Documentos de Académico
Documentos de Profesional
Documentos de Cultura
10.1007 / s10956-015-9581-5
David Weintrop 1,2 • Elham Beheshti 3 • Michael Horn 1,2,3 • Kai Orton 1,2 •
Resumen La ciencia y las matemáticas se están pensando en los materiales de instrucción. Este trabajo se realizó como parte de
esfuerzos putacionales. Este hecho se refleja en los Estándares de un esfuerzo más amplio para infundir el pensamiento computacional en los
Ciencias de la Próxima Generación recientemente publicados y en la materiales curriculares de ciencias y matemáticas de la escuela secundaria. En
decisión de incluir el "pensamiento computacional" como una práctica este artículo, defendemos el enfoque de incorporar el pensamiento computacional
científica fundamental. Con esta adición, y la presencia cada vez mayor de en contextos matemáticos y científicos, presentamos la taxonomía y discutimos
la computación en contextos matemáticos y científicos, ha surgido una cómo imaginamos que la taxonomía se usará para alinear los esfuerzos
nueva urgencia al desafío de definir el pensamiento computacional y educativos actuales con la naturaleza cada vez más computacional de la ciencia y
proporcionar una base teórica sobre la forma que debería tomar en las las matemáticas modernas.
aulas de ciencias y matemáticas escolares. Este artículo presenta una
respuesta a este desafío proponiendo una definición de pensamiento
computacional para matemáticas y ciencias en forma de una taxonomía Palabras clave Pensamiento computacional Educación secundaria en
que consta de cuatro categorías principales: prácticas de datos, prácticas matemáticas y ciencias Educación STEM Prácticas científicas Pensamiento
de modelado y simulación, prácticas de resolución de problemas de sistemas Modelado y simulación Resolución de problemas
computacionales y prácticas de pensamiento sistémico. Al formular esta computacionales
taxonomía,
Introducción
Para 2020, uno de cada dos trabajos en los campos '' STEM '' será en
informática
Y David Weintrop (Informe de trayectorias de ACM 2013)
dweintrop@u.northwestern.edu
El lanzamiento de los Estándares de Ciencias de la Próxima Generación
1
Center for Connected Learning and Computer-Based Modelling, (NGSS) pone un nuevo énfasis en la investigación auténtica en el aula,
Northwestern University, Evanston, IL 60208, EE. UU.
incluidas ocho prácticas científicas distintas (Estados líderes de NGSS 2013 ).
Si bien algunas de estas prácticas son familiares para los maestros veteranos,
2
Ciencias del aprendizaje, Northwestern University, Evanston, IL 60208, EE.
como "hacer preguntas y definir problemas", otras se comprenden menos. En
UU.
particular, la práctica de "usar las matemáticas y el pensamiento
3
Ciencias de la Computación, Northwestern University, Evanston, IL 60208, EE.
computacional" refleja la creciente importancia de la computación y las
UU.
tecnologías digitales en todas las disciplinas científicas. Se pueden encontrar
4
Instituto Northwestern de Sistemas Complejos, Evanston, IL 60208, EE.
resultados educativos similares en los estándares de matemáticas, como las
UU.
pautas de Common Core, que establecen que los estudiantes deben poder ''
5
The Adler Planetarium, Chicago, IL 60605, EE. UU.
utilizar herramientas tecnológicas para explorar y profundizar
6
Centro de Exploración e Investigación Interdisciplinaria en Astrofísica
(CIERA), Universidad Northwestern, Evanston, IL 60208, EE. UU.
123
128 J Sci Educ Technol (2016) 25: 127–147
comprensión de conceptos '' (Asociación Nacional de Gobernadores 2010 , Por qué llevar el pensamiento computacional
pags. 7). Sin embargo, la inclusión de estas prácticas, en sí misma, ofrece a las aulas de matemáticas y ciencias?
poca orientación para los maestros que deberán realizarlas en sus aulas.
Gran parte de la dificultad se debe al hecho de que las prácticas Una motivación principal para introducir prácticas de pensamiento computacional
recopiladas bajo el término general "pensamiento computacional" (National en las aulas de ciencias y matemáticas es la naturaleza rápidamente cambiante
Research Council [NRC] 2010 ; Ala 2006 ; Papert de estas disciplinas a medida que se practican en el mundo profesional (Bailey y
Borwein 2011 ; Fomentar 2006 ; Henderson y col. 2007 ). En los últimos 20 años,
1996 ) aún no se han definido claramente. Esto es especialmente cierto para su uso casi todos los campos relacionados con las ciencias y las matemáticas han
en contextos científicos o matemáticos en contraposición a entornos informáticos experimentado el crecimiento de una contraparte computacional. Los ejemplos
más generales. También hay un debate y una discusión activos en torno a incluyen bioinformática, estadística computacional, quimiometría y
cuestiones clave como: ¿Cómo se relaciona el pensamiento computacional con el neuroinformática. Este aumento en la importancia de la computación con
pensamiento matemático, el pensamiento algorítmico o la resolución de problemas? respecto a las matemáticas, la ciencia y los campos más amplios de Ciencia,
¿Cómo se relaciona con el campo de la informática? ¿Hasta qué punto está Tecnología, Ingeniería y Matemáticas (STEM) ha sido reconocido tanto por
involucrada la programación informática? ¿El pensamiento computacional siempre aquellos dentro de las comunidades educativas STEM como por las
requiere una computadora? organizaciones de educación informática (ACM / IEEE-CS Grupo de Trabajo
Conjunto sobre Currículos de Computación 2013). Llevar herramientas y
Nuestro objetivo en este artículo es desarrollar una comprensión más prácticas computacionales a las aulas de matemáticas y ciencias les brinda a los
matizada del pensamiento computacional específicamente en su estudiantes una visión más realista de lo que son estos campos, prepara mejor a
aplicación a las disciplinas matemáticas y científicas y las necesidades de los estudiantes para seguir carreras en estas disciplinas (Augustine 2005 ; Gardner
los maestros de secundaria que se espera que preparen a los estudiantes
para carreras potenciales en estos campos. A diferencia de la mayor parte
de la discusión sobre el pensamiento computacional hasta la fecha, que
enfatiza temas de la informática como la abstracción y los algoritmos, 1983 ) y ayuda a preparar a los estudiantes para que sean ciudadanos STEM más
nuestro enfoque para definir el pensamiento computacional toma la forma inteligentes en el futuro. Como Foster ( 2006 ), director del Laboratorio de Computación
de una taxonomía de prácticas centradas en la aplicación del pensamiento de la Universidad de Chicago, afirma que "todos los científicos serán expertos en
computacional a las matemáticas y la ciencia. Este enfoque emplea las aplicar las técnicas computacionales existentes" (p. 419). Además, el uso variado y
matemáticas y la ciencia como contextos significativos en los que situar los aplicado del pensamiento computacional por parte de expertos en el campo
conceptos y las prácticas del pensamiento computacional y se basa en las proporciona una hoja de ruta para lo que la instrucción del pensamiento computacional
formas en que los matemáticos y los científicos utilizan el pensamiento debe incluir en el aula.
computacional para avanzar en sus disciplinas.
Desde una perspectiva pedagógica, el uso reflexivo de herramientas y conjuntos de
La taxonomía consta de cuatro categorías principales: prácticas de 2002 ; Consejo nacional de investigación 2011a , si ; Rojizo y Wilson 1993 ;
datos, prácticas de modelado y simulación, prácticas de resolución de Repenning et al. 2010 ; Sengupta y col. 2013 ; Sherin 2001 ; Wilensky 1995 ;
problemas computacionales y prácticas de pensamiento sistémico. Wilensky y col. 2014 ; Wilensky y Reisman 2006 ). Lo contrario también es cierto,
Describimos cada una de estas prácticas y sus componentes constitutivos, es decir, que la ciencia y las matemáticas proporcionan un contexto significativo
y describimos cómo se ve para demostrar el dominio de cada práctica. La (y un conjunto de problemas) dentro del cual se puede aplicar el pensamiento
contribución de este trabajo es proporcionar una definición procesable y computacional (Hambrusch et al. 2009 ; Jona y col.
lista para el aula del pensamiento computacional que se basa en la
erudición existente sobre el pensamiento computacional e incorpora 2014 ; Lin y col. 2009 ; Wilensky y col. 2014 ). Esto difiere notablemente de la
conceptos específicamente enfocados en contextos de matemáticas y enseñanza del pensamiento computacional como parte de un curso
ciencias. Al hacerlo, proporcionamos un marco y un lenguaje compartido independiente en el que las tareas que se asignan a los estudiantes tienden a
que se puede utilizar para que la enseñanza de las matemáticas y las estar divorciadas de los problemas y aplicaciones del mundo real. Este sentido
ciencias esté más en consonancia con su naturaleza cada vez más de autenticidad y aplicabilidad en el mundo real es importante en el esfuerzo por
computacional. Además, al fundamentar nuestra concepción del motivar una participación diversa y significativa en actividades científicas y
pensamiento computacional en matemáticas y ciencias, computacionales (Blikstein 2013 ; Chinn y Malhotra 2002 ; Confrey 1993 ; Margolis y
Fisher 2003 ; Margolis 2008 ; Ryoo y col. 2013 ). Esta relación recíproca: utilizar la
computación para enriquecer el aprendizaje de las matemáticas y las ciencias y
utilizar los contextos de las matemáticas y las ciencias para enriquecer
123
J Sci Educ Technol (2016) 25: 127–147 129
aprendizaje computacional: es el núcleo de nuestra motivación para unir el Para los desarrolladores de currículos y otros diseñadores de experiencias de
pensamiento computacional y los conceptos científicos y matemáticos. aprendizaje, nuestra esperanza es que la taxonomía sirva como un recurso para
abordar las preguntas sobre "qué" y "cómo" que acompañan a la creación de
Una motivación final para llevar el pensamiento computacional a las aulas de nuevos materiales educativos. Con la creciente importancia de la responsabilidad
matemáticas y ciencias es llegar a la audiencia más amplia posible y abordar los en nuestras escuelas, la necesidad de evaluaciones precisas y validadas es
problemas de larga data de la subrepresentación de mujeres y minorías en los esencial. Al proporcionar una definición clara de lo que incluye el pensamiento
campos computacionales (National Science Foundation 2013). Actualmente, solo computacional en contextos científicos y matemáticos, esta taxonomía se puede
una fracción de los estudiantes de secundaria tiene la oportunidad de tomar un utilizar como un recurso para los desarrolladores de evaluaciones que tienen la
curso de informática debido a la falta de maestros cali fi cados, instalaciones tarea de crear los elementos que medirán estas prácticas.
inadecuadas o limitaciones en el horario de clases. La integración de actividades
de pensamiento computacional en los cursos de matemáticas y ciencias aborda
directamente el problema de la autoselección de los estudiantes para entrar (o Finalmente, para los investigadores en educación, consideramos este trabajo
salir) de las clases de informática, lo que ha sido un desafío que ha plagado como una contribución tanto teórica como práctica a nuestra comprensión de la
durante mucho tiempo el esfuerzo por llegar a los jóvenes desatendidos (Margolis y naturaleza de la educación científica y matemática en nuestra era cada vez más
Fisher 2003 ; Margolis 2008 ). También evita los problemas prácticos de adaptar tecnológica. Si bien las prácticas de las ciencias y las matemáticas han cambiado
nuevas clases a horarios escolares abarrotados y encontrar maestros que los mucho en los últimos 50 años debido al avance de la tecnología, las aulas no han
enseñen. seguido el ritmo. Al delinear el espacio del pensamiento computacional con
respecto a estos campos, esperamos proporcionar un recurso para que otros
investigadores educativos lo utilicen en sus esfuerzos por modernizar el
aprendizaje de las ciencias y las matemáticas para preparar mejor a los
estudiantes para el futuro computacional que les espera.
