基礎教育階段學生計算思維影響因素及作用機制
——基于人工智能課程的實證研究

喬婧怡 張屹 馬靜思

（華中師范大學 人工智能教育學部，湖北 武漢 430079）

引言

隨著信息技術、人工智能技術的高速發展，計算思維對人才培養的影響引起了教育領域的廣泛關注[1]。計算機科學與電信委員會（Computer Science and Telecommunications Board，簡稱CSTB）提出計算思維是數字信息時代的基本分析能力，在基礎教育階段，對其重視程度應提升至與數學、語言、邏輯推理等基本技能同一水平[2]。國際教育技術協會（International Society for Technology in Education，簡稱ISTE）在2018年發布了首個以計算思維命名的能力標準——《計算思維能力標準（教育者）》，旨在通過提升教育者的計算思維能力，進而發展學生的問題解決能力與創造力[3]。由此可見，隨著智能時代的快速發展，計算思維作為能夠幫助學生理解計算概念，利用或創造計算工具解決問題的一種思維能力，被視為數字時代人才所必備的核心素養[4]。雖然國際上對基礎教育階段計算思維的培養日趨重視，不少國家還在其人才培養計劃與課程體系中納入了計算思維培養目標，但對于基礎教育階段來說，有效培養計算思維的策略及實證研究是研究者面臨的重大挑戰，也是亟須厘清的問題之一。人工智能教育在國內的全面布局給中小學學生計算思維的培養和發展帶來了新的契機，其在一線教學的實施效果也受到研究者越來越多的關注。鑒于此，本研究著眼于基礎教育階段學生計算思維的影響因素，探討其內部作用機制并構建關系模型，嘗試提出在人工智能課程中提升學生計算思維的可行性策略，旨在促進嵌入計算思維培養的人工智能課程在基礎教育階段的推廣與實施。

一、計算思維影響因素文獻回溯

目前，國內外關于中小學學生計算思維影響因素的研究已有一定成果，研究視角主要圍繞人口學因素、個體特征以及外部環境等展開。

就人口學因素而言，研究重點主要集中在年齡和性別上。蘇梅拉·阿塔馬齊杜（Soumela Atmatzidou）等人[5]選取15 歲、18 歲兩個年齡組開展為期11 周的機器人培訓活動，并在不同學習階段測評學生的計算思維水平，結果顯示兩個年齡組的計算思維水平發展一致，并據此推斷年齡差異對計算思維發展沒有顯著影響。然而，馬科斯·羅馬岡薩雷斯（Marcos Román-González）等人[6]卻在實證研究中得出不同結論，其研究團隊以1251 名小學五年級至高中一年級學生為研究樣本，利用計算思維測試開展測評，實驗結果顯示計算思維與年級間存在正相關關系，團隊據此推測計算思維發展與某些認知能力有關。哈蒂斯·伊迪斯·杜拉克（Hatice Yildiz Durak）等人[7]卻得出與馬科斯·羅馬岡薩雷斯截然相反的結論，其研究結果顯示年級與計算思維水平呈負相關關系，但其同時提出這一研究結果受到了高低年級開設信息技術類課程起點時間差異的影響。同樣的爭論也出現在性別這一因素上。夏小剛等人[8]以187名學生為研究對象開展準實驗研究，其研究結果顯示性別與計算思維水平之間并無關聯。蘇梅拉·阿塔馬齊杜的實證研究結果也對此結論加以佐證，即不同性別學生的計算思維水平無顯著差異。然而，杜拉克在其研究中發現計算思維與性別有關，且女性的計算思維水平比男性更勝一籌。

就個體特征而言，馬科斯·羅馬岡薩雷斯從心理學角度出發，利用標準化心理測試開展實證研究，發現計算思維與空間、推理及解決問題能力間存在關聯。威廉·斯圖爾特（William Stewart）等人[9]基于四、五年級學生開展的實證研究也對此結論加以佐證。杜拉克圍繞思維風格與計算思維之間的關系開展研究，發現思維風格對計算思維的影響最為顯著。楊云·貝克（Youngkyun Baek）等人[10]以122 名二年級學生為研究對象，在進行機器人教學實踐后實施計算思維測評，測評結果顯示：自我效能感能夠促進學生在編程項目上的學業成就達成，進而提升其計算思維水平。此外，學生對STEM 學科的學習態度與計算思維的關系也引起了研究者的關注。杜拉克認為學生對數學、科學、信息技術學科的態度能夠正向預測學生的計算思維水平。孫立會等人[11]以489 名小學生為研究樣本，探究STEM 學科學習態度與計算思維之間的關系，發現其與計算思維正相關，且女生對STEM 學科的學習態度較男生而言更積極。

