Underviservejledning til lektionen Hvad i al verden er computational thinking?

PDF version Download PDF version

Formål 
Lektionen har til formål at indføre de studerende i overordnede principper for, hvordan problemer kan beskrives, så de kan løses af en computer. Indholdet i lektionen giver de studerende en basal forståelse for, hvordan et videnskabeligt problem kan brydes ned i mindre opgaver, som en computer kan løse. Med denne forståelse kan de begynde at forholde sig refleksivt til, hvorvidt det er relevant at anvende computerkraft til at løse problemstillinger inden for deres fag, og de vil være bedre rustet til at samarbejde med datalogiske eksperter om at bruge programmering og computerkraft i de fag, hvor det er relevant.

Målbeskrivelse
Når de studerende har gennemført forløbet, forventes det, at de:

•    kan forklare, hvad computational thinking er.
•    kan beskrive, hvordan de kan bryde et videnskabeligt problem ned, så en computer kan arbejde med det.
•    kan reflektere over, om de kan udnytte computerkraft og programmering til at løse eller belyse et videnskabeligt problem inden for deres eget fagområde.

Hvilke dannelsesspørgsmål behandler denne lektion?
•    Hvordan har digitaliseringen påvirket det faglige/professionelle felt, jeg befinder mig i?
•    Hvordan kan anvendelse af (fagligt) relevante digitale teknologier påvirke og forme kontekster (personlige, faglige, samfundsmæssige)? 
•    Hvad kan jeg anvende digitale teknologier til (eksempelvis inden for mit fag)?
•    Findes der eksempler på, at udvikling af algoritmer, kunstig intelligens og machine learning har påvirket mit fag?

Indholdsbeskrivelse
Lektionen giver studerende viden om, hvad computational thinking er, og indfører dem i de fire processer, det består af. Lektionen indeholder også refleksionsøvelser, der giver de studerende mulighed for at udøve computational thinking på et selvvalgt problem og for at overveje, hvilke typer af problemer inden for deres fag det er mindre relevant for. Lektionen indeholder desuden en række links, hvor de studerende selv kan gå på yderligere opdagelse i computational thinking. 

Format og varighed
Lektionen består af en kombination af information formidlet gennem tekst og video og refleksionsøvelser, hvor studerende skal anvende viden opnået gennem forløbet.

Lektionen er estimeret til ca. 15 min. varighed, ekskl. opgaven og refleksionsøvelsen.

Målgruppe
Bachelorstuderende på hele Københavns Universitet.

Hvornår anbefales denne lektion inddraget i undervisningen? 
Forløbet er udviklet, så det kan gennemføres som selvstændig aktivitet, men den vil være særlig relevant at inddrage som optakt til kurser eller lektioner om digitaliserings betydning for samfund og industri. 

Hvordan anbefales denne lektion inddraget i undervisningen?
Vi anbefaler, at studerende gennemfører lektionen på egen hånd, evt. som forberedelse til undervisning, og at der i undervisningen samles op på de studerendes besvarelser af refleksionsopgaver i undervisningen.

Den nyeste forskning om studerendes forberedelsesmønstre peger nemlig netop på, at der er større sandsynlighed for, at studerende engagerer sig i de foreslåede forberedelsesaktiviteter, hvis de oplever disse aktiviteter som relevante og kan se tegn på synlig læring.
På den baggrund foreslås det, at aktiviteterne i denne lektion rammesættes tydeligt for de studerende, så de kan se formålet med dem i forhold til opnåede kompetencer og i forhold til, hvordan forberedelsesaktiviteten relaterer til, hvad der foregår i undervisningen. Herunder formuleres på den baggrund et konkret eksempel på, hvordan forberedelsesvejledning og undervisningsaktiviteter kan rammesættes over for de studerende.

Forslag til forberedelsesvejledning i fagets Absalon-rum:

1) Se de to videoer, og læs teksterne i lektionen ’Hvad i alverden er computational thinking?’

2) Find en problemstilling inden for dit fag, hvor du umiddelbart tror, at det kan give mening at bruge computerkraft til hjælp. Forsøg at udøve computational thinking på problemet ved at gennemgå de fire faser beskrevet i lektionen (dekomposition, abstraktion, mønstergenkendelse og algoritmisk tænkning). Skriv din problemstilling og din gennemgang af faserne ned, og tag dem med til undervisningen, hvor du skal dele dem med dine medstuderende.

3) Reflekter over, om der er problemstillinger eller typer af opgaver inden for dit fagområde, hvor det ikke er muligt eller meningsfuldt at udøve computational thinking? Giv gerne et eller flere eksempler og forklar, hvorfor det ikke er muligt eller meningsfuldt. Skriv dine refleksioner ned, og tag dem med til undervisningen, hvor du skal dele dem med dine medstuderende.

Forslag til undervisningsaktiviteter baseret på de studerendes forberedelse (i alt ca. 35-40 min.):

1) Underviser spørger, om de studerende har spørgsmål til de sete videoer og/eller den læste tekst (1-2 min.).
[OBS: Spørg aldrig de studerende, om de har læst teksterne eller set videoerne; den type spørgsmål fører typisk til, at der åbnes op for, at det ikke at have forberedt sig er en mulighed, hvorved mangelfuld forberedelse indirekte legitimeres.]

2) Gruppediskussion (grupper à 3 studerende, ca. 15 min.):

•    Sammenlign og diskuterer jeres svar på refleksionsspørgsmålene fra forberedelsen
•    Så I nogle fordele ved at anvende computational thinking på problemstillingen, I arbejdede med?
•    Er der fællestræk ved de problemstillinger, I identificerede, som computational thinking ikke kunne bidrage til at løse? 

3) Plenumopsamling enten mundtligt eller skriftligt via padlet (ca. 10 min.). Hvis det er relevant og muligt, kan underviser med fordel udfordre de studerendes eksempler på problemstillinger, hvor det ikke er muligt eller meningsfuldt at udøve computational thinking?

4) Udvælg et af de studerendes eksempler, og gennemgå dets fire faser i plenum (10 min.).
[Hvis der ikke kommer nogen bud på problemstillinger, hvor det er muligt og meningsfuldt at udøve computational thinking, kan underviser have et eksempel med og bede de studerende om at gennemgå de fire faser på dette.]

Kilde – hvem har produceret indholdet?
Lektionen er produceret af Københavns Universitet som en del af Københavns Universitets læringsressourcer til digital dannelse, 2022.

Fagansvarlig:
•    Andreas Lindenskov Tamborg, postdoc, Institut for Naturfagenes Didaktik 

Lektionens relation til andre lektioner og/eller forløb, hvis relevant
Lektionen er udviklet til emnet ”Teknologisk forståelse”, som også lektionen Kunstig intelligens og machine learning hører til