Públicos previstos
Una contribución del trabajo que presentamos aquí es un conjunto de pautas viables
que se pueden seguir para llevar el pensamiento computacional a las aulas de
matemáticas y ciencias de manera rápida y efectiva. Al elegir abarcar las Antecedentes
matemáticas y las ciencias de manera amplia, esta taxonomía de fi ne un lenguaje
compartido que se puede usar en las aulas y los departamentos para ayudar a los En esta sección, revisamos brevemente tres literatura que han informado la
estudiantes a comprender la naturaleza transversal y la amplia aplicabilidad del taxonomía que presentamos en este artículo. Primero, revisamos la literatura sobre
pensamiento computacional. Como tal, la taxonomía que presentamos en este el pensamiento computacional, ubicándolo históricamente e ilustrando los recientes
documento está destinada a un conjunto diverso de interesados en la educación, esfuerzos relevantes para operacionalizar el concepto. Luego discutimos la
incluidos profesores, administradores, diseñadores de planes de estudio, investigación que se centra en llevar el pensamiento computacional al aula, un
desarrolladores de evaluaciones e investigadores en educación. Para los maestros, objetivo que es central para nuestra agenda de investigación. Finalmente,
nuestra taxonomía está destinada a proporcionar un conjunto de prácticas concretas revisamos el creciente papel de la computación en los campos de las matemáticas
y claramente delineadas para guiar la implementación del aula y el desarrollo del y las ciencias.
plan de estudios. Esperamos ayudar a los maestros a comprender cómo ya están
usando las prácticas de pensamiento computacional en sus clases y ayudarlos a
desarrollar más plenamente esos aspectos de sus lecciones. Nuestro objetivo no es
Pensamiento computacional
cambiar radicalmente las prácticas existentes de profesores experimentados; en
cambio, queremos que esta taxonomía sirva como un recurso para aumentar la
A la lectura, la escritura y la aritmética, debemos agregar el pensamiento
pedagogía y el currículo existentes con prácticas de pensamiento computacional
computacional a la capacidad analítica de cada niño.
más sofisticadas. Para los administradores y formuladores de políticas, la taxonomía
está destinada a ayudar a dar forma a las expectativas y establecer prioridades para
(Ala 2006 , pags. 33)
la educación en matemáticas y ciencias, particularmente cuando se trata de
preparar a los estudiantes para las demandas del siglo XXI. Comprender las El tema que impulsa el interés reciente en el pensamiento computacional
dimensiones cada vez más computacionales de estos campos también podría es que el conocimiento y las habilidades del campo de la informática tienen
ayudar a los administradores a asignar recursos de desarrollo profesional de aplicaciones de gran alcance de las que todos pueden beneficiarse: '' [el
acuerdo con las necesidades de los maestros. pensamiento computacional] representa una actitud y un conjunto de
habilidades universalmente aplicable a todos, no solo a la computadora
científicos, estaría ansioso por aprender y usar '' (Wing 2006 , pags. 33). Este
argumento ha sido recurrente, de una forma u otra, durante el último medio
siglo. Perlis ( 1962 ), primer destinatario del ACM
123
130 J Sci Educ Technol (2016) 25: 127–147
Premio Turing, dijo que todos los estudiantes deben aprender a programar como basarse en ideas y prácticas descontextualizadas y en su lugar recurrir a
parte de una educación liberal (como se cita en Guzdial ejemplificaciones del pensamiento computacional del mundo real en la naturaleza para
2008 ). Papert ( 1972 , 1980 ) extendió esta visión a una alfabetización completa a proporcionar claridad y especificidad sobre lo que significa el término. Hacerlo refuerza
partir de la niñez. Papert ( 1996 ) fue el primero en utilizar el término pensamiento el argumento de que estas prácticas son ampliamente aplicables al tiempo que
computacional para referirse a las posibilidades de las representaciones proporcionan una definición concreta y procesable del pensamiento computacional.
2001 ). pensamiento computacional. Este esfuerzo buscó responder preguntas como cómo el
El primer trabajo para poner en práctica esta idea fue el desarrollo del pensamiento computacional se relaciona con las materias existentes, cómo se vería
lenguaje de programación Logo (Feurzeig et al. 2011 ; Papert 1980 ). Si bien Logo una progresión del pensamiento computacional, cómo capacitar a los maestros en
fue diseñado de manera más inmediata para enseñar conceptos matemáticos, prácticas de pensamiento computacional y cuál es la mejor manera de evaluar el
sus creadores reconocieron rápidamente los beneficios de gran alcance de las pensamiento computacional (NRC 2011b ). La Asociación de Profesores de Ciencias
habilidades aprendidas a través de la programación, argumentando que `` la de la Computación (CSTA) afirma que `` el estudio del pensamiento computacional
presencia de una computadora podría contribuir a los procesos mentales no solo permite a todos los estudiantes conceptualizar, analizar y resolver mejor problemas
de manera instrumental sino de formas conceptuales más esenciales, influyendo complejos mediante la selección y aplicación de estrategias y herramientas
la gente piensa incluso cuando está lejos del contacto físico con una apropiadas, tanto virtualmente como en el mundo real '' (CSTA
1980 , pags. 4). Otra perspectiva importante sobre el pensamiento computacional 2011 , pags. 9). Aunque se ha realizado un esfuerzo considerable para avanzar
proviene del trabajo de diSessa ( 2000 ) y su libro Mentes cambiantes. En particular, en nuestra comprensión del pensamiento computacional, todavía hay desafíos
diSessa sostiene que las computadoras pueden ser la base de una nueva y que abordar, particularmente en términos de llevar el pensamiento computacional
poderosa forma de alfabetización que tiene el potencial de ser omnipresente en a las escuelas. Estos desafíos incluyen definir una progresión de aprendizaje y un
todas las materias, contextos y dominios. plan de estudios, evaluar el rendimiento de los estudiantes, preparar a los
maestros y garantizar un acceso equitativo (Grover y Pea
Se han propuesto varias definiciones recientes para el pensamiento
computacional sin que surja un consenso (Grover y Pea 2013 ). Wing 2013 ). Para progresar en estas áreas, será necesario dividir el
propone una definición que enfatiza la contribución única del campo de la pensamiento computacional en un conjunto de habilidades, conceptos y / o
informática a una amplia gama de esfuerzos humanos: '' el pensamiento prácticas bien de fi nidos y medibles.
computacional implica la resolución de problemas, el diseño de sistemas y
la comprensión del comportamiento humano, basándose en los conceptos
fundamentales de la informática '' (Ala Pensamiento computacional en la educación K-12
2006 , pags. 33). La Royal Society se hace eco de este énfasis en las ciencias de la Una amplia investigación durante las últimas tres décadas se ha centrado en
computación, definiendo el pensamiento computacional como '' el proceso de cuestiones relacionadas con la enseñanza y el aprendizaje de habilidades,
reconocer aspectos de la computación en el mundo que nos rodea y aplicar conceptos y prácticas relevantes para el pensamiento computacional (Grover y
herramientas y técnicas de la ciencia de la computación para comprender y Pea 2013 ). Ha habido algunos esfuerzos notables hacia la creación de marcos y
razonar sobre sistemas y procesos tanto naturales como artificiales. '' (Furber 2012 , pautas para llevar el pensamiento computacional a la educación K-12. Barr y
Stephenson ( 2011 ), al informar sobre el trabajo de la comunidad de educación en
pags. 29). Destacando la diversidad y la naturaleza inclusiva del debate sobre el ciencias de la computación, proporciona un enfoque al proponer una definición
pensamiento computacional, en 2010, el Consejo Nacional de Investigación para el pensamiento computacional en toda la educación K-12. Como parte de
convocó una reunión sobre el alcance y la naturaleza del pensamiento este esfuerzo, presentan una lista de conceptos de pensamiento computacional y
computacional, produciendo un informe que enumeró más de 20 habilidades y los mapean en una variedad de materias escolares convencionales, mostrando,
prácticas de alto nivel que el pensamiento computacional podría incluir , como la por ejemplo, cómo podría verse la abstracción en un aula de estudios sociales o
abstracción y descomposición de problemas, el razonamiento heurístico, las cómo usar la automatización en una lección de matemáticas. . Un segundo
estrategias de búsqueda y el conocimiento de conceptos informáticos como esfuerzo para proporcionar una estructura útil para la operacionalización del
procesamiento paralelo, aprendizaje automático y recursividad (NRC 2010 ). En pensamiento computacional en la educación K-12 proviene de Brennan y Resnick ( 2012
este trabajo, aportamos un enfoque diferente para definir el pensamiento ) quienes proponen un marco de pensamiento computacional que consta de tres
computacional al basarnos en la aplicación de las prácticas identificadas dimensiones: conceptos computacionales, computacional
anteriormente en contextos distintos de la informática. Al hacerlo, nos alejamos de
123
J Sci Educ Technol (2016) 25: 127–147 131
prácticas y perspectivas computacionales. Para cada dimensión, articulan Enseñanza y aprendizaje de la ciencia a través del razonamiento a escala
cómo se ve participar en el pensamiento computacional a ese nivel y atómica (Tinker y Xie 2008 ). El proyecto Physics Education Technology
brindan pautas sobre cómo evaluar el pensamiento computacional en las (PhET) es otro ejemplo de tales entornos de aprendizaje, que proporciona
diversas formas en que se puede usar. En paralelo al esfuerzo de crear una gran colección de modelos y simulaciones basados en la web para
marcos para comprender y evaluar el pensamiento computacional, está la enseñar contenido STEM (Perkins et al. 2006 ; Bryan 2006 ).
creación continua de nuevos entornos de aprendizaje, herramientas y
actividades diseñadas para promover las competencias computacionales Otro enfoque notable para llevar el pensamiento computacional a las aulas
en contextos de aprendizaje K-12. Tales esfuerzos incluyen entornos de K-12 es el uso de recursos computacionales en línea para permitir
programación gráfica como Scratch (Resnick et al. 2009 ) y Alice (Cooper et experiencias de aprendizaje que de otra manera no serían posibles. Por
al. 2000 ); entornos de modelado computacional como STELLA (Richmond ejemplo, iLab Network proporciona instalaciones experimentales a través de
et al. 1987 ) y NetLogo (Wilensky laboratorios remotos en línea que permiten a los estudiantes y educadores
utilizar instrumentos reales, en lugar de simulaciones, y realizar experimentos
(Jona y Vondracek 2013 ). Esto les da a los estudiantes acceso a una amplia
1999b ); kits de creación de prototipos electrónicos como Arduino y textiles variedad de fenómenos científicos y control de sofisticados equipos
digitales (Buechley et al. 2008 ); videojuegos, incluido Quest Atlantis (Barab experimentales. Las actividades incluyen el estudio de la radiactividad
et al. 2005 ) y RoboBuilder (Weintrop y Wilensky 2013 ); y entornos de tomando medidas de material radiactivo con un contador Geiger y el estudio
investigación científica con andamios como WISE (Linn et al. de la difracción de neutrones utilizando un monocromador de cristal.