就外部環境而言，研究者主要是圍繞教學工具、教學方法及教學活動設計等方面來開展研究。倫納德·杰奎琳（Leonard Jacqueline）等人[12]利用機器人及游戲設計軟件開展教學實踐，發現相較于僅涉及游戲設計的課程而言，在機器人與計算機游戲設計相結合的教學活動中，學生計算思維的提升更為顯著。戴安娜·佩雷斯·馬林（Diana Pérez Marín）等人[13]從教學法角度開展研究，認為教學隱喻能夠促進學生對可視化程序模塊的理解，進而提升其計算思維水平。李幸等人[14]構建了STEM 融合計算思維的課程設計框架，并在實證研究中發現其能有效提升學生在問題解決能力、批判思維、算法思維以及協作能力。牟琴等人[15]借助教育輕游戲，構建基于輕游戲的課堂教學模型，以兩款輕游戲為例開展教學實踐，發現學習者在思維能力、計算思維能力、學習方式以及測試成績等方面均有顯著改善。

綜上所述，國內外研究者圍繞計算思維影響因素，從個體與環境視角出發做了大量研究。但由于研究對象及測評工具等方面的差異，研究者在部分個體因素的影響機制層面還存在一定分歧。國內方面，近10年來，基于這一主題的論文數量逐年遞增，但研究層次主要集中在高等教育上，針對中小學階段的研究主題主要是針對課程資源開發及教學模式設計等內容。鑒于以上研究現狀，本研究以基礎教育階段人工智能課程教學實踐為研究背景，針對以下問題開展研究：①基礎教育階段學生計算思維的影響因素有哪些？②各影響因素間存在怎樣的關聯？③在人工智能課程中，如何有效提升學生計算思維水平？

二、研究設計

(一)研究情境

研究面向某市4 所人工智能試點校，采用隨機抽樣的方式，從五年級和六年級抽選學生作為研究對象（共412 名學生）。4 所試點校均以《人工智能》（小學版）教材為課程內容，在三至六年級開展教學實踐。本次研究使用的是上冊教材，課程內容主要圍繞著智能語音技術（語音識別、語音合成）、自然語言處理（問答系統、機器翻譯、語音評測）、自然語言處理（問答系統、機器翻譯）等主題，課程實施主要依托于科技公司的教學機器人與AI 編程平臺，課程活動旨在通過項目式學習讓學生初步感知人工智能技術的原理及應用。試點?；诟髂昙墝W情，設置梯度化教學目標，并制訂人工智能課程教學計劃，從一定程度上保證了被試學生學習內容與進度的一致性。

(二)研究過程

在理論研究階段，為全面且準確地提煉計算思維影響因素，本研究首先梳理了國內外相關文獻，歸納得到22 項影響因素。其次，本研究從研究對象中抽選學生實施半結構化訪談，基于扎根理論的三級編碼流程分析訪談資料，采用專家咨詢對影響因素做進一步篩選。為厘清影響因素的內部作用機制，本研究采用解釋結構模型探究因素間層級關系。

在實證研究階段，為檢驗影響因素解釋結構模型的科學性與適切性，本研究借鑒國內外成熟量表，在其基礎上編制“計算思維影響因素調查問卷”并實施調查，使用SPSS24.0 軟件分析其信效度，采用結構方程模型對模型予以檢驗。

(三)研究工具

現有研究中，研究者探究了部分影響計算思維發展的個體因素，并針對此類因素開發了測評量表，但尚未發現針對多維度影響因素的調查問卷，因此，本研究借鑒國內外成熟量表，圍繞“學習者、教育者、教育內容、教育環境”4 個層面編制了“計算思維影響因素調查問卷”。問卷第一部分是對個人信息的收集，包括性別、年級以及學習經驗，第二部分是對各項影響因素的調查，共包含64 個題項，采用李克特5 點量表的形式設計選項。為保證問卷的科學性與有效性，確保題項的可讀性，本研究先進行了小范圍試測，試測對象是132 名五、六年級學生，以電子問卷形式下發問卷，回收有效問卷122 份，回收率為92.42%。為了檢驗此問卷的適切程度，本研究采用項目分析法對題項進行極端組檢驗和同質性檢驗，最終形成包含59 個題項的正式調查問卷。

