机弱等非认知层面的特点，未能激发学生的内在动机及长久的专注力，以致学生问题解决兴趣未能成功转化为问题解决能力。

此外，30%左右的学生不喜欢团队项目，可能是在团队项目中受任务质量或团队成员的影响得到不良体验。中职学生存在一定的敏感性及自卑心理，团队协作中的成员分组、任务分工均会影响其团队项目的体验感。

4.2. 以何发展计算思维

中职学生计算思维在“知识传授–思维培养–实践应用”三维存在衔接断裂。因此，基于新质生产力视角，结合计算思维发展要求，探索“差异教学为支撑、思维训练为内核、虚拟空间为载体”的培养路径。

1) 实施差异教学，满足教学个性化

新质生产力需要能够充分利用现代技术、适应现代高端先进设备、具有知识快速迭代能力的新质人才，但中职学生受个体经验、学习动机及专业课程的影响在计算思维发展上存在差异。所以中职学生计算思维的培养应坚持需求和问题导向，通过革新课程教学方式、优化专业课程教学，结合智能化教育工具构建面向全体且针对个体的教学模式，以满足未来社会需求对人才培养方向的明确指向及新质生产力对人才综合素质的核心要求。

面向全体学生的计算思维差异通过通识教育加以消解。针对新质人才的开拓精神和跨边界能力，他们需要开放性的思维模式，通过打破传统的学科、知识边界，创造出前所未有的解决方案及成果，打破各专业中职生思维定势对新质人才的形成至关重要。信息科技课程的通识教育框架是突破专业壁垒，发展计算思维的有效教学策略[17]。通过“计算思维+”的形式将计算思维与专业课程教学相结合，并遵循新质人才发展的连续性和渐进性等特征，构建三层融合体系。基础层面向全体专业开设计算思维培养课程，重点培养计算思维中的算法设计及问题解决中涉及的抽象、分解等要素，以促进逻辑思维和问题解决能力的发展。专业层针对不同专业开发制定化模块课程，从专业需求角度展现计算机应用的技术和方法，如财经商贸类开设Excel构建数据模型课程、教育文学类要求学生设计交互式课件。拓展层结合专业创设真实的问题情境，实现专业问题链驱动教学，以培养学生问题解决的有效分析策略和创新能力，使学生逻辑思维、问题解决的顺序性和组织性得以提升，增强学生应对多变工作环境和职业需求的能力。

针对中职学生计算思维个性化教学以认知诊断为基础。基于知识图谱的认知诊断驱动个性化教学，通过开展学情分析，了解学生的知识结构、认知能力等深层次信息，并基于此开展符合学生能力的教学。在知识图谱的加持下，进行中职学生知识状态建模，融合知识图谱和大体数据生成个体–班级两级知识掌握度热力图，帮助识别中职学生算法思维、问题解决等薄弱维度；并采用图注意力网络解析知识点关联强度，溯源错误模式，实现中职学生的认知缺陷定位。基于此，对中职学生进行能力分组，并通过实施干预分层策略不断提升学生学习内驱力，使其成为具有成长心态与高意识学习特质的新质人才。

2) 探索显性教学，实现思维可观测

在智能化与数字化技术已然成为生产领域必备工具的背景下，工作场景中面临的非结构化问题正不断增多。面对产业升级带来的诸多挑战，新型人才亟需具备创新性思维与解决生产实践中复杂问题的能力。计算思维的形成能提升中职生问题解决的综合能力，但思维的内隐性不利于培养中职学生计算思维。而 PBL教学模式以真实问题为导向、注重过程探究的特质，恰好与思维可视化的核心诉求高度契合，可作为其关键实施载体。因此，在教学中融入PBL教学模式，将算法思维显性化呈现，进而实现教与学的思维可视化。

教师思维可视化作为契合计算思维培养需求、适配中职学生认知特点的重要教学策略，能够有效帮助学生掌握运用计算思维解决问题的通用路径，为中职生算法思维的提升提供参考。为实现教师思维可视化，结合PBL教学模式从以下两个维度着手推进：其一，以项目为依托，对教学进行结构化设计以促进教师决策过程透明化。如在项目的问题拆解、方案设计等环节采用苏格拉底提问法，通过系统性的语言互动记录，将教师的引导逻辑与思维脉络具象化呈现。这种方式能够清晰展现教师针对项目中的复杂问题如何“破界”，将不同科学知识、方法和技能运用于问题拆解、逻辑推导与知识联结过程，使隐性的教学决策思维转化为可感知、可学习的显性知识体系。其二，在PBL教学的项目探究过程中，借助可视化工具将隐性思维转化为显性图示，如思维导图或概念图。可视化工具的使用既能系统展示知识结构，又能以层级化的呈现方式直观展示问题解决的具体步骤与逻辑链条，辅助学生在PBL实践中完成分析问题、设计算法、调试优化等计算思维核心环节可视化建模，帮助中职学生在具象化的思维图谱中逐步理解复杂思维过程。