Proyectos como estos combinan la ciencia, la tecnología y las prácticas de
2003 ), Genscope (Horwitz et al. 1998 ), GasLab (Wilensky pensamiento computacional de una manera accesible y atractiva.
1999a ); Estanque de ranas: evolución (Horn et al. 2014 ) y WorldWatcher
(Edelson et al. 1999 ). Otro trabajo se centra no en la tecnología o el medio
utilizado para la instrucción del pensamiento computacional, sino en el
dominio en el que se ubicará. Las prácticas de pensamiento
computacional se han integrado en materias que incluyen historia, artes El creciente papel de la computación en matemáticas y ciencias
del lenguaje, matemáticas, arte y ciencia (Blikstein y Wilensky
2009 ; Eisenberg 2002 ; Hambrusch y col. 2009 ; Rubin y Nemirovsky 1991 ; El panorama de la ciencia está cambiando. Los avances recientes en la
Sengupta y col. 2013 ; Settle y col. 2012 , computación de alta velocidad y los métodos analíticos han creado poderosas
2013 ). Un enfoque complementario para llevar el pensamiento computacional a herramientas para comprender los fenómenos en todos los espectros de la
la educación K-12 es integrarlo en los cursos de los profesores en formación, investigación humana. En algunos campos científicos, como la biología
independientemente de su especialización de contenido (Yadav et al. 2011 ). El molecular y la química, el advenimiento ha sido reciente pero rápido. El Premio
crecimiento de este tipo de trabajo, la variedad de formas que adopta y la Nobel de Química de 1998 fue otorgado a John A. Pople y Walter Kohn por su
diversidad de contextos en los que se ha utilizado, habla de la necesidad del trabajo innovador en el desarrollo de métodos computacionales en química
marco de pensamiento computacional interdisciplinario que presentamos aquí. cuántica (Pople 2003 ; Kohn 2003 ). Un premio tan prestigioso elogió la
aceptación de la computación como una herramienta válida y rigurosa para
investigar los fenómenos químicos. En una amplia variedad de dominios, la
Muchos investigadores han argumentado que la capacidad de utilizar aplicación de enfoques estadísticos y matemáticos que se basan en la
efectivamente simulaciones por computadora y visualizaciones interactivas computación, como los métodos de Markov Chain Monte Carlo y las redes
es un aspecto importante del pensamiento computacional, particularmente neuronales artificiales, ha demostrado ser esencial para abrir nuevas vías de
en lo que se refiere a los campos STEM (NRC 2011b ). Por ejemplo, NetLogo exploración y ha producido avances en numerosos campos tan diversos como
(Wilensky 1999b ) se ha utilizado con éxito en las escuelas para introducir a el estudio. los orígenes del universo en la astrofísica computacional
los estudiantes a sistemas complejos y fenómenos emergentes en muchos (Vogelsberger et al. 2014 ) para comprender la cinética del crecimiento del
campos diferentes, como probabilidad y estadística (Abrahamson et al. 2006 ; grano en las ciencias de los materiales (Anderson et al. 1984 ; Srolovitz y col. 1984
Abrahamson y Wilensky 2005 ), reacciones químicas (Stieff y Wilensky 2003 ; ). Ala ( 2006 ) afirmó que el enfoque del pensamiento computacional
Levy y Wilensky 2009 ), teoría cinética molecular (Brady et al.
123
132 J Sci Educ Technol (2016) 25: 127–147
Asociación interdisciplinaria con metodologías computacionales, los enfoques siendo central. Esta investigación comenzó con las dos publicaciones del
clásicos para la resolución de problemas en biología y química históricamente National Research Council sobre pensamiento computacional (NRC 2010 , 2011b
han enfatizado los sistemas deterministas de baja complejidad, ignorando en ) y se diversificó desde allí, revisando la literatura citada en esos informes
gran medida los problemas estocásticos y no lineales. El fuerte sesgo anterior junto con el trabajo que se basa en las ideas presentadas en los dos
hacia el estudio de sistemas deterministas era principalmente uno de informes. Debido a que consideramos que el pensamiento computacional
practicidad, siendo el término "no lineal" casi sinónimo de "irresoluble". Sin está fuertemente informado por los campos de la ingeniería y la informática,
embargo, la naturaleza es inherentemente no lineal y puede caracterizarse también recopilamos y analizamos marcos de contenido de informática,
por un comportamiento caótico, como se puede observar en el cambio ingeniería y tecnología, como el proyecto CS Principles (Astrachan y Briggs 2012
climático (Dijkstra ), el informe Computer Science Curricula 2013 (ACM / IEEE-CS Joint Task
Force on Computing Curricula 2013), y el NAEP Technology and
2013 ; Manabe y Stouffer 1988 ), la propagación de enfermedades (Keeling y Engineering Literacy Framework (Driscoll
Grenfell 1997 ; Olsen y Schaffer 1990 ), malestar ecológico (Lubchenco et al. 1991
) y evolución (Lander y Schork 1994 ; Turelli y Barton 1994 ). Tanto matemática
como físicamente, los sistemas deterministas / lineales son la excepción más 2013 ). Al revisar estos documentos, nuestro objetivo era trazar un mapa de lo que la
que la regla. En los últimos años, los métodos computacionales han ampliado la literatura existente identificaba como central para el pensamiento computacional con
gama de fenómenos no lineales que pueden explorarse mediante el uso de un enfoque en las aplicaciones a las matemáticas y la ciencia. A lo largo de este
modelos matemáticos y de simulación. Wolfram ( 2002 ) incluso proclamó el paso inicial, buscamos comprender el panorama más amplio del pensamiento
surgimiento de un nuevo tipo de ciencia basada en sus experimentos computacional antes de limitar nuestro enfoque a las disciplinas matemáticas y
computacionales en patrones emergentes en la naturaleza, argumentando que científicas. Esta revisión produjo un conjunto preliminar de diez habilidades básicas
tales exploraciones no son posibles sin computación. Los campos científicos de pensamiento computacional (Tabla 1 ), que se utilizaron como punto de partida
están experimentando un renacimiento en los enfoques experimentales para nuestra taxonomía.
principalmente debido a la disponibilidad de computadoras más poderosas, la
accesibilidad de nuevos métodos analíticos y el desarrollo de modelos Paso 2 El segundo paso en la creación de la taxonomía fue recopilar y
computacionales altamente detallados en los que se puede incorporar una clasificar una variedad de actividades diseñadas para introducir el pensamiento
amplia gama de componentes y mecanismos. Estos avances, a su vez, han computacional en las aulas de matemáticas y ciencias de la escuela secundaria.
creado una creciente necesidad de educar a los estudiantes en métodos y El corpus principal de las actividades analizadas fueron los materiales producidos
técnicas computacionales para apoyar el panorama rápidamente cambiante de como parte de '' Reach for the Stars '', un programa financiado por la NSF que
la investigación en las disciplinas matemáticas y científicas. vincula a los estudiantes graduados de STEM que utilizan la computación en su
investigación con profesores de secundaria para desarrollar actividades listas
para el aula basadas en su investigación. . 1 Estas lecciones abarcan una variedad
de conceptos en química, física, biología, astronomía, ciencias de la tierra, redes
y programación. Se seleccionaron y codificaron treinta planes de lecciones de
esta colección para elementos de pensamiento computacional (12 en física, 8 en
química, 3 en biología y 7 en matemáticas). También incluimos cuatro lecciones
Métodos de una clase de modelado matemático de la escuela secundaria diseñada por un
maestro que colabora en el proyecto.
Para desarrollar nuestra taxonomía de prácticas de pensamiento computacional
para matemáticas y ciencias, recurrimos a múltiples recursos para identificar las
prácticas características que son más importantes tanto para satisfacer las
necesidades de los estudiantes como para reflejar el trabajo de los profesionales Dos investigadores revisaron independientemente cada una de las 34 actividades,
en una variedad de disciplinas de matemáticas y ciencias. Figura 1 ilustra los pasos buscando prácticas específicas que parecieran relevantes para el pensamiento
que seguimos para crear la taxonomía. A lo largo del proceso, trabajamos en computacional en base a nuestros hallazgos del paso 1. Esto resultó en un conjunto
estrecha colaboración con otros investigadores, profesores y desarrolladores de combinado de 208 "facetas" del pensamiento computacional de nuestro corpus de
planes de estudio de STEM. Principalmente, nos basamos en tres recursos para la actividades. Mesa 2
creación y validación de nuestra taxonomía: (1) actividades educativas ejemplares proporciona un breve extracto de una parte de la codificación de una de nuestras
que involucran el pensamiento computacional en matemáticas y ciencias, (2) lecciones para que sirva como ejemplo de este proceso. La lección que se analiza es
inventarios de conceptos existentes y documentos de estándares, y (3) entrevistas una actividad de física que utiliza una montaña rusa virtual para permitir a los
con matemáticos y científicos. estudiantes explorar las fuerzas y el impulso que gobiernan el movimiento. 2 La
actividad hace que los estudiantes diseñen experimentos, recopilen datos, analicen