三、數據分析

(一)影響因素的確立

首先，本研究根據前期對國內外計算思維影響因素的文獻研究，已歸納出學習者、教育者、教育內容、教育環境層面上的影響因素，為更具針對性地調查基礎教育階段計算思維影響因素，抽選15 位學生參與半結構化訪談，經過語音轉錄與文字整理得到訪談文字資料2 萬余字，使用Nvivo11.0 軟件并基于扎根理論對訪談資料進行內容分析。在開放式編碼階段，通過對訪談資料的分析與節點采集，共整理節點59 個，編碼頻次共190 次。在主軸編碼階段，本研究對開放編碼中的節點進行概念化與詳細對比，并利用編碼帶分析與歸納節點對應材料來源，整理得到主軸編碼21 項。為了從一定程度上減小資料分析人員在進行編碼時的主觀影響，本研究邀請領域內另一資深教師對訪談進行分析與編碼，使用編碼信度系數法來評估此次訪談的信度，兩位編碼者的平均相互同意度最小值為0.86、平均值為0.94，編碼信度系數最小值為0.92、平均值為0.97，說明本次編碼結果信度較高。

其次，本研究邀請了15 位資深信息技術教師，在詳細描述影響因素的意義與來源后，調查其對各項影響因素的認同感，即該項因素是否會影響學生的計算思維。多數教師對“設備使用”“課后訓練”“家長經驗”這3 個因素認同感較低，對其他因素則表現出較高的認同感。結合兩位領域內專家對各項影響因素的評估結果，共篩選得到19 項影響因素。

(二)問卷信效度分析

本研究采用電子問卷形式下發412 份問卷，剔除未完成問卷后共得到397 份有效問卷，有效回收率96.35%。信效度分析結果顯示：問卷整體Cronbach’s Alpha 值為0.942，且各維度的Cronbach’s Alpha 值均在0.6 以上，說明問卷在整體和各維度上都有較好的信度。就問卷的效度分析結果而言，分析結果顯示：各部分量表KMO值均在0.881 以上，且Bartlett 球形檢驗的近似卡方值均在顯著性概率值以上，表明其適合進行因子分析。以因素負荷量0.45 為標準，共抽取得到12 個主成分，且各因素負荷量均達到0.6 以上。

(三)解釋結構模型的建立

解釋結構模型是用于研究系統復雜要素間邏輯關系和關聯結構的一種結構模型化分析方法。本研究基于解釋結構模型探討影響因素中16 項非人口學因素之間的層級關系與內部關聯。具體步驟為：①通過文獻研究法確定16 項影響因素之間的關系，再結合專家建議進一步修訂因素間關系，以V、A、X、O4 個符號表征因素間關系，并建立影響因素的關系矩陣；②根據各因素間的可達關系，將關系矩陣轉換為鄰接矩陣，具體轉換規則為：1 表示可達，0 表示不可達；③使用Matlab軟件計算可達矩陣，其計算公式為（A+I）≠（A+I）2 ≠(A+I）3 ≠…≠（A+I）r=（A+I）r+1 ＝…＝（A+I）n，其中，A為原始矩陣，I為與A同階次的單位矩陣，通過計算得到，當r＝2 時，（A+I）3 ＝（A+I）4；④整理得到因素的先行集和可達集，使用Matlab 軟件劃分層級，最終形成的計算思維影響因素解釋結構模型如圖1 所示。

根據探索性因子分析結果，結合解釋結構模型因素間關系，提取6 個潛變量：自我效能感、學習心態、能力基礎、認知負荷、思維風格、教師教學，并建立研究假設如下：H1教師教學對認知負荷有顯著影響；H2能力基礎對自我效能感有顯著影響；H3認知負荷對學習心態有顯著影響；H4思維風格對學習心態有顯著影響；H5學習心態對計算思維有顯著影響；H6自我效能感對計算思維有顯著影響。

(四)實證檢驗

1.結構方程模型的建立

為了檢驗解釋結構模型的科學性與合理性，本研究采用結構方程模型法對其進行檢驗。利用AMOS 軟件，繪制影響因素的結構方程模型。結構方程模型共包含7 個潛變量，分別是能力基礎、教師教學、自我效能感、認知負荷、思維風格、學習心態、計算思維。其中，能力基礎包含3 項可測變量，教師教學包含兩項可測變量，自我效能感包含5 項可測變量，認知負荷包含兩項可測變量，思維風格包含3 項可測變量，學習心態包含兩項可測變量，計算思維包含5 項可測變量，能力基礎、教師教學、思維風格均為外生潛變量，無須設定殘差項。

