作者：湛蓝 东南大学脑与学习科学系，儿童发展教育研究所
研究生导师：柏毅 夏小俊
【摘要】：本研究旨在定量评估计算思维与生物进化学习的整合，调查了一个有关计算思维与生物进化的学习进阶框架的有效性。计算思维是科学教育改革重点关注的概念，许多教育工作者尚未理解计算思维的概念，因此难以将其整合到教学之中。本研究在某校高中班级中开展，将计算思维融入到生物进化课程，并进行教学干预，探究学生在生物进化知识和计算知识两个方面的学习进展。结果表明，学生在这两个领域的成绩显著提高，其中一项教学干预更加有效。数据分析结果为未来该领域的研究提供了依据，表明计算思维应在生物课堂中获得更多的重视，同时证明了该学习进阶框架的科学性。
【关键词】：生物进化；计算思维；科学实践
01
引言
包括生物学在内的大多数科学领域，正越来越具有计算性（例如生物信息学、数据分析、基因组学、生态系统建模等）。为了满足学生在技术变革呈指数增长的世界中的需求，应该将计算思维融入到课程材料中。然而，计算思维和科学内容的整合，对科学教育者来说是一项挑战，因为缺乏相应的理论基础。Bialek和Botstein（2004）提出了将数学与定量思维融入生命领域的生物学课程。计算思维改变了人们对生物学的认知，然而生物学的教育却相对滞后（Pevzner&Shamir，2009）。
尽管计算思维在许多课程中得到强调，相关的教育研究通常基于计算机界面任务进行，即大部分代码被隐藏，具有复杂的可视化表示，包括点击和拖动项目（Grover，2011），但生物学家并不会在科研工作中使用这种工具。Qin（2009）在一项研究中提出在生物信息学领域向学生教授计算思维，该研究是在大学课程中进行的，但计算思维的定义模糊不清，他向学生展示了生物学层次（如分子到种群）、编程等具体内容，并没有关注特定的生物学内容或明确定义的计算技能。
本研究整合了生物进化和计算思维，观察学生在教学干预前后的知识变化。根据Christensen & Lombardi于2020年提出的“基于计算思维的生物进化学习-学习进阶（Learning Biological Evolution through Computational Thinking – Learning Progression， LBECT-LP）”开发了两种干预课程，并提出了两个研究问题：与仅关注生物进化知识的教学相比，将生物进化与计算过程（输入、整合、输出和反馈）整合的教学，是否能够有效促进学生对（RQ1）生物进化和（RQ2）计算过程的认知？本研究的定量分析结果将验证LBECT-LP的有效性，并建议教育工作者将计算思维引入科学课程中。
02
理论框架
本研究所采用的框架包括教育心理学和科学教育的相关理论，该框架运用LBECT-LP的视角，整合了计算思维与生物学知识。
2.1
生物进化学习
学生应该理解有关生物进化的知识，包括（a）自发突变变异，（b）随时间变化的环境压力，（c）个体性状差异的产生，（d）性状的遗传，以及（e）种群内后代存活性状的频率。同时，进化原理涵盖所有层次（从细胞到生态系统），为学生理解其他生物现象奠定了基础。例如，细胞结构、种群变化和生态系统发展的前提——消耗最少的能量。这导致了高效的细胞结构、适应环境的生物体和受太阳能输入限制的生态系统。生物进化与计算思维具有结构上的相似性，因为两者都涉及动态系统，且是突发的、多维的。
2.2
计算思维
教育工作者对于计算思维的定义通常模糊不清。然而，运用计算思维是NGSS框架中强调的八项科学和工程实践之一（NRC，2012）。为了更好地理解这个概念，Aho（2012）和Wing（2006）提出了操作性定义，认为计算思维是与解决问题相关的思维过程，解决方案可以表示为有效的算法步骤。在我们最近开发的LBECT-LP中，通过将计算思维分解为输入、整合、输出和反馈四大要素，对前人的定义进行了调整。例如，海洋科学家把数据的收集分析作为“输入”（例如收集方法、格式化、存储），将鱼类丰度和温度之间的关系作为“整合”（例如变量关系、算法和统计方法），“输出”通常有许多形式（例如图表或文件），“反馈”则涉及输出如何影响未来的输入（例如对鱼类季节的预测），科学家运用鱼类和生态系统的知识、数学表达式与变量关系，以及计算工具来存储、处理和分析数据。科学家会编写代码，同时精通领域内的常用工具。