sus
123
J Sci Educ Technol (2016) 25: 127–147 133
1. Capacidad para hacer frente a problemas abiertos 6. Crear abstracciones para aspectos del problema en cuestión.
3. Con fi anza para afrontar la complejidad 8. Evaluación de las fortalezas y debilidades de una representación de datos / sistema de representación
5. Desglose de problemas grandes en problemas más pequeños 10. Reconocer y abordar la ambigüedad en los algoritmos
Tabla 2 Ejemplo de una parte de la codificación inicial y la codificación final de la lección de física de la montaña rusa
Actividad La faceta del pensamiento computacional Práctica del pensamiento computacional Taxonomía finalizada involucrada
práctica
Constructor de montaña rusa Los estudiantes construyen modelos de montañas rusas que se pueden Obtenga información / comprensión de Usando computacional
ejecutar, generando datos sobre la energía de la montaña. basado en computadora modelo para entender un
simulaciones / modelos concepto
Construyendo
modelos computacionales
Los estudiantes registran las mediciones de energía en cuatro puntos de la Realice mediciones efectivas Recolectando datos
solución
Solución de problemas y
depuración
Traducir en pantalla gráficos de potencial / cinético Evaluar fortalezas y energía en forma Manipular datos
Gráfico de las energías cinética y potencial de la
tabular debilidades de una representación Visualización de datos
montaña rusa a lo largo del tiempo
resultados a medida que exploran la relación entre las energías potencial, revisión inicial de la literatura (paso 1). Estas habilidades a menudo eran demasiado
cinética y disipada. amplias o no estaban adaptadas a los contextos de las matemáticas y las ciencias, lo
Utilizando el conjunto de 208 facetas de pensamiento computacional en que resultaba en la división y el refinamiento de estas categorías en habilidades más
matemáticas y ciencias, dos investigadores codificaron independientemente cada específicas, así como en la introducción de nuevos códigos cuando una faceta no
faceta de acuerdo con las prácticas de pensamiento computacional involucradas encajaba dentro del conjunto de prácticas existente. Una vez completada la codificación
(Columna 3 de la Tabla 2 ). El proceso se inició con el conjunto de códigos derivados inicial, los dos investigadores revisaron iterativamente el nuevo
de nuestro
123
134 J Sci Educ Technol (2016) 25: 127–147
códigos, lo que resultó en la primera versión completa de nuestra taxonomía, que se llevaron a cabo en gran medida los cálculos. Se llevaron a cabo quince
consistía en 45 pensamientos computacionales distintos en las prácticas matemáticas entrevistas con profesores académicos de disciplinas de matemáticas y
y científicas. ciencias, investigadores de STEM en la industria y estudiantes graduados que
Paso 3 El conjunto inicial de prácticas se compartió luego con el grupo de buscan títulos en disciplinas de STEM. Esto incluyó entrevistas con
investigación más grande del proyecto, que colectivamente emprendió otra bioquímicos, físicos, ingenieros de materiales, astrofísicos, informáticos e
ronda de revisiones y clasificó las prácticas individuales en categorías distintas. ingenieros biomédicos. El objetivo de estas entrevistas era validar la
Gran parte de este trabajo se centró en agrupar habilidades similares en taxonomía y las categorías emergentes a medida que iban tomando forma,
categorías nuevas y unificadas. Asimismo, para obtener validez externa, se así como proporcionar datos suplementarios sobre la naturaleza del
consultó con los estudiantes de posgrado de “Reach for the Stars” que habían pensamiento computacional tal como ocurre en entornos científicos
desarrollado los planes de lecciones y los docentes en servicio que estaban auténticos. Al analizar estas entrevistas, buscamos similitudes y diferencias
participando en el proyecto. El producto resultante fue una lista revisada de 27 en las prácticas computacionales a través de formas dispares de investigación
prácticas agrupadas temáticamente en cinco categorías de alto nivel: Datos e científica. Desde allí, identificamos y caracterizamos las prácticas de
información (6 prácticas), Modelado y simulación (5 prácticas), Computación (5 pensamiento computacional que los investigadores científicos emplearon en
prácticas), Resolución de problemas (7 prácticas) y Sistemas. Pensamiento (4 su trabajo. Por ejemplo, encontramos que probar y depurar era una práctica
prácticas). Cada una de estas prácticas se vinculó con un ejemplo específico de común entre los investigadores científicos que no había sido capturada
su uso en uno de los planes de lecciones fuente. Mesa 3 ilustra dos ejemplos de claramente en la taxonomía. A través de las entrevistas, aprendimos que la
estos códigos y su correspondiente faceta de pensamiento computacional de práctica de depuración podría caracterizarse de manera diferente para
los planes de lecciones. distintas formas de investigación. Por ejemplo, para un investigador teórico,
las "pruebas" pueden implicar el proceso de verificar una solución a un
problema desconocido, mientras que para un investigador experimental, las
pruebas pueden implicar el proceso de validar computacionalmente un
Paso 4 Luego, la taxonomía se presentó a 16 profesores de matemáticas y experimento antes del ensayo real. Por tanto, la descripción de la depuración
ciencias de secundaria durante un taller de desarrollo profesional de verano. en la taxonomía debe reflejar esta diversidad. Un análisis completo de estos
Como parte del taller, los maestros utilizaron en colaboración la taxonomía para datos se presenta en un artículo de próxima publicación (Beheshti et al.
diseñar nuevas actividades para sus aulas. La retroalimentación de los profesores
sobre la taxonomía fue en general positiva, pero surgieron inquietudes, como una
solicitud de que nos movamos de los términos habilidades a lo más amplio y
procesable practicas para reforzar lo que significa usar estos conceptos, así como
para reflejar cambios más importantes en el panorama de los estándares de
matemáticas y ciencias. Los profesores eran especialmente cautelosos con la
categoría Computación, que incluía habilidades como la aplicación de lógica
condicional, el uso de la recursividad y la lógica iterativa y la elección de Taxonomía del pensamiento computacional en las prácticas
estructuras de datos eficientes, ya que temían que estuviera demasiado cerca de matemáticas y científicas
la informática y demasiado lejos del contenido que enseñaban en sus aulas.
Nuestra taxonomía se divide en cuatro categorías principales: prácticas de
datos, prácticas de modelado y simulación, prácticas de resolución de
problemas computacionales y prácticas de pensamiento sistémico. Cada una de
Junto con la recopilación de comentarios de los maestros, la taxonomía estas categorías se compone de un subconjunto de cinco a siete prácticas (Fig. 2
también se presentó a expertos en pensamiento computacional y diseñadores de ). Siguiendo el ejemplo de la NGSS, hemos optado por llamar a estas ''
currículos STEM. Estos expertos plantearon preocupaciones en torno a la categoría prácticas '' en lugar de '' habilidades '' o '' conceptos '' con el fin de '' enfatizar
de resolución de problemas, que incluía prácticas como la descomposición de que participar en la investigación científica requiere no solo habilidad sino
problemas en subproblemas y la reestructuración de problemas en problemas también conocimientos específicos de cada práctica '' (Estados líderes de
conocidos / familiares, ya que pensaban que las prácticas eran demasiado NGSS 2013 , pags. 30). Aunque presentamos nuestra taxonomía como un
generales y no exclusivas de STEM o contextos de pensamiento computacional. conjunto de categorías distintas, las prácticas están altamente interrelacionadas
Esta retroalimentación condujo a otra ronda de revisiones, durante la cual y dependen unas de otras. En la práctica, a menudo se utilizan en conjunto para
consolidamos las categorías de Computación y resolución de problemas para lograr objetivos científicos y matemáticos específicos. En esta sección,
abordar las preocupaciones prácticas y teóricas planteadas. El resultado final de describimos cada una de las cuatro categorías principales, incluidas sus
este proceso fue la taxonomía de cuatro categorías que consta de 22 prácticas prácticas constitutivas y nuestra justificación para su inclusión en la taxonomía.
distintas que presentamos en la siguiente sección. En la sección que sigue a la presentación de la taxonomía, presentamos tres
actividades en el aula para demostrar cómo se ven las prácticas en uso.
123
J Sci Educ Technol (2016) 25: 127–147 135
Tabla 3 Dos ejemplos de pensamiento computacional en las prácticas de matemáticas y ciencias con sus actividades asociadas y faceta computacional Categoría
Datos y Manipulando Artistas de redes de ciencia y hip hop una: esta actividad introduce a los Los estudiantes normalizan los nombres de los músicos antes de ingresarlos en una hoja de
información datos estudiantes a las ciencias de la red cálculo. Luego, los estudiantes clasifican los datos según diferentes criterios para
Modelado Evaluar Laboratorio de movimiento de proyectiles si: esta actividad hace que los Se pregunta a los estudiantes qué tan válido creen que es el modelo; los estudiantes
y modelo y estudiantes generen datos usando las ecuaciones que describen el identifican los factores que faltan, como la resistencia del aire
una https://gk12northwestern.wikispaces.com/Hip?Hop?Networks?Lesson
si https://gk12northwestern.wikispaces.com/Projectile?Lab
123
136 J Sci Educ Technol (2016) 25: 127–147
herramientas de análisis de datos estándar como Microsoft Excel, SPSS, manipular conjuntos de datos grandes y complejos. La manipulación de datos incluye
R y STATA. ordenar, filtrar, limpiar, normalizar y unir conjuntos de datos dispares. Estas
En nuestro análisis de las lecciones de pensamiento computacional para manipulaciones sirven tanto para el análisis como para la comunicación. Los
las aulas de matemáticas y ciencias, las prácticas de análisis de datos estudiantes que hayan dominado esta práctica podrán manipular conjuntos de datos
estuvieron presentes en 27 de las 34 lecciones analizadas. Además, los con herramientas computacionales, remodelando el conjunto de datos para que
expertos que entrevistamos con frecuencia hicieron referencia a la tenga la configuración deseada o útil para que pueda respaldar una mayor
importancia del pensamiento computacional con respecto a la recopilación, investigación.
gestión y análisis de datos en su trabajo. La importancia de esta categoría
se destacó en una entrevista con un científico de materiales, quien cuando
se le preguntó sobre su investigación respondió: '' En casi todo, son solo Analizar datos
datos numéricos sin procesar ''. Luego pasó a explicar cómo de fi ne
computacionalmente sus preguntas de investigación. , usa clústeres de El verdadero poder de los datos reside en la información que se puede
supercomputación para generar datos, procesa y organiza datos, y obtener de ellos mediante el análisis. Hay muchas estrategias que pueden
finalmente usa paquetes de software para generar visualizaciones de sus emplearse al analizar datos para su uso en un contexto científico o
hallazgos. En cada paso de su trabajo, las prácticas de pensamiento matemático, incluida la búsqueda de patrones o anomalías, la definición
computacional son esenciales. de reglas para categorizar datos e identificación de tendencias y
correlaciones. Las herramientas computacionales se han vuelto esenciales
para realizar análisis de datos, ya que permiten analizar los datos de una
manera más confiable y eficaz y realizar análisis en conjuntos de datos
Recolectando datos más grandes de lo que sería posible de otra manera. El uso de
herramientas computacionales para analizar datos se está convirtiendo en
Los datos se recopilan mediante observación y medición. Las herramientas una práctica especialmente importante ya que ahora vivimos en una era
computacionales juegan un papel clave en la recopilación y el registro de una de ciencia intensiva en datos (a veces denominada '' big data ''), donde los
variedad de datos a través de muchos esfuerzos científicos y matemáticos diferentes. conjuntos de datos tienen habitualmente miles de millones de puntos de
Las herramientas computacionales pueden ser útiles en diferentes fases de la datos individuales.
recopilación de datos, incluido el diseño del protocolo de recopilación, el registro y el
almacenamiento. Los estudiantes que dominen esta práctica podrán proponer
protocolos de recolección de datos sistemáticos y articular cómo esos protocolos
pueden automatizarse con herramientas computacionales cuando sea apropiado.