2.模型估計與擬合度評估

在計算模型參數之前，需要檢查其是否存在違犯估計。一般而言，判斷模型是否存在違犯估計情況有3 個標準：誤差方差是否小于0，標準化系數是否太接近于1 甚至超過1，t檢驗的t值是否超過1.96。通過AMOS 軟件計算結果分析發現，模型中各變量的誤差方差值為0.026 ～0.178，t值絕對值均大于1.96，標準化系數為-0.146 ～0.934，均小于0.95，因此可以判斷模型并未出現違反估計的現象，可以進行擬合度檢驗。

模型評鑒階段的目的是檢驗前期初構的假設模型是否具有實證意義，模型的擬合情況一般通過絕對適配度指標與增值適配度指標來評估。從表1 中的擬合結果來看，初始結構方程模型的擬合度指數（GFI）、調整后擬合指數（AGFI）及規范擬合指數（NFI）3 項指標未達到適配標準，說明模型尚未與實證數據完全適配，因此需要對初始模型做進一步的修正。

表1 修正后結構方程模型路徑系數

3.模型修正

在結構方程模型中，當初始模型與調查數據的擬合情況不理想時，通?？墒褂没谝延新窂降男拚c基于MI值（Modification Index）的修正兩種方法來改善模型的擬合情況。本研究根據輸出結果中的Modified index 表對模型進行修正，采取每次修正1 條路徑，再重新進行參數估計的方式，共進行了4 輪模型修正。第一輪修正過程中，添加了e13 與e14 之間的共變關系，卡方值下降了20.314；第二輪修正過程中，添加了e4與e23 之間的共變關系，卡方值下降了18.609；第三輪修正過程中，雖然e21 與e25 路徑關系對應的MI值大于e7 與e10，但其參數改變量（Par Change）為-0.054，小于0，因此添加了e7 與e10 之間的共變關系，卡方值下降了12.099；第四輪修正過程中，添加了e4 與e19 之間的共變關系，卡方值下降了12.869。經過四輪修正后，模型各項擬合指標基本達標，如表3 所示，修正后模型的GFI值與NFI值分別上升至0.913 及0.900，AGFI值雖未達到0.900，但與標準值差距較小，說明修正后的模型與實證數據較為契合。

4.假設檢驗

結合表1 中修正后的模型檢驗結果與擬合情況來看，各變量間路徑關系的臨界比值的絕對值均大于1.96，且p值均小于0.001，達到顯著水平，說明前期建立的6 條假設均成立。其中，教師教學與認知負荷、認知負荷與學習心態兩組變量間呈負相關關系，能力基礎與自我效能感、思維風格與學習心態、學習心態與計算思維以及自我效能感與計算思維4 組變量間呈正相關關系。

四、研究結論與啟示

本研究以某市4 所人工智能試點校為研究樣本，通過文獻研究與半結構化訪談梳理了影響學生計算思維發展的關鍵因素，利用解釋結構模型探討其內部層級關系，采用問卷調查法及結構方程模型進行實證研究。下面將對研究發現進行歸納與討論，并嘗試提出在人工智能課程中促進學生計算思維發展的建議。

(一)研究發現

教師教學負向影響認知負荷，且其作用于認知負荷的路徑系數為-0.25，即教師教學質量越高，學生在課堂上的認知負荷越低。人工智能課程作為一門新興課程，其課程內容具有計算機科學學科的學科特征——知識點較為繁雜且抽象，對于基礎教育階段的學生而言，學習難度較大，因此，課堂內容的選取、課堂活動的安排、學習支架的設計及課堂指導與支持會對學生的學習效果產生較大影響。通過影響因素描述性統計分析結果可知，學生對人工智能課程課堂教學（教學活動、學習資源、學習內容）和教師行為（計算思維的重視程度、教師支持）方面的評價較高，其中，涉及教師對學生合作能力（M＝4.57）和解決問題能力培養（M＝4.52）的題項均值最高，而涉及課堂任務（M＝4.20）和跨學科內容（M＝4.16）的題項均值較低。由此可見，試點校人工智能課程教師將計算思維培養作為課程目標，落實于課堂教學中，但囿于課程發展處于萌芽期，缺乏相關教學資料及專家指導，教師在教學設計與學科融合方面尚處于探索階段。因此，加強教師人工智能課程實施相關培訓，積極籌辦相關培訓講座活動，對推進人工智能課程在中小學的落實十分必要。

