协作编程中的计算思维发展轨迹研究 —— 基于量化民族志的分析方法
一、基本信息
- 论文题目：协作编程中的计算思维发展轨迹研究 —— 基于量化民族志的分析方法
- 作者：吴忭、王戈
- 发表期刊：现代远程教育研究
- 发表时间：2019 年第 2 期
- 研究领域：计算机教育、计算思维、协作学习
二、研究背景与问题提出
（一）研究背景
- 计算思维已成为各行业人才必备核心技能，高校计算机课程大力推进计算思维培养。
- 编程初学者面临语法难、兴趣低、自信心不足等问题，协作编程被证实是有效教学策略。
- 现有研究多关注编程结果评价，难以动态测评协作过程中计算思维的发展轨迹。
- 传统质性分析效率低、难以大规模应用，量化民族志为过程性测评提供新方法。
（二）研究问题
- 协作编程中，高水平组与低水平组的计算思维能力模式（维度关联）有何差异？
- 协作编程不同阶段，两组学生的计算思维能力发展轨迹呈现何种特征？
三、核心概念界定
- 计算思维：采用 Brennan & Resnick 三维框架，包含专业概念（顺序、循环、条件等）、专业实践（测试调试、抽象模块化等）、专业认识（表达、质疑）。
- 协作编程：学生分组分工，通过交流讨论共同完成编程任务，基于社会建构主义理论。
- 量化民族志：结合质性数据编码与量化分析，核心为认知网络分析（ENA），通过编码共现构建能力关联网络。
四、研究设计与方法
（一）研究对象
华东某大学教育技术专业大一学生，无编程基础，选修 “C/C++ 程序设计基础”；按项目成绩分为高水平组（18.6 分）与低水平组（13.84 分），每组 3 人。
（二）研究任务
- 项目 1：控制台字符版鱼塘模拟，掌握结构化编程与基础语法。
- 项目 2：图形化界面鱼塘模拟，建立面向对象编程思想。
（三）数据采集
- 全程录屏（编程操作 + 小组对话），总时长 473 分钟。
- 转录会话文本，共 1533 条发言，作为分析单元。
（四）研究方法
- 内容分析法：依据三维框架对会话进行编码，两名研究者独立编码（Kappa=0.83）。
- 认知网络分析（ENA）：计算编码共现频次，构建认知网络，投影至二维平面对比差异。
- 对比分析法：比较高低水平组初始网络结构与发展轨迹。
五、研究结果
（一）会话定性分析
- 高水平组：自顶向下思维，先明确任务目标与模块化设计，再讨论具体概念实现，兼顾专业认识、实践与概念。
- 低水平组：自底向上思维，全程聚焦基础语法概念（数组、循环），缺乏整体设计，讨论浅层化。
（二）认知网络定量结果
- 组间初始差异显著：X 轴维度差异显著（p<0.05），高水平组网络连接更复杂，强关联测试调试、循环；低水平组强关联重用混合、序列、疑问。
- 发展轨迹趋同：随协作任务推进，两组认知网络质心逐渐靠近，最终均建立增量迭代为核心的思维模式。
六、研究结论
- 协作编程中计算思维呈现自顶向下与自底向上双向特征。
- 高低水平组初始计算思维结构差异显著，但长期协作后思维模式趋同，证明协作编程可有效提升初学者计算思维。
- 量化民族志（ENA）可实现质性数据大规模量化测评，为计算思维过程性评价提供可行方法。
七、研究不足与展望
（一）不足
- 仅选取 2 组典型样本，样本量小，结论普适性有限。
- 仅分析会话数据，未融合多模态数据；仅编码维度有无，未评价能力高低。
（二）展望
- 扩大样本量，提升结论泛化性。
- 融合多模态数据，采用加权网络实现更精细建模。
- 将方法推广至其他学科思维测评。
八、研究创新点
- 方法创新：将量化民族志（ENA） 应用于协作编程计算思维测评，突破结果性评价局限。
- 视角创新：动态追踪计算思维发展轨迹，发现高低水平组趋同演化规律。
- 实践价值：为计算机编程课程协作教学与过程性评价提供实证依据。
亚辉对量化民族志在计算思维测评中的应用梳理得很清晰，特别是认知网络分析如何揭示协作过程中的思维关联变化。顺着这个思路，如果未来要扩大样本量或引入多模态数据（如眼动、手势），你觉得认知网络的维度或权重应该如何调整，才能更精细地捕捉个体在协作中的思维跃迁？
是的，老师，基于量化民族志（QE）中“学习是认知要素间关联结构”的核心理论依据，若未来要扩样并引入眼动、手势等多模态数据，实践上我会先通过视频细粒度编码或API同步对齐时间戳，将这些具身行为转化为与言语并行的“认知节点”（如将注视热点映射为“参照聚焦”、手势轨迹映射为“空间推理”），在方法上则不再局限于简单的共现计数，而是采用滑动时间窗动态ENA并结合需用量化指标（如注视时长、手势频次）来动态调整边的权重，同时在大样本下引入正则化或混合效应模型来校准个体基线差异，这样才能从单纯的“思维关联”中剥离出真正具有跃迁意义的动态结构变化。