Visualización de datos
123
J Sci Educ Technol (2016) 25: 127–147 137
matemáticos (Estados líderes de NGSS 2013 ). En matemáticas y ciencias, los Uso de modelos computacionales para comprender un concepto
123
138 J Sci Educ Technol (2016) 25: 127–147
Como ocurre con gran parte del esfuerzo humano, la resolución de problemas es
Parte del aprovechamiento del poder computacional en las disciplinas
fundamental para la investigación científica y matemática. Si bien la resolución de
científicas es diseñar nuevos modelos que puedan ejecutarse en un
problemas puede tomar muchas formas, en este trabajo nos enfocamos en prácticas
dispositivo computacional. El proceso de diseñar un modelo es distinto de
de resolución de problemas que son especialmente efectivas para trabajar con
implementarlo realmente; diseñar un modelo implica tomar decisiones
herramientas computacionales y derivadas del campo de la informática. Esta
tecnológicas, metodológicas y conceptuales. Hay muchas razones que
perspectiva se basa en el trabajo que analiza las prácticas de resolución de
pueden motivar el diseño de un modelo computacional, incluido el deseo
problemas en general (Newell y Simon 1972 ; Pólya 1954), el poder de las
de comprender mejor un fenómeno bajo investigación, probar una
herramientas computacionales para fomentar el desarrollo de tales estrategias
hipótesis o comunicar una idea o principio a otros de una manera dinámica
(Clements y Gullo 1984 ; Palumbo 1990 ; Papert 1980 ), y el trabajo que lleva la
e interactiva. Al diseñar un modelo computacional, uno se enfrenta a un
resolución de problemas y las herramientas computacionales a los dominios
gran conjunto de decisiones que incluyen definir los límites del sistema,
científicos (Guzdial 1994 ; Hambrusch y col. 2009 ; Sengupta y col. 2013 ; Wilensky
decidir qué se debe incluir y qué se puede ignorar, y conceptualizar los
comportamientos y propiedades de los elementos incluidos en el modelo.
A lo largo del proceso de diseño, uno debe asegurarse de que el modelo
2001 ; Wilensky y col. 2014 ).
resultante pueda lograr el objetivo que motivó inicialmente el proceso de
Esta categoría, más que las otras, se basa en prácticas y estrategias
diseño del modelo. Los estudiantes que hayan dominado esta práctica
del campo de la informática, y tiene la intención de capturar la contribución
podrán diseñar un modelo computacional, un proceso que incluye de fi nir
del campo al trabajo científico y matemático contemporáneo y la
los componentes del modelo, describir cómo interactúan, decidir qué datos
importancia para los estudiantes de hoy en día de desarrollar este conjunto
producirá el modelo, articular las suposiciones hechas por el modelo
de habilidades (ACM Pathways 2013; Agustín 2005 ; Guzdial y Soloway
propuesto y comprender qué conclusiones se pueden sacar del modelo.
La informática aplicada está desempeñando ahora el papel que Si bien algunos problemas se prestan naturalmente a soluciones computacionales,
desempeñaron las matemáticas desde el siglo XVII hasta el XX: con mayor frecuencia, los problemas deben reformularse para poder utilizar las
proporcionar un marco formal y ordenado y un aparato exploratorio herramientas computacionales existentes, ya sean dispositivos físicos o paquetes de
para otras ciencias. software. En las ciencias, una amplia gama de herramientas computacionales puede
ser
123
J Sci Educ Technol (2016) 25: 127–147 139
empleado para una actividad determinada; el desafío es mapear los problemas con Evaluación de diferentes enfoques / soluciones a un problema
las capacidades de las herramientas. Las estrategias para hacer esto incluyen
descomponer los problemas en subproblemas, reformular nuevos problemas en Cuando existen múltiples enfoques para resolver un problema o múltiples
problemas conocidos para los que ya existen herramientas computacionales y soluciones para elegir, es importante poder evaluar las opciones y tomar
simplificar problemas complejos para que el mapeo de las características del una decisión informada sobre la ruta a seguir. Esta práctica es distinta de
problema en las soluciones computacionales sea más accesible. Los estudiantes la práctica anterior en que se refiere a cómo se utilizarán las herramientas
que hayan dominado esta práctica podrán emplear estas estrategias para computacionales, una vez elegidas, y cómo encajan en el proceso más
reestructurar los problemas en formas que se puedan resolver, o al menos se pueda amplio de abordar y resolver problemas. Esto es importante en ciencias y
progresar, mediante el uso de herramientas computacionales. matemáticas, ya que a menudo hay más de un curso de acción posible.
Incluso si dos enfoques diferentes producen el mismo resultado correcto,
hay otras dimensiones que deben tenerse en cuenta al elegir una solución
o enfoque, como el costo, el tiempo, la durabilidad, la extensibilidad, la
Programación de computadoras reutilización y la fl exibilidad.
123
140 J Sci Educ Technol (2016) 25: 127–147
encontrar, definir el alcance o la escala de un problema, o crear modelos para El enfoque es fundamentalmente diferente de las formas tradicionales de resolución
explorar o comprender un fenómeno dado. La creación de abstracciones de problemas y se centra en comprender cómo cambian los sistemas con el tiempo
computacionales es esencial para resolver múltiples problemas que tienen (Forrester 1968 ). El enfoque del pensamiento sistémico ha tenido dos focos
similitud estructural pero difieren en los detalles de la superficie. Estas distintos, con un enfoque en la dinámica de sistemas agregados (Forrester 1968 ;
prácticas son una de las principales formas en que se puede aplicar el poder Sterman
computacional a problemas matemáticos y científicos. Los estudiantes que 2000 ) y el otro sobre la dinámica basada en agentes (Epstein y Axtell 1996 ;
hayan dominado esta práctica podrán identificar, crear y utilizar abstracciones Grimm y col. 2005 ; Wilensky y Resnick
computacionales mientras trabajan hacia metas científicas y matemáticas. 1999 ; Wilensky y Rand 2015 ). Ambos tipos de sistemas exhiben
comportamientos emergentes (Bar-Yam 2003 ; Jacobson y Wilensky 2006 ;
Sterman 2000 ; Wilensky y Resnick
1999 ). Con la aparición de tantos desafíos relacionados con los macrodatos,
Solución de problemas y depuración muchos métodos de pensamiento sistémico se han convertido en componentes
críticos de los enfoques del pensamiento computacional que se practican en todas
En términos generales, la resolución de problemas se refiere al proceso de las disciplinas científicas. Los análisis tradicionales se centran en dividir los
averiguar por qué algo no funciona o no se comporta como se esperaba. problemas en sus partes constitutivas y analizar por separado las piezas
Hay una serie de estrategias que se pueden emplear al solucionar un individuales. Los análisis del pensamiento sistémico, por el contrario, se centran en
problema, que incluyen identificar claramente el problema, probar un examen inclusivo de cómo el sistema y sus partes constituyentes interactúan y
sistemáticamente el sistema para aislar la fuente del error y reproducir el se relacionan entre sí como un todo (Assaraf y Orion 2005 ).
problema para que las posibles soluciones se puedan probar de manera
confiable. En informática, esta actividad a menudo se denomina
"depuración" y hay una serie de estrategias y herramientas diseñadas Muchos conceptos científicos fundamentales (y difíciles) se entienden mejor, y
específicamente para ayudar a averiguar por qué un programa u otra quizás solo, a través de la lente de los sistemas. Buenos ejemplos incluyen la
herramienta computacional no se comporta como se esperaba. En los selección natural y la dinámica de poblaciones en ecología, el sistema respiratorio
campos STEM, la capacidad de solucionar un problema es importante, ya humano desde la biología y las leyes de los gases ideales en química y física
que con frecuencia se encuentran resultados inesperados y (Hmelo et al. 2000 ; Stieff y Wilensky 2003 ; Wilensky y Reisman 2006 ). Otros tipos
comportamientos incorrectos, especialmente cuando se trabaja con de sistemas, como los que se encuentran en la física, la economía e incluso la
herramientas computacionales. historia, involucran conceptos transversales relacionados con el pensamiento
sistémico, como la retroalimentación, la emergencia, las existencias y los fl ujos
(Goldstone y Wilensky). 2008 ; Penner 2000 ; Wilensky y Rand 2015 ; Zuckerman y
Resnick 2003 ). Las recomendaciones para la perspectiva de los sistemas ahora se
representan en cuatro informes NRC separados: Llevando la ciencia a la escuela ( NRC
2007 ), Un marco para la educación científica K-12 ( NRC 2012a ), Educación para
la vida y el trabajo ( NRC 2012c ) y Investigación en educación basada en disciplina
( NRC 2012b ) así como el Estándares de ciencia de próxima generación ( Estados
Prácticas de pensamiento sistémico
principales de NGSS 2013 ). Si bien este conocimiento no está necesariamente
ligado al pensamiento computacional, las herramientas computacionales permiten
En lugar de mirar una cosa a la vez y notar su comportamiento
nuevas formas de explorar, comprender y representar estas ideas (Bar-Yam
cuando se exponen a otra cosa, las ciencias ahora miran una serie
de cosas diferentes e interactuantes y notan su comportamiento
como un todo bajo diversas influencias.