2.3
将计算思维与生物进化学习相结合
LBECT-LP框架涵盖了以下几个方面：（1）计算情景、计算过程和计算产品的呈现，（2）从简单到复杂的扩展，（3）生物进化的概念（统一性、多样性和NGSS的相关标准）。例如，简单的学习过程包括：使用预先制作的模型和用户友好界面（计算过程），并有教师的辅助指导（教学环境）；而复杂的学习过程则涉及：驱动项目（教学环境）和学生编码（计算过程）。LBECT提供的框架，可以在适应学生发展的前提下，将计算思维纳入现有课程的支架式教学中。例如，学生学习使用Excel软件中的交互功能来显示数据间的关系，复杂的计算过程可能涉及编写多条代码来解决科学问题。计算情景可以强调学生的社交，如果目标是开发计算产品、开发和修改数据集，这就强调了小组合作，有助于形成积极的态度。计算产品代表了学生在整个课程中所开发的内容，以书面结论、模型、口头演示、伪代码等来呈现，从而评估学生的计算思维和生物进化知识。本研究假设生物学中计算思维的融入可以帮助学生使用计算工具，像科学家那样进行思考和行动，同时，促进两个领域的知识整合。
03
方法
我们进行了一项准实验组内重复测量研究，调查计算思维与生物进化学习之间的关系，这也是对LBECT-LP的首次实证研究。
3.1
研究环境和参与者
我们在美国Pine Bay学区的两所大型公立高中E校和W校进行了研究。表1为准实验研究设计的详细信息。研究参与者是2019-2020学年注册AP生物课程的学生，每所学校各有两个班级参与，两位教师参加过AP教师培训。AP课程强调生物进化的重要性，并将计算思维作为进化学习的重要组成部分，但课程中没有包含将这两个领域整合的具体活动。在Pine Bay学区，AP课程供11年级和12年级的学生选修。总共有51名学生参与了本研究，其中W校有21名学生，E校有30名。约42%的参与者（27人）为男生。
表1 准实验研究设计
3.2
数据收集工具
研究采用了18道多项选择题的生物进化内容知识测量工具（BECKI）。由于没有一个单一的知识测量工具能够从微观到宏观的尺度上测量学生对生物进化的理解，因此在构建BECKI时，我们参考了以下工具：（a）生物概念清单（Garvin-Doxas＆Klymkowsky，2008）、（b）宏观进化理解测量工具（Nadelson＆Southerland，2010）、（c）进化树思维评估（Baum＆Offner，2008）、（d）自然选择概念清单（Anderson，2002）和（e）自然选择概念评估（Kalinowski，2016）。
图1 BECKI的部分题目
3.3
计算干预
此外，研究使用了计算思维知识测量工具（CTCKS）。参考Weinthrop等人的分类法，我们根据计算思维的四个组成部分（输入、整合、输出和反馈）构建了CTCKS。共包含16个项目，每个部分有4个项目。例如，“整合”部分的项目有：“某些计算机程序和数学过程比其他更高效”、“精确的规则可以把科学中的变量联系起来”、“将科学输入与输出联系起来的可供选择的方法很少”、“大多数计算机程序的代码对科学家都是可见的”。采用5点李克特量表对每个项目评分，从1（非常不同意）到5（非常同意）。
3.3.1计算思维的H-W课程
在此干预课程中，学生通过使用计算模型来展示生物的进化现象，学习哈代–温伯格（Hardy-Weinberg，简称H-W）遗传法则、等位基因频率变化等概念。学生首先构建一个假设种群，然后使用H-W公式表示群体在进化平衡状态下的等位基因频率，根据影响环境的假设事件（如气候变化、干旱）生成适当的算法，并修改其参数。与自然中的群体进行比较，根据计算结果观察群体是否发生进化，进而探讨进化的原因（例如环境变化、有利的适应性、人类影响等）。学生使用Microsoft Excel或Google Sheets等计算机程序开发电子表格，模拟连续两代生物的进化情况。学生需要识别模型中的输入（单一等位基因频率值）、整合（H-W公式和其他算法）、输出（生成的图表）和反馈（可遗传特征的世代延续）。