基于PBL设计形成的计算思维显性化教学，既能系统培养学生的算法思维，又能有效促进问题解决能力的提升。但要进一步解决中职学生问题解决能力薄弱问题，还需关注学生难以将所学思维与实际应用场景有效衔接这一痛点。传统PBL项目虽注重任务驱动，但部分场景设计与职业岗位需求脱节，导致学生面对真实工作中的复杂问题存在乏力。而真实专业场景作为职业教育的核心载体，它既贴合中职学生的专业培养方向，完整还原岗位工作中的真实问题逻辑，又能让学生在熟悉的专业语境中降低认知门槛，更自然地将计算思维与专业技能融合。因此，在计算思维培养中，应基于中职学生的专业特色，结合真实专业场景设计跨学科项目。种融合模式不仅能让计算思维的培养更具针对性与实用性，更能帮助中职学生在实践中深化对专业岗位的认知，逐步形成“依托专业场景、运用计算思维、解决实际问题”的综合能力。

学生思维的可观测性可为教学评价提供有力支撑；而教学评价的根本目的，在于促进学生的学习与发展。教学评价贯穿学生学习的全过程，因此需要从课程整体视角出发，系统审视并精心构建评价工具，以此落实学生思维的可观测性。评价工具的构建以计算思维培养目标为导向，明确计算思维维度，从“抽象、分解、算法设计、模式识别”等计算思维核心要素出发，制定可观测的行为指标。结合计算项目式学习的任务推进、方案迭代等全过程，确定评价工具与观测点，实现学习数据的全面收集与思维过程的精准评估。

通过可视化思维过程，教师能精准诊断学生的认知与非认知发展，提供靶向支持；学生能清晰感知自身思维成长，形成元认知监控能力。不仅有助于提升学生的创想力和实践智慧，同样使学生具备成长心态。

3) 提供虚拟空间，增强合作便捷性

随着数字技术的飞速发展，“人机协作、人际协作”已成为人才的新要求。实践表明，小组合作交流共同完成任务的项目式教学模式对学生计算思维能力发展有显著成效[18]。然而，班级授课制在时空上的局限给项目式学习和团队协作形成了阻碍，导致中职学生普遍缺少团队经验；此外，中职学生在面对真实难题时存在畏惧心理，难以实现问题的顺利解决。因此，通过人机–人际合作加强中职学生交流沟通及问题解决技巧。同时，秉持创新驱动、跨界融合、开放协同的发展理念构建灵活开放的人才成长数字化空间，以实现具有问题解决、协作能力的复合型技能人才的培养。

线上协作社区作为打破时空限制的教学环境，能为中职学生提供全方位的自我展示平台。不仅能营造“共同在场”的虚拟学习环境，消除虚拟空间与真实教学场景之间的界限，实现虚拟与实体、线上和线下的连通；还能满足中职学生心理需求，能有效避免性格内向或心理敏感型学生在传统协作模式中可能遭遇的参与障碍，以提升其好奇心、内驱力及自我效能感等，助力学生以更从容的姿态投入学习，实现学习效能的提升。因此，可通过构建校内线上协作学习社区，以项目式学习为纽带，为中职学生搭建跨时空的协作平台：学生可在线上自由组建项目小组，围绕真实任务开展分工协作与实时交流，逐步积累团队协作经验。社区内可设置分层级的问题挑战模块，配合同伴互助、教师引导的机制，帮助学生逐步克服对复杂问题的畏惧心理，循序渐进提升问题解决能力。此外，社区可嵌入基础数字化协作工具，让学生在实践中初步感知人机协作的模式，为后续技能提升奠定基础。

基金项目

江西省高校人文社会科学研究项目“中职教师教学评价素养现状与提升策略研究”(项目编号：JY22125)；江西省基础教育研究课题“计算思维导向的中等职业学校信息技术课程混合式教学及其应用研究——以‘程序设计入门’模块为例”(项目编号：SZUNDZH2020-1139)；江西省基础教育研究课题“‘以学生为中心’视角下中职学校‘1 + X’证书制度实施研究——基于南昌市几所中职学校的调查”(项目编号：SZUNDZH2023-1242)。

NOTES

^*通讯作者。