123
J Sci Educ Technol (2016) 25: 127–147 141
Las prácticas que describimos anteriormente son valiosas para la investigación de considera los elementos más pequeños del sistema a una vista de nivel macro
sistemas, esta sección presenta cinco prácticas de pensamiento computacional que se que considera el sistema como un todo. Pensar en un sistema desde el punto de
enfocan en el pensamiento sistémico. vista de sus actores y componentes individuales puede llevar a comprender
cómo los comportamientos a nivel micro conducen a patrones emergentes a
Investigación de un sistema complejo como un todo nivel macro. Por otro lado, ser capaz de poner en caja negra los detalles de las
interacciones sistemáticas subyacentes y enfocarse en el sistema como un todo
Un sistema puede verse como una entidad única compuesta por muchos elementos hace posible comprender las características emergentes del sistema en conjunto,
interrelacionados; para algunas preguntas, es más eficaz investigar cómo funciona el sistema como lo que puede producir un conjunto diferente de conocimientos de un micro.
un todo en lugar de estudiar cada elemento individual o conjunto de elementos. La investigación de -análisis de nivel. Las herramientas computacionales pueden facilitar la
un sistema complejo en su conjunto se basa en la capacidad de de fi nir y medir las entradas y investigación del sistema desde ambas perspectivas y, como Levy y Wilensky ( 2008
salidas del sistema. Esto es especialmente crítico en las ciencias porque muchos fenómenos son el ) muestran, desde niveles medios productivos entre los dos. Los estudiantes que
resultado de interacciones complejas a muy gran escala. Ser capaz de poner en caja negra los dominen esta práctica podrán identificar diferentes niveles de un sistema dado,
detalles de las interacciones sistemáticas subyacentes y centrarse en el sistema como un todo articular el comportamiento de cada nivel con respecto al sistema en su conjunto,
hace posible comprender las características del sistema en conjunto, que a veces son exactamente y ser capaces de moverse hacia adelante y hacia atrás entre niveles, atribuyendo
los datos necesarios para el problema en cuestión. Las herramientas computacionales como correctamente las características del sistema. al nivel apropiado.
modelos y simulaciones son especialmente útiles en tales investigaciones, ya que pueden
automatizar partes de una investigación, tomar medidas precisas y modelar sistemas para análisis
adicionales y pruebas de hipótesis. Otro enfoque poderoso para facilitar que los estudiantes
aprendan sobre sistemas complejos en su conjunto puede provenir del uso de representaciones
sistemas de una manera no lineal. Los estudiantes que dominen esta práctica podrán formular Communicating Information about a System
preguntas, diseñar y realizar investigaciones y, en última instancia, interpretar y dar sentido a los
datos recopilados sobre un sistema como una sola entidad. Otro enfoque poderoso para facilitar A central challenge when investigating a system is figuring out how best to
que los estudiantes aprendan sobre sistemas complejos en su conjunto puede provenir del uso de communicate what you have learned about it. This is often challenging due
representaciones (incluyendo retroalimentación, valores y flujos, agentes y reglas de agentes) que to the size and complexity of the system under investigation. Because
representan sistemas de una manera no lineal. Los estudiantes que dominen esta práctica podrán systems often consist of many interrelated parts and can include numerous
formular preguntas, diseñar y realizar investigaciones y, en última instancia, interpretar y dar interacting elements, conveying information about the system can be
sentido a los datos recopilados sobre un sistema como una sola entidad. Otro enfoque poderoso difficult, but is also essential for the information gleaned from the system to
para facilitar que los estudiantes aprendan sobre sistemas complejos en su conjunto puede provenir be understood and used by others. Communicating information about a
del uso de representaciones (incluyendo retroalimentación, valores y flujos, agentes y reglas de system often involves developing effective and accessible visualizations
and infographics
agentes) que representan sistemas de una manera no lineal. Los estudiantes que dominen esta práctica podrán 3 that
formular preguntas, highlight
diseñar the
y realizar most important
investigaciones aspects
y, en última of interpretar
instancia, what hasy dar sentido a los datos rec
been learned about the system in such a way that it can be understood by
Understanding the Relationships within a System someone who does not know all the underlying details. This practice
includes the ability to prioritize features of a system, design intuitive ways
Whereas some questions can best be answered by focusing on a system to represent it, and identify what can be left out of the visualization without
as a whole, other questions require understanding how the components compromising the information being conveyed. Students who have
within a system interact. Thus, it is important to be able to identify the mastered this practice will be able to communicate information they have
different elements of a system and articulate the nature of their learned about a system in a way that makes the information accessible to
interactions. Computational tools are useful for conducting such inquiry as viewers who do not know the exact details of the system from which the
they can provide learners with controls for isolating different elements, information was drawn.
investigating their behaviors, and exploring how they interact with other
components of the system. Students who have mastered this practice will
be able to identify the constituent elements of a system, articulate their
behaviors, and explain how interactions between elements produce the
characteristic behaviors of the system.
123
142 J Sci Educ Technol (2016) 25:127–147
Defining Systems and Managing Complexity students calculate the gravitational constant (e.g., in Angry Birds) and/or
conservation of energy and momentum (e.g., in Asteroids). The lesson
Anything can be viewed as a system; the size andmembership of the begins with students creating a 20- to 30-s screencast of themselves
system depends on where you define its boundaries. You can have very playing the game, then use Physics Tracker (Brown 2013 ), a video
small systems that include only a narrow set of entities, like a classroom transcription and computational analysis tool, to collect data (CT-MS
system consisting of a teacher and students, or you can have systems that Practice: Data Collection). Within Physics Tracker, the students visualize
includemillions of entities, like a group of galaxies or the human genome. the data, plotting time, position, velocity, acceleration, and other germane
The larger the system is, in terms of number of entities, types of entities, physical parameters (CTMS Practice: Data Visualization). They then use
frequency of interactions, and diversity of behavior, themore complex it Tracker’s analysis tools to identify the best fit between the data and their
becomes. The decision of where to set the boundaries of the system is mathematical functional form (CT-MS Practice: Data Analysis). Students
critical for any investigation that follows as it determines what questions derive the properties that define the behavior of the world, such as finding
you can answer as well as the size and complexity of the system. Further, the gravitational constant in Angry Birds (CT-MS Practice: Using
in order to leverage computational tools in working with systems, one must Computational Models to Find/Test Solutions). Having answered this
explicitly delineate the boundaries of the systems that are under question, students assess the video game as a model, identify differences
investigation. It is important to be able to define a system in a way that is with the real world, and communicate why those design choices help the
useful and productive. This includes creating a system that includes all the usability of the game (CT-MS Practices: Assessing Computational Models,
necessary elements to be able to accomplish the desired goal while limiting Communicating Information about a System).
its size, complexity, and scope. Students who have mastered this practice
will be able to define the boundaries of a system so that they can then use
the resulting system as a domain for investigating a specific question as
well as to identify ways to simplify an existing system without compromising
its ability to be used for a specified purpose.
DNA Sequencing from the Ground Up
This activity is designed for high school biology classrooms and has
students imagine that they are scientists in the 1990s faced with the task of
sequencing the entire human genome. Students start with a simple case of
putting back together a verse of a familiar song that has been broken into
Computational Thinking in Mathematics and Science in pieces and randomly arranged. After reflecting on this puzzle and the
Practice strategies that they developed to reassemble the lyrics (CT-MS Practice:
Assessing Different Approach/Solutions to a Problem), students go on to a
As part of our effort to bring computational thinking into mathematics and more difficult challenge: reconstructing an unknown password with an
science classrooms, we are developing a series of computational thinking unfamiliar combination of letters and numbers. They then apply their
enhanced lesson plans for high school mathematics, biology, chemistry, technique from the password puzzle to derive an efficient, robust, and
and physics classrooms. These activities are informed by our taxonomy, general algorithm for sequencing things (CT-MS Practices: Preparing
introduced in professional development workshops, and taught by teachers Problems for Computational Solutions, Creating Computational
without formal backgrounds in computational thinking or computer science. Abstractions). After determining their technique for assembling the full DNA
The activities have been designed to be easily adopted and incorporated sequence, the students write their procedure in pseudocode, intended to
into existing mathematics and science curricula. Here we present three be the first step toward expressing the algorithm in a manner that a
lessons that demonstrate the computational thinking in mathematics and computer could interpret and execute (CT-MS Practice: Programming).
science (CT-MS) practices outlined in our taxonomy. 4 Classmates then swap algorithms, attempt to implement them, and provide
suggestions for improvement in terms of clarity and efficiency (CT-MS
Practice: Assessing Different Approaches/Solutions to a Problem). At the
end of the lesson, the students are asked to consider why computers were
so essential in accomplishing the task of sequencing the human genome.
Video Games: Physics Phact or Phiction? By having them think about and experience scaling the problem up from a
simple case to a more complex problem, the students develop an
This activity is designed for high school physics classrooms and has
students investigate the laws of physics that govern video games.
Depending on the selected game,
4 Additional information on the lesson plans, including materials and software, can be
found at http://ct-stem.northwestern.edu
123
J Sci Educ Technol (2016) 25:127–147 143
appreciation for the processing speed that computers provide and how taxonomy that articulates a definition of ‘‘computational thinking in
computation has revolutionized the questions we ask and the way we do mathematics and science’’ and contributes a language around which
science. standards, curricula, and assessments can develop. In so doing, we
address the issue of ambiguity and a lack of precision that has plagued
Gas Laws much of the discussion surrounding computational thinking. We see the
work presented in this paper as a first step in the process of bringing
In this high school chemistry lesson, students use an interactive simulation computational thinking into mathematics and science classrooms.
to explore the relationships between macroscopic properties of Achieving this goal requires the support of a diverse set of stakeholders to
gases—pressure, volume, and temperature—based on how these be successful. This includes teachers becoming comfortable teaching the
properties emerge from microscopic interactions (i.e., the motion of the gas material and receiving professional development in computation-based
particles and the interaction with the walls of the container). The tool is part lessons and technology; school administrators allocating resources to
of the PhET suite of simulations (Adams et al. 2008a , b ) that has been support its inclusion; policy makers prioritizing computational thinking as a
found to help students build conceptual understandings of the concepts part of mathematics and science education; curriculum and assessment
being modeled (CT-MS Practice: Using Computational Models to developers producing computational thinking materials targeted for science
Understand a Concept) and is based on the earlier GasLab modeling and mathematics classrooms; and the broader community supporting the
toolkit (Wilensky 1999a ). Students explore the behaviors of gases by effort to bring computational thinking into these educational spaces. The
running experiments, the result of which are stored in a spreadsheet inclusion of computational thinking as a core scientific practice in the Next
(CT-MS Practice: Creating Data). The students then visualize their data, Generation Science Standards and similar language in mathematics’
graphing it in various formats to find the most compelling way to explain the standards are important milestones, but there is still much work to do
relationship between the variables to classmates (CT-MS Practices: toward addressing the challenge of educating a technologically and
Analyzing Data, Visualizing Data). The simulation allows the students to scientifically savvy population and preparing the next generation of world
investigate both the microscopic, agent-level behaviors and macroscopic, class scientists.
aggregate properties of gases (CT-MS Practice: Thinking in Levels). At the
end of the lesson, students are asked whether there are aspects of the
simulation that are unrealistic or different from the real world. Students are
also asked to reflect on the difference between exploring the gas laws with
models versus trying to conduct table experiments (CT-MS Practice:
Assessing Computational Models). To derive the gas laws themselves, the
students must consider the system as a whole, backgrounding the details Acknowledgments This work is supported by the National Science Foundation under
NSF Grant CNS-1138461. However, any opinions, findings, conclusions, and/or
of the underlying interactions and focusing on identifying and measuring
recommendations are those of the investigators and do not necessarily reflect the
inputs to and outputs from the aggregate system (CT-MS Practice: views of the Foundation.
Investigating a Complex System as a Whole).