認知負荷負向影響學習心態，且認知負荷作用于學習心態的路徑系數為-0.15，即學生的認知負荷越高，學習心態越消極，其作用于計算思維的間接效應值為-0.10。從心理努力和任務難度兩個維度來看，學生的心理努力（M＝4.13）高于任務難度（M＝3.72），表明人工智能課程中的學習任務難度適中，但學生的努力程度較高。人工智能課程的教學環境一般設置在多媒體教室中，除教學設施外，還引入了豐富的學習設備與應用軟件，雖能支持多樣化的教學活動，但也容易造成信息冗余、注意力分散等，從而引發認知負荷過重、學習進度緩慢等問題，進而對學生的學習心態造成負面影響[16]。因此，教師在進行人工智能課程教學設計時，應關注多媒體資源及學習設備的合理使用及學習任務的時間設置，以達到良好的教學效果。

思維風格正向影響學習心態，且思維風格作用于學習心態的路徑系數高達0.93，其作用于計算思維的間接效應值為0.64，表明思維風格對計算思維發展具有較大影響，這一發現與杜拉克的研究結論相吻合。根據觀察學生在立法型、司法型、執法型思維風格上的均值（分別為M＝3.92、M＝3.85、M＝4.16）發現，大部分學生傾向于執法型思維風格，表明多數學生喜歡參與結構、程序和規則相對固定的活動。究其原因，主要是基礎教育課堂教學側重于習慣與規則意識培養，且學生此時的認知水平尚處在發展期，學生自主意識較為薄弱。

能力基礎正向影響自我效能感，且其作用于自我效能感的路徑系數為0.77，其作用于計算思維的間接效應值為0.25，表明能力基礎對計算思維有正向影響作用。學生在能力基礎的3 個維度上的均值較為接近，動手實踐能力（M＝4.06）略低于其他兩項能力（信息素養M＝4.18，認知能力M＝4.29），究其原因，主要是學生對人工智能課程中的學習設備及應用軟件尚不熟悉，在學習過程中缺乏一定的主觀能動性，而部分學生在訪談中提到“老師給我們制作的時間不夠”“如果有時間，我會繼續嘗試”，也反映出課堂實踐時間分配不充足的問題，從而導致學生動手實踐能力缺乏充分鍛煉。動手實踐能力作為21 世紀的能力素質之一，應將其培養作為教育的基本目標和推進素質教育的戰略重點貫穿于教育的全過程[17]。作為促進學生計算思維發展的能力基礎之一，教師在設置課堂任務時應給學生預留充足的實操時間，以提升學生的整體實踐能力水平。

自我效能感與學習心態正向影響其計算思維，且自我效能感、學習心態作用于計算思維的路徑系數分別為0.33 與0.69，即自我效能感及學習心態與計算思維正相關。貝克在實證研究中同樣發現自我效能感能夠促進計算思維的發展， 斯圖爾特等也曾在研究中發現學習毅力、學習動機等心理因素正向影響計算思維。從描述性統計分析結果來看，學生的自我效能感（M＝3.86）低于學習心態（M＝4.18），表明學生對人工智能課程中個人學習表現的自信程度不高。阿爾伯特·班杜拉（Albert Bandura）[18]提出，自我效能感的影響因素主要有個人成敗經驗、間接經驗（觀察他人行為）、言語勸說及其他個體因素。人工智能課程作為一門新興學科，大部分學生的相關學習經驗較少，因此可推測這是導致學生自我效能感偏低的主要原因之一。部分自我效能感較強的學生在訪談環節提到，“對比自己的程序和老師示范的程序，我認為自己的（作品）更好”，“在幫別人的時候，我覺得自己很厲害”。因此，可歸納人工智能課程中有效提升學生自我效能感的途徑：一是教師適時組織展示活動并給予學生針對性反饋；二是鼓勵課堂協作學習，促進學生合作。

(二)研究啟示

1.關注思維風格，強化學生主體地位

研究結果表明，思維風格間接影響人工智能課程中學生的計算思維發展，且學習經驗對思維風格的形成有一定影響，說明個體思維風格會隨著年級提升與經驗累積發生變化，進而影響其計算思維水平。學習者作為教學過程中的主體，往往對學習效果具有決定性作用，因此，教師需在教學過程中重視其思維風格變化，并根據其不同時期的風格傾向及時調整教學方法。教師可采用量表測評、課堂觀察、建立學習檔案等方式來追蹤學生的風格變化。其一，定期組織學生開展思維風格量表測評，基于數據探討個體、班級、年級間的思維風格差異，并根據思維風格傾向調整教學設計；其二，由于自陳式量表的局限性，可輔以課堂行為觀察等方式確立思維風格的類型；其三，形成個人思維風格檔案，定期將測評記錄歸檔，用于后期對個人思維風格變化的深入分析，并據此實施個性化輔導。

