Analyse, bewerte und erstelle: Bewertung des Computational Thinking und der Problemlösefähigkeiten in visuellen Programmierbereichen

Core Concepts

Die Studie entwickelt einen neuartigen Test namens ACE, der sich auf die höheren kognitiven Ebenen von Blooms Taxonomie, einschließlich des Erstellens, konzentriert. Die Ergebnisse bestätigen die Zuverlässigkeit und Gültigkeit von ACE.

Abstract

Die Studie beschreibt die Entwicklung und Validierung eines neuen Tests namens ACE, der darauf abzielt, die Computational Thinking- und Problemlösefähigkeiten von Schülern der Klassen 3-7 zu bewerten. ACE umfasst 21 Multiple-Choice-Fragen, die sich auf die drei höheren kognitiven Ebenen von Blooms Taxonomie konzentrieren: Analysieren, Bewerten und Erstellen.
Die Studie wurde in zwei Phasen durchgeführt. In der ersten Phase wurden die Schüler mit dem Bereich des blockbasierten visuellen Programmierens vertraut gemacht und ihre Leistung in diesem Bereich gemessen. In der zweiten Phase absolvierten die Schüler den ACE-Test.
Die Ergebnisse der Studie zeigen, dass die interne Struktur von ACE gut mit den drei Itembereichen übereinstimmt, die den drei kognitiven Ebenen entsprechen. Die Reliabilität von ACE wurde ebenfalls bestätigt, wobei der Cronbach-Alpha-Wert bei 0,813 lag. Darüber hinaus zeigte sich eine positive Korrelation zwischen den ACE-Ergebnissen und den Leistungen der Schüler auf der Programmierplattform "Hour of Code: Maze Challenge", was die Konvergenzvalidität von ACE belegt.
Insgesamt bestätigen die Ergebnisse, dass ACE ein zuverlässiges und valides Instrument zur Bewertung von Computational Thinking und Problemlösefähigkeiten in visuellen Programmierbereichen ist.

Stats

Die durchschnittliche Punktzahl aller 371 Schüler in ACE betrug 10,69.
Die Schüler der 7. Klasse erzielten im Durchschnitt die höchste Punktzahl von 12,84, während die Schüler der 3. Klasse im Durchschnitt die niedrigste Punktzahl von 6,67 erreichten.
Die durchschnittliche Punktzahl der Schüler in den einzelnen Kategorien von ACE war wie folgt: 4,45 in ACE[01-07], 3,22 in ACE[08-14] und 3,02 in ACE[15-21].

Quotes

"Die Studie entwickelt einen neuartigen Test namens ACE, der sich auf die höheren kognitiven Ebenen von Blooms Taxonomie, einschließlich des Erstellens, konzentriert."
"Die Ergebnisse bestätigen die Zuverlässigkeit und Gültigkeit von ACE."
"Die Studie wurde in zwei Phasen durchgeführt. In der ersten Phase wurden die Schüler mit dem Bereich des blockbasierten visuellen Programmierens vertraut gemacht und ihre Leistung in diesem Bereich gemessen. In der zweiten Phase absolvierten die Schüler den ACE-Test."

Key Insights Distilled From

Analyzing-Evaluating-Creating

by Ahana Ghosh,... at arxiv.org 03-20-2024

https://arxiv.org/pdf/2403.12227.pdf

Deeper Inquiries

Wie könnte man den ACE-Test auf andere Domänen als das blockbasierte visuelle Programmieren erweitern, um ein breiteres Spektrum an Computational Thinking-Fähigkeiten abzudecken?

Um den ACE-Test auf andere Domänen auszuweiten und ein breiteres Spektrum an Computational Thinking-Fähigkeiten abzudecken, könnten verschiedene Ansätze verfolgt werden. Zunächst könnte man den Test auf textbasierte Programmierumgebungen ausdehnen, um den Schülern die Möglichkeit zu geben, ihre Fähigkeiten in der Syntax-basierten Programmierung zu demonstrieren. Dies würde es ermöglichen, Konzepte wie Variablen, Schleifen und bedingte Anweisungen zu integrieren, die in textbasierten Programmiersprachen häufig verwendet werden.
Darüber hinaus könnte der ACE-Test auf andere Bereiche außerhalb der reinen Programmierung erweitert werden, um ein ganzheitlicheres Verständnis von Computational Thinking zu fördern. Dies könnte die Integration von Aufgaben aus den Bereichen der algorithmischen Denkweise, der Problemlösung in realen Szenarien oder der Datenanalyse umfassen. Durch die Einbeziehung dieser verschiedenen Domänen könnten Schüler ihre Fähigkeiten in der Anwendung von Computational Thinking auf vielfältige Weise entwickeln und demonstrieren.

Welche Faktoren, die über die reine Programmierleistung hinausgehen, könnten die Leistung der Schüler im ACE-Test beeinflussen?

Die Leistung der Schüler im ACE-Test könnte von verschiedenen Faktoren beeinflusst werden, die über die reine Programmierleistung hinausgehen. Ein wichtiger Faktor könnte die kognitive Entwicklung der Schüler sein, einschließlich ihres abstrakten Denkvermögens, ihrer Problemlösungsfähigkeiten und ihres logischen Denkens. Schüler mit einer stärkeren kognitiven Entwicklung könnten besser in der Lage sein, die komplexen Aufgaben im ACE-Test zu bewältigen.
Darüber hinaus könnten auch extrinsische Faktoren wie das Vorwissen der Schüler über das Programmieren, ihre Motivation und ihr Selbstvertrauen eine Rolle spielen. Schüler, die bereits über Erfahrungen im Programmieren verfügen oder sich für das Thema begeistern, könnten tendenziell besser abschneiden. Ebenso könnten Schüler, die sich selbstbewusst fühlen und motiviert sind, sich der Herausforderung des ACE-Tests zu stellen, bessere Leistungen erbringen.

Wie könnte man den ACE-Test nutzen, um die Entwicklung von Computational Thinking-Fähigkeiten über mehrere Schuljahre hinweg zu verfolgen und zu unterstützen?

Um die Entwicklung von Computational Thinking-Fähigkeiten über mehrere Schuljahre hinweg zu verfolgen und zu unterstützen, könnte der ACE-Test als diagnostisches Instrument eingesetzt werden. Durch regelmäßige Durchführung des Tests in verschiedenen Schuljahren könnten Lehrer und Bildungseinrichtungen den Fortschritt der Schüler im Bereich Computational Thinking verfolgen und gezielt unterstützen.
Darüber hinaus könnten die Ergebnisse des ACE-Tests genutzt werden, um personalisierte Lernpfade für die Schüler zu erstellen. Indem man die Stärken und Schwächen der Schüler im Computational Thinking identifiziert, können Lehrer gezielte Interventionen und zusätzliche Ressourcen bereitstellen, um ihre Entwicklung zu fördern.
Der ACE-Test könnte auch dazu genutzt werden, um Lehrpläne und Unterrichtsmaterialien anzupassen und weiterzuentwickeln. Durch die Analyse der Testergebnisse über mehrere Schuljahre hinweg könnten Bildungseinrichtungen Trends und Muster in der Entwicklung von Computational Thinking-Fähigkeiten erkennen und ihre Lehrpläne entsprechend anpassen, um den Schülern eine effektive und ganzheitliche Bildung in diesem Bereich zu bieten.