References
This paper argues for the inclusion of computational thinking in Adams WK, Reid S, LeMaster R, McKagan SB, Perkins KK, Dubson
mathematics and science classrooms. We see three main benefits for the M, Wieman CE (2008a) A study of educational simulations part I: engagement
and Learning. J Interact Learn Res 19(3):367–419 Adams WK, Reid S, LeMaster R,
approach of embedding computational thinking in these contexts: (1) it
McKagan SB, Perkins KK, Dubson
builds on the reciprocal relationship for learning between computational
M, Wieman CE (2008b) A study of educational simulations part II: interface
thinking and mathematics and science domains, (2) it addresses practical design. J Interact Learn Res 19(4):551–557 Anderson MP, Srolovitz DJ, Grest
concerns of reaching all students, and having proficient teachers, and (3) it GS, Sahni PS (1984) Computer
simulation of grain growth—I: kinetics. Acta Metall 32(5):783–791
brings science and mathematics education more in line with current
professional practices in these fields. We have presented a
Assaraf OB-Z, Orion N (2005) Development of system thinking skills
in the context of earth system education. J Res Sci Teach 42(5):518–560
123
144 J Sci Educ Technol (2016) 25:127–147
Astrachan O, Briggs A (2012) The CS principles project. CM Inroads Dijkstra HA (2013) Nonlinear climate dynamics. Cambridge Univer-
3(2):38–42 sity Press, Cambridge
Augustine NR (2005) Rising above the gathering storm: energizing diSessa AA (2000) Changing minds: computers, learning, and
and employing America for a brighter economic future. National Academies literacy. MIT Press, Cambridge
Press, Washington, DC diSessa AA (2004) Metarepresentation: native competence and
Bailey D, Borwein JM (2011) Exploratory experimentation and targets for instruction. Cogn Instr 22(3):293–331
computation. Not Am Math Soc 58(10):1410–1419 Driscoll DP (2013) Technology and engineering literacy framework
Barab S, Thomas M, Dodge T, Carteaux R, Tuzun H (2005) Making for the 2014 National Assessment of Educational Progress. US Department of
learning fun: Quest Atlantis, a game without guns. Educ Technol Res Dev Education, Washington DC
53(1):86–107 Duschl RA, Bismack AS (2013) Standards for science education:
Barr V, Stephenson C (2011) Bringing computational thinking to quantitative reasoning and modeling concepts. In: Duschl RA, Bismack AS
K-12: what is Involved and what is the role of the computer science education (eds) Reconceptualizing STEM education: the central role of practices.
community? ACM Inroads 2(1):48–54 Bar-Yam Y (2003) Dynamics of complex University of Wyoming, Laramie, WY Duschl RA, Schweingruber HA, Shouse
systems. Perseus Publish- AW (2007) Taking science
ing, New York to school: learning and teaching science in grades K-8. National Academies
Beheshti E, Weintrop D, Horn MS, Orton K, Jona K, Wilensky U (In Press, Washington, DC
Preparation) Computational thinking in the wild: how scientists and Edelson DC, Gordin DN, Pea RD (1999) Addressing the challenges of
mathematicians use computational thinking in their work. Blikstein P (2013) Digital inquiry-based learning through technology and curriculum design. J Learn Sci
fabrication and ‘‘making’’ in education: the 8(3/4):391–450
democratization of invention. In: Walter-Herrmann J, Büching C (eds) FabLabs: Eisenberg M (2002) Output devices, computation, and the future of
of machines, makers and inventors, Transcript Publishers, Bielefeld, pp 1–21 mathematical crafts. Int J Comput Math Learn 7(1):1–44 Epstein J, Axtell R
(1996) Growing artifical societies: social science
Blikstein P, Wilensky U (2009) An atom is known by the company it from the bottom up. Brookings Institution Press, Washington Feurzeig W, Papert
keeps: a constructionist learning environment for materials science using S, Lawler B (2011) Programming-languages as a
agent-based modeling. Int J Comput Math Learn 14(2):81–119 conceptual framework for teaching mathematics. Interact Learn Environ
19(5):487–501
Borner K (2015) Atlas of knowledge: anyone can map. MIT Press, Finzer W, Erickson T, Binker J (2001) Fathom [computer software].
Cambridge KCP Technologies, Emeryville
Box GE, Draper NR (1987) Empirical model-building and response Forrester JW (1968) Principles of systems. Pegasus Communications,
surfaces. Wiley, New York Waltham, MA
Brady C, Holbert N, Soylu F, Novak M, Wilensky U (2015) Foster I (2006) 2020 computing: a two-way street to science’s future.
Sandboxes for model-based inquiry. J Sci Educ Technol 24(2):265–286 Nature 440(7083):419
Furber S (2012) Shut down or restart? The way forward for
Brown D (2013) Tracker: video analysis and modeling tool (Version computing in UK schools. Technical report, The Royal Society, London
4.82). http://www.cabrillo.edu/*dbrown/tracker
Brennan K, Resnick M (2012). New frameworks for studying and Gardner DP (1983) A nation at risk: the imperative for educational
assessing the development of computational thinking. Presented at the American reform. U.S. Department of Education, Washington, DC Gilbert JK (2004)
Education Researcher Association, Vancouver, Canada. Models and modelling: routes to more authentic
science education. Int J Sci Math Educ 2(2):115–130
Bryan J (2006) Technology for physics instruction. Contemp Issues Goldstone RL, Wilensky U (2008) Promoting transfer by grounding
Technol Teach Educ 6(2):230 complex systems principles. J Learn Sci 17(4):465–516 Google: Exploring
Buckley BC, Gobert JD, Kindfield ACH, Horwitz P, Tinker RF, Computational Thinking. (n.d.). Retrieved 25 Oct
Gerlits B et al (2004) Model-based teaching and learning with BioLogica TM: what 2010. http://www.google.com/edu/computational-thinking/
do they learn? how do they learn? how do we know? J Sci Educ Technol index.html
13(1):23–41 Grimm Volker, Revilla Eloy, Berger Uta, Jeltsch Florian, Mooij Wolf
Buechley L, Eisenberg M, Catchen J, Crockett A (2008) The LilyPad M, Railsback Steven F, Thulke Hans-Hermann, Weiner Jacob, Wiegand
Arduino: using computational textiles to investigate engagement, aesthetics, Thorsten, DeAngelis Donald L (2005) Pattern-oriented modeling of
and diversity in computer science education. In: Proceedings of the SIGCHI agent-based complex systems: lessons from ecology. Science 310:987–991
conference on Human factors in computing systems. ACM, New York, pp
423–432 Grover S, Pea R (2013) Computational thinking in K-12: a review of
Chinn CA, Malhotra BA (2002) Epistemologically authentic inquiry the state of the field. Educ Res 42(1):38–43
in schools: a theoretical framework for evaluating inquiry tasks. Sci Educ Guzdial M (1994) Software-realized scaffolding to facilitate pro-
86(2):175–218 gramming for science learning. Interact Learn Environ 4(1):001–044
Clements DH, Gullo DF (1984) Effects of computer programming on
young children’s cognition. J Educ Psychol 76(6):1051 Computer Science Guzdial M (2008) Paving the way for computational thinking.
Teachers Association (2011) K-12 computer Commun ACM 51(8):25–27
science standards. http://csta.acm.org/Curriculum/sub/K12Stan dards.html Guzdial M, Soloway E (2003) Computer science is more important
than calculus: the challenge of living up to our potential. SIGCSE Bull
Confrey J (1993) The role of technology in reconceptualizing 35(2):5–8
functions and algebra. Paper presented at the 17th Annual Meeting of the Hambrusch S, Hoffmann C, Korb JT, Haugan M, Hosking AL (2009)
North American Chapter of the International Group for the Psychology of A multidisciplinary approach towards computational thinking for science
Mathematics Education, Asilomar Cooper S, Dann W, Pausch R (2000) Alice: a majors. In: ACM SIGCSE bulletin, vol 41, pp 183–187 Hancock C, Kaput JJ,
3-D tool for Goldsmith LT (1992) Authentic inquiry with
introductory programming concepts. J Comput Sci Coll 15(5):107–116 data: critical barriers to classroom implementation. Educ Psychol 27(3):337
123
J Sci Educ Technol (2016) 25:127–147 145
Harrison AG, Treagust DF (2000) A typology of school science Levy ST, Wilensky U (2009) Crossing levels and representations: the
models. Int J Sci Educ 22(9):1011–1026 connected chemistry (CC1) curriculum. J Sci Educ Technol 18(3):224–242
Henderson PB, Cortina TJ, Wing JM (2007) Computational thinking.
In: ACM SIGCSE bulletin, vol 39. ACM, pp 195–196 Lin CC, Zhang M, Beck B, Olsen G (2009) Embedding computer
Hmelo CE, Holton DL, Kolodner JL (2000) Designing to learn about science concepts in K-12 science curricula. In: Proceedings of the 40th ACM
complex systems. J Learn Sci 9(3):247–298. doi: 10.1207/ technical symposium on computer science education. ACM, New York, pp
S15327809JLS0903_2 539–543
Horn MS, Brady C, Hjorth A, Wagh A, Wilensky U (2014) Frog Linn MC, Clark D, Slotta JD (2003) WISE design for knowledge
pond: a code-first learning environment on evolution and natural selection. ACM integration. Sci Educ 87(4):517–538
Press, New York, pp 357–360 Louca LT, Zacharia ZC (2012) Modeling-based learning in science
Horwitz P, Schwartz J, Kindfield ACH, Yessis LM, Hickey DT, education: cognitive, metacognitive, social, material and epistemological
Heidenberg A, Wolfe EW (1998) Implementation and evaluation of the contributions. Educ Rev 64(4):471–492
GenScope TM learning environment: issues, solutions, and results. In: Guzdial Manabe S, Stouffer RJ (1988) Two stable equilibria of a coupled
M, Kolodner J, Bruckman A (eds) Proceedings of the 3rd annual international ocean–atmosphere model. J Clim 1:841–866
conference of the learning sciences. Association for the Advancement of Margolis J (2008) Stuck in the shallow end: education, race, and
Computers in Education, Charlottesville computing. The MIT Press, Cambridge
Margolis J, Fisher A (2003) Unlocking the clubhouse: women in
Jackson SL, Stratford SJ, Krajcik J, Soloway E (1994) Making computing. The MIT Press, Cambridge
dynamic modeling accessible to precollege science students. Interact Learn National Governors Association Center for Best Practices, Council of
Environ 4(3):233–257 Chief State School Officers (2010) Common core state standards for
Jacobson MJ, Wilensky U (2006) Complex systems in education: mathematics. National Governors Association Center for Best Practices,
scientific and educational importance and implications for the learning Council of Chief State School Officers, Washington, DC
sciences. J Learn Sci 15(1):11–34
Jona K, Vondracek M (2013) A remote radioactivity experiment. National Research Council (2007) Taking science to school: learning
Phys Teach 51(1):25 and teaching science in grades K-8. National Academies Press, Washington,
Jona K, Wilensky U, Trouille L, Horn MS, Orton K, Weintrop D, DC
Beheshti E (2014) Embedding computational thinking in science, technology, National Research Council (2010) Report of a workshop on the scope
engineering, and math (CT-STEM). Presented at the Future Directions in and nature of computational thinking. The National Academies Press,
Computer Science Education Summit Meeting, Orlando Washington, DC
National Research Council (2011a) Learning science through com-
Kaput JJ (1998) Representations, inscriptions, descriptions and puter games and simulations. The National Academies Press, Washington,
learning: a kaleidoscope of windows. J Math Behav 17(2): 265–281 DC
National Research Council (2011b) Report of a workshop of
Kay A, Goldberg A (1977) Personal dynamic media. Computer pedagogical aspects of computational thinking. The National Academies
10(3):31–41 Press, Washington, DC
Keeling MJ, Grenfell BT (1997) Disease extinction and community National Research Council (2012a) A framework for K-12 science
size: modeling the persistence of measles. Sci 275(5296):65–67 Klopfer E education: practices, crosscutting concepts, and core ideas. National
(2003) Technologies to support the creation of complex Academies Press, Washington, DC
systems models: using StarLogo software with students. Biosystems National Research Council (2012b) Discipline-based education
71(1–2):111–122 research: understanding and improving learning in undergraduate science and
Kohn W (2003) Nobel lectures, chemistry 1996–2000. World engineering. National Academies Press, Washington, DC
Scientific Publishing Co, Singapore, p 213
Konold C, Miller CD (2005) TinkerPlots: dynamic data exploration. National Research Council (2012c) Education for life and work:
Computer software. Key Curriculum Press, Emeryville, CA Lander ES, Schork developing transferable knowledge and skills in the 21st century. National
NJ (1994) Genetic dissection of complex traits. Academies Press, Washington, DC
Sci 265(5181):2037–2048 Newell A, Simon HA (1972) Human problem solving, vol 104.