2.構建教研共同體，促進教師觀念轉變與能力提升

影響因素模型表明教師教學是影響學生計算思維發展的根本因素，其負向影響課堂學習中學生的認知負荷，從而促進學生形成積極學習心態。學生訪談內容也反映出教師輔助在課堂學習中的重要性，表明高質量的教師教學對課程實施效果起到關鍵作用。然而，相較于其他學科，人工智能學科因其具有知識點抽象復雜且技術更新速度快等特點，對執教者在理論知識及實踐操作方面的要求更高。師資短缺是目前中小學人工智能教育中亟待解決的問題，學校需要一批既懂人工智能又善于教學的教師開展人工智能教學[19]。目前，人工智能教學的承擔者多數是信息技術教師，其中雖然很多教師具有10 年以上的教學經驗，但其對人工智能知識背景及配套教學方法的了解還比較匱乏，因此，定期組織區域內人工智能教師參加教學方法與人工智能相關知識與技術的培訓活動是十分必要的。為保障人工智能教育的有效開展，學?？煽紤]與高校及教育科技公司開展合作，共同助力人工智能教育在實踐層面的落實。首先，教育部門可根據區域內學校的特點與現狀，整體制訂人工智能教育的實施計劃，定期籌辦相關講座與培訓活動，并從政策制度層面保障教師參與培訓的時間；其次，學?？膳c高?；蚩蒲袡C構形成合作機制，以保證先進教育教學理論傳遞至一線教師，在革新教師教學觀念的同時，亦可及時消除教師在教學過程中產生的困惑；再次，隨著《教育信息化2.0 行動計劃》的出臺，部分學校已與科技公司建立了合作關系，可進一步開展在人工智能教學層面的合作，用以促進教師對前沿人工智能技術的了解及相關教學設備的運用。

3.聚焦框架開發，建設人工智能課程群

研究結果顯示，能力基礎（認知能力、動手實踐能力及信息素養）會間接影響學生計算思維。這表明學生計算思維與其他能力素養相輔相成。有研究者提出，人工智能教育不能僅僅通過單一課程來落實，要最大程度地發揮現有各類課程的作用[20]。在基礎教育階段，人工智能課程的框架建設可聯合其他基礎學科開發人工智能課程群，以計算思維及學科核心素養培養為課程目標，從而達到各項能力素養螺旋式提升的效果（如圖2 所示）。結合基礎教育階段現有課程框架，人工智能課程的落實可考慮從以下3 個方面入手：①以信息技術與科學學科為主干課程，根據各年級學生能力水平及教學目標，將人工智能教材相關知識點與內容合理拆分后融入學科教學當中，年級間構造梯度式教學目標，圍繞人工智能的基礎理論進行教學設計。②以機器人、人工智能、創客、STEM等校本課程為應用課程。校本課程是結合學校文化與特點開發的一系列課程，旨在補充國家課程內容或滿足學生個性化學習需求，因此，學?？梢劳行１绢愓n程，從現實生活角度出發，探索人工智能技術與現實問題的有機結合點，帶領學生體會人工智能技術的現實意義。③以語文、數學、道德與法治學科作為基礎課程，從基礎學科角度出發，探究人工智能技術背后蘊含的語言、邏輯方面的原理，并從人工智能倫理道德層面設計課堂活動。

圖2 人工智能課程群架構

(三)研究局限

本研究還存在一些局限：一是研究樣本僅局限于某市4 所人工智能試點校，模型的適用性還有待進一步檢驗，后續研究可考慮擴大研究范圍，增加基礎教育其他年級被試者；二是由于自陳式量表的局限性，研究結果受學生主觀意識影響較大，后續研究可考慮使用課堂行為分析、學生作品評價及生物信號采集等方式收集數據，并開展深入研究；三是本研究僅在某一時間段內開展了橫向調查研究，但課程進度與學習深度對計算思維影響因素及其作用機制的影響尚不明確，因此，后續可考慮進行縱向調查研究，以增強模型的穩定性。