3.3.2计算思维的BLAST课程
在此干预课程中，学生在线学习关于进化、蛋白质结构的讲座。然后，研究员教师展示如何使用国家生物技术信息中心（NCBI）网站进行检索（包括BLAST，即基本局部比对搜索工具）。学生使用计算工具比较DNA和蛋白质序列，从而理解进化的概念，接着自选蛋白质序列创建进化树。“输入”涉及学生选择氨基酸或DNA序列，“整合”则是通过NCBI内部的BLAST工具完成的，“输出”以进化树或其他统计数据的形式呈现，此课程中，没有“反馈”部分。
3.4
流程
两个计算干预课程的完整实施时间约为四周，我们使用了准实验的组内和组间交叉设计（见表1），并且交替进行计算干预课程和传统课程（涵盖相同主题）。根据Cook&Campbell（1979）的研究，这样的设计对比了不同组之间的干预效果，并在第一次干预前（前测）、干预之中（后测1）和第二次干预后（后测2）收集数据，更加科学合理。
四个班的学生在完成BECKI和CTCKS（time1，前测）之后，A和C班分别参与了由W校、E校老师的传统H-W课程，之后完成BECKI和CTCKS（time2，后测1）。B和D班参与了由研究员教师（笔者）教授的计算思维的H-W课程，之后也完成了BECKI和CTCKS（tinme2，后测1）。A、C班随后与研究员教师学习了计算思维的BLAST课程，而B、D班则与他们各自的本校老师一起学习传统的BLAST课程。传统课程涵盖了与计算课程相似的内容，但没有计算课程的示例与信息。所有班级在最后（time3，后测2）完成了BECKI和CTCKS。
04
结果
表2显示了所有学生及每个干预组在三次测量（1=前测，2=后测1，3 =后测2）的进化知识（BECKI）和计算知识（CTCKS）得分及标准差。表3显示了三个时间点上计算思维和生物进化知识得分的皮尔逊双变量相关性，所有相关性均为正相关，除CTCKS-1和BECKI-2得分之间的相关性外，所有相关均显著。
本研究进行了重复测量的多变量方差分析（MANOVA），其中时间点（1、2和3）作为组内变量，干预组（计算思维的H-W课程和计算思维的BLAST课程）作为组间变量，BECKI和CTCKS作为依赖变量。在进行MANOVA之前，我们确定得分的样本分布满足正态性、线性性和齐次性的假设。此外，检查了可能存在于这些班级内或两个教师之间的统计依赖关系。班级内部相关系数（ICC）小于0.205，因此，一个特定班级的学生间的相似性不太可能显著高于干预组的整体相似性（Koo＆Li，2016）。差异很可能是教学干预造成的，而不是班级和教师效应，因此不需要多级建模分析（Ruxton＆Beauchamp，2008）。
MANOVA显示干预组和时间之间的交互作用在BECKI和CTCKS合并得分上具有显著差异，F（4，194）= 4.79，p< .001，η2= .090。后续分析还显示，BECKI和CTCKS合并得分与干预组之间的交互作用显著，F（2，48）= 4.30，p= .019，η2= .152；以及总的知识得分与时间之间的交互作用，F（4，194）= 5.73，p< .001，η2= .106。
表2 研究变量的平均得分
表3 研究变量的相关分析（N = 51）
此外，干预组和时间之间的交互作用对于BECKI得分具有统计学意义（图3），F（2，405）= 4.72，p= .018，η2= .079。干预组和时间之间的交互作用对于CTCKS得分也具有统计学意义，F（2，0.391）= 5.71，p= .005，η2= .104。由于这两项随访分析是同时进行的，我们使用Bonferroni调整后的临界值（α = .025）作为显著性的保守衡量标准，并可以解释潜在的家庭误差。