Laszlo E (1996) The systems view of the world: a holistic vision for Prentice-Hall, Englewood Cliffs, NJ
our time, 2nd edn. Hampton Press, Cresskill, NJ NGSS Lead States (2013) Next generation science standards: for
Lehrer R, Giles N, Schauble L (2002) Data modeling. In: Lehrer R, states, by states. The National Academies Press, Washington, DC
Schauble L (eds) Investigating real data in the classroom: expanding
children’s understanding of mathematics and science. Teachers College Olsen LF, Schaffer WM (1990) Chaos versus noisy periodicity:
Press, New York, pp 1–26 alternative hypotheses for childhood epidemics. Sci
Lehrer R, Romberg T (1996) Exploring children’s data modeling. 249(4968):499–504
Cognition Instruct 14(1):69–108 Palumbo DB (1990) Programming language/problem solving
Lubchenco J, Olson AM, Brubaker LB, Carpenter SR, Holland MM, research: a review of relevant issues. Rev Educ Res 60(1):65–89 Papert S
Hubbell SP et al (1991) The sustainable biosphere initiative: an ecological (1972) Teaching children to be mathematicians versus
research agenda: a report from the Ecological Society of America. Ecology teaching about mathematics. Int J Math Educ Sci Technol 3(3):249–262
72(2):371–412
Lehrer R, Schauble L (2006) Cultivating model-based reasoning in Papert S (1980) Mindstorms: children, computers, and powerful ideas.
science education. In: Sawyer RK (ed) The Cambridge handbook of the learning Basic books, New York
sciences. Cambridge University Press, New York, pp 371–388 Papert S (1996) An exploration in the space of mathematics
educations. Int J Comput Math Learn 1(1):138–142
Levy ST, Wilensky U (2008) Inventing a ‘‘Mid Level’’ to make ends Parnafes O (2007) What does ‘‘fast’’ mean? understanding the
meet: reasoning between the levels of complexity. Cogn Instr 26(1):1–47 physical world through computational representations. J Learn Sci
16(3):415–450
123
146 J Sci Educ Technol (2016) 25:127–147
Penner DE (2000) Cognition, computers, and synthetic science: Sterman J (2000) Business dynamics: systems thinking for a complex
building knowledge and meaning through modeling. Rev Res Educ 25:1 world. Irwin/McGraw-Hill, New York
Stieff M, Wilensky U (2003) Connected chemistry: incorporating
Perkins K, Adams W, Dubson M, Finkelstein N, Reid S, Wieman C, interactive simulations into the chemistry classroom. J Sci Educ Technol
LeMaster R (2006) PhET: interactive simulations for teaching and learning 12(3):285–302
physics. Phys Teach 44(1):18 Taub R, Armoni M, Bagno E, Ben-Ari M (2015) The effect of
Perlis A (1962) The computer in the university. In: Greenberger M computer science on physics learning in a computational science environment.
(ed) Computers and the world of the future. MIT Press, Cambridge, pp Comput Educ 87:10–23
180–219 Tinker RF, Xie Q (2008) Applying computational science to
Pople J (2003) Nobel lectures, chemistry 1996–2000. World Scientific education: the molecular workbench paradigm. Comput Sci Eng 10(5):24–27
Publishing Co, Singapore, p 246
Redish EF, Wilson JM (1993) Student programming in the introduc- Turelli M, Barton NH (1994) Genetic and statistical analyses of
tory physics course: mUPPET. Am J Phys 61:222–232 Repenning A, Webb D, strong selection on polygenic traits: what, me normal? Genetics 138(3):913–941
Ioannidou A (2010) Scalable game design and
the development of a checklist for getting computational thinking into public Vogelsberger M, Genel S, Springel V, Torrey P, Sijacki D, Xu D et al
schools. In Proceedings of the 41st ACM technical symposium on computer (2014) Introducing the illustris project: simulating the coevolution of dark and
science education. pp 265–269 Resnick M, Silverman B, Kafai Y, Maloney J, visible matter in the Universe. Mon Not R Astron Soc 444(2):1518–1547
Monroy-Hernández A,
Rusk N et al (2009) Scratch: programming for all. Commun ACM 52(11):60 von Neumann J (1955) Method in the physical sciences. In: Bródy F,
Vámos T (eds) The Neumann compendium: world series in 20th century
Richmond B, Peterson S, Vescuso P, Maville N (1987) An Academic mathematics, vol 1. World Scientific Publishing Co, Singapore, p 628
user’s guide to Stella Software. High Performance Systems, Inc, Lyme, NH
Wagh A, Wilensky U (2014) Seeing patterns of change: supporting
Roschelle J, Kaput J, Stroup W (2000) SimCalc: accelerating student student noticing in building models of natural selection. In: Proceedings of
engagement with the mathematics of change. In: Learning the sciences of the 2014 constructionism. Vienna, 19–23 Aug Weintrop D, Wilensky U (2013)
21st century: research, design, and implementing advanced technology learning RoboBuilder: a computational thinking
environments. pp 47–75 game. In Proceeding of the 44th ACM technical symposium on computer science
Rubin A, Nemirovsky R (1991) Cars, computers, and air pumps: education. ACM, Denver, pp 736–736
thoughts on the roles of physical and computer models in learning the central White BY (1993) ThinkerTools: causal models, conceptual change,
concepts of calculus. In Underhill RG (ed) Proceedings of the Thirteenth and science education. Cogn Instr 10(1):1
International Conference for the Psychology of Mathematics Education—North White BY, Frederiksen JR (1998) Inquiry, modeling, and metacog-
American Chapter Conference, Virginia, pp 168–174 nition: making science accessible to all students. Cogn Instr 16(1):3–118
Ryoo JJ, Margolis J, Lee CH, Sandoval CD, Goode J (2013) Wilensky U (1995) Paradox, programming, and learning probability:
Democratizing computer science knowledge: transforming the face of computer a case study in a connected mathematics framework. J Math Behav
science through public high school education. Learn Media Technol 14(2):253–280
38(2):161–181 Wilensky U (1997) What is normal anyway? therapy for epistemo-
Schwarz CV, Meyer K, Sharma A (2007) Technology, pedagogy, and logical anxiety. Educ Stud Math 33(2):171–202
epistemology: opportunities and challenges of using computer modeling and Wilensky U (1999a) GasLab: an extensible modeling toolkit for
simulation tools in elementary science methods. J Sci Teach Educ exploring statistical mechanics. In: Roberts N, Feurzeig W, Hunter B (eds)
18(2):243–269 Computer modeling and simulation in science education. Springer, Berlin, pp
Sengupta P, Kinnebrew JS, Basu S, Biswas G, Clark D (2013) 151–178
Integrating computational thinking with K-12 science education using Wilensky U (1999b) NetLogo. Center for Connected Learning and
agent-based computation: a theoretical framework. Educ Inf Technol Computer-Based Modeling, Northwestern University, Evanston.
18(2):351–380 http://ccl.northwestern.edu/netlogo
Settle A, Franke B, Hansen R, Spaltro F, Jurisson C, Rennert-May C, Wilensky U (2001) Modeling nature’s emergent patterns with multi-
Wildeman B (2012) Infusing computational thinking into the middle- and agent languages. In: Proceedings of EuroLogo. Linz, pp 1–6 Wilensky U
high-school curriculum. In: Proceedings of the 17th ACM conference on (2003) Statistical mechanics for secondary school: the
Innovation and technology in computer science education. ACM, New York, pp GasLab multi-agent modeling toolkit. Int J Comput Math Learn 8(1):1–41
22–27
Settle A, Goldberg DS, Barr V (2013) Beyond computer science: Wilensky U, Novak M (2010) Teaching and learning evolution as an
computational thinking across disciplines. In: Proceedings of the 18th ACM emergent process: the BEAGLE project. In: Taylor R, Ferrari M (eds)
conference on innovation and technology in computer science education. ACM, Epistemology and science education: understanding the evolution versus
New York, pp 311–312 intelligent design controversy. Routledge, New York
Shaughnessy JM (2007) Research on statistics learning. In: Lester FK
(ed) Second handbook of research on mathematics teaching and learning. Wilensky U, Papert S (2010) Restructurations: reformulations of
InformationAge Publishing, Charlotte, NC, pp 957–1009. Sherin BL (2001) A knowledge disciplines through new representational forms. In: Clayson J, Kalas I
comparison of programming languages and (eds) Proceedings of the constructionism 2010 conference. Paris. 10–14 Aug, p
algebraic notation as expressive languages for physics. Int J Comput Math 97
Learn 6(1):1–61 Wilensky U, Rand W (2015) An introduction to agent-based
Sherin BL, diSessa AA, Hammer D (1993) Dynaturtle revisited: modeling: modeling natural, social and engineered complex systems with
learning physics through collaborative design of a computer model. Interact NetLogo. MIT