Hvad er computational thinking?

Time[1].png Tid

Lektionen forventes at tage ca. 15 min. at gennemføre.

 

Teknologisk-forståelse-1.png Om lektionen 'Hvad er computational thinking?' 

Lektionen om computational thinking giver dig en overordnet indføring i, hvordan problemer kan beskrives, så de kan løses af en computer, og vil gøre dig i stand til at forholde dig refleksivt til, hvilke problemer der er inden for dit fag, hvor det kan være relevant at afsøge mulighederne for at drage nytte af computerkraft. Du vil også være bedre rustet til at kunne samarbejde med teknologiske faggrupper om at løse problemer inden for dit fagområde.

 

COBL_learningoutcome_40x40px_2017_15.png Læringsmål 

Når du har gennemført lektionen, forventer vi, at du:

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

 

kilde.png Kilde

Lektionen er produceret af Københavns Universitet som en del af Københavns Universitets læringsressourcer til digital dannelse, 2023.

Fagansvarlig:

  • Andreas Lindenskov Tamborg, tenure track adjunkt, Center for Digital Uddannelse, Institut for Naturfagenes Didaktik

____________________________________________________________

 

Teknologisk-forståelse-1.png  Hvad er Computational Thinking? 

Bredt set kan computational thinking karakteriseres som en tankeproces, hvor et problem formuleres, og dets løsning udtrykkes, så det kan eksekveres af en computer. Det handler altså ikke om, hvordan robotter og computere tænker. Det handler derimod om, hvordan vi som mennesker kan tænke om problemer og løsninger på måder, der gør os i stand til at udnytte den computerkraft, der er tilgængelig. På den måde handler computational thinking om at kunne:

  1. vurdere, om computerkraft kan hjælpe med at belyse eller løse et givet problem
  2. formulere et problem og dets løsning så klart og systematisk, at det efterfølgende vil kunne udføres af en computer

Betyder det, at vi alle, uanset faglighed, også skal lære at programmere og tilegne os andre datalogiske kompetencer? Nej, ikke nødvendigvis. Men hvis vi skal kunne forholde os kritisk og konstruktivt til, hvilke muligheder programmering og computerkraft har for vores fag og kommende arbejde, er vi nødt til at have en grundlæggende forståelse af de basale principper. Det er netop det, computational thinking handler om.

Der er især to årsager til, at forståelse for computational thinking er vigtigt. For det første skaber det et basalt forståelsesgrundlag, der gør det muligt for os på et oplyst grundlag at vurdere, om og på hvilke måder computerkraft kan bidrage til at løse eksisterende eller nye videnskabelige udfordringer. For det andet giver det os bedre mulighed for at samarbejde med datalogiske eksperter. Ved at etablere samarbejder mellem domæneeksperter og datalogiske eksperter kan vi blive i stand til at løse problemer, som ingen af faggrupperne kan identificere og løse hver for sig.

Nøglen til dette samarbejde er computational thinking!

____________________________________________________________

 

  Hvad kan computational thinking bruges til?

I videoen nedenfor kan du se et eksempel på, hvordan Google har brugt computational thinking til at bygge og forbedre google maps.

____________________________________________________________

 

   Hvordan bryder jeg et problem ned, så en computer kan løse det?

I videoen kan du lære om fire processer, som kan hjælpe dig med at oversætte et videnskabeligt problem til noget, en computer kan arbejde med: dekomposition, abstraktion, mønstergenkendelse og algoritmisk tænkning.

Hvis du oplever Access Denied, genindlæs da siden. Alternativt skift browser.
____________________________________________________________

 

  Er alle problemer velegnede til computationel tankegang?

Det er svært at opstille entydige karakteristika for problemer, der kan løses gennem computational thinking, og problemer, der ikke kan. De fire processer i computational thinking, som er beskrevet ovenfor, kan dog være en god hjælp til at afdække dette.

Her kan man f.eks. overveje spørgsmål som:

  • Er det muligt at bryde problemet ned i mindre problemer med nogenlunde ensartet detaljeringsgrad?
  • Er det sandsynligt, at de mindre problemer kan løses uafhængigt af hinanden og sammensættes til en seriel løsning?
  • Er det muligt at simplificere problemet gennem abstraktion, uden at det ændrer karakter?

På den måde kan de fire processer (dekomposition, abstraktion, mønstergenkendelse og algoritmisk tænkning) støtte dig i selv at nå til en vurdering af, om et problem kan løses computationelt. Og det er netop denne proces, der gør os i stand til at vurdere, om computerkraft kan bidrage til at løse problemer inden for vores fag. Det hjælper os også til at klargøre problemerne, så vi er bedre stillet til at involvere datalogiske eksperter, hvis og når problemet faktisk skal løses.    

____________________________________________________________

 

  Opgave og refleksion

  • 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 videoen ovenfor (dekomposition, abstraktion, mønstergenkendelse og algoritmisk tænkning).
  • Er der 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?

____________________________________________________________

 

COBL_fieldtrip_40x40px_2017_8-1.png  Hvis du vil vide mere

Hvis du vil vide mere om computational thinking, kan du begynde her:

____________________________________________________________