最后，进行简单效应分析，进一步了解不同组（课程）之间的差异随时间的变化。在time1，干预组之间的BECKI和CTCKS知识得分没有显著差异（图2与图3），所有的p值≥ .262。此外，接受计算思维的H-W课程（B和D班）的学生在time1到time2的BECKI得分上有显著增加，F（2，405）= 4.72，p= .018，η2= .0791，并且time2到time3之间的BECKI得分没有显著变化。B和D班的CTCKS得分随时间没有显著差异（p= .142）。
对于接受计算思维的BLAST课程的学生（A和C班），time1和2之间以及time2和3之间没有统计学上显著差异，所有p值≥ .353。此外，A和C班之间的计算思维知识在测试时间上没有显著提高，所有p值≥ .658。总体而言，接受计算思维的H-W课程的学生在time2和3的BECKI和CTCKS得分上显著高于接受计算思维的BLAST课程的学生，所有p值<.042，所有效应值都大于0.079。这些差异表明，经历计算思维H-W课程和计算思维BLAST课程的学生之间的知识增长存在差异。
图2 两个干预组随时间变化的进化知识得分（正确率），条形图显示±1的标准误差
图3 两个干预组随时间变化的计算知识得分（原始均分），条形图显示±1的标准误差
05
结果
研究结果显示，通过实施强调计算思维的干预课程，学生的生物进化知识和计算知识都得到了提高。对于研究问题1（进化知识的变化）和研究问题2（计算知识的变化），单因素方差分析表明，二者随时间的变化是显著的，并具有中等效应/强效应。两个计算干预课程都融入计算手段，但涉及到不同的活动，强调了生物知识的不同方面和计算过程的复杂性。在考虑时间和干预课程的交互效应方面，进化知识的测量结果也存在显著差异，但效应较弱。对干预课程的效果进行单独分析，接受计算思维H-W课程的学生在time2（后测1）的进化知识得分上有显著增长。接受计算思维H-W课程的学生更加关注生物多样性，而接受计算思维BLAST课程的学生则侧重微观到宏观的概念。分析结果表明，干预组（计算思维H-W课程和计算思维BLAST课程）与时间在综合知识得分（进化和计算知识）上具有显著交互作用。接受计算思维H-W课程的学生（B、D班）在time2（后测1）的进化知识和计算知识的得分上有显著提高。对于整个研究期间都采用传统教学方法的课程（A、C班），知识增长并不显著。此外，计算思维H-W课程在计算教学方面更加开放（探究驱动）。例如，学生经常讨论模型的开发，提出诸如“你的输入是什么”或“你如何改变生态系统”等问题。学生在计算思维BLAST课程中更多地对计算过程进行假设，而不是开发代码，由于活动的复杂性，该课程的实施时间较长。
06
教学意义
一些地区可能已经购买了昂贵的程序软件，如MATLAB（通常用于数学或计算机科学课程），除此之外还有一些免费的程序，如R、Python或C++，但要学习它们需要大量的时间，所以教师有必要掌握并熟练使用，为学生开发促进计算思维的教学活动。在计算思维的H-W课程中，学生使用了Google Sheets，而更复杂的课程将涉及使用计算机语言编写程序。尽管我们的理论框架倾向于全面的学习进阶，但研究人员难以为教育工作者提供特定的教学干预案例，因为教师的培训与教学风格不同，并且许多学区资源有限，其他融入计算思维的科学课题可能也有专门的标准以及学习目标，这将需要计算专家、科学家和教育专家的协同参与。本研究提出的学习进阶，在专家的帮助下，可以修改并应用于其他领域（例如生物化学、生理学、海洋科学或环境科学）。
查阅原文：Dana Christensen， Doug Lombardi
https://doi.org/10.1080/09500693.2022.2160221
International Journal of Science Education
2023.1.23
转自：“百研工坊”微信公众号
如有侵权，请联系本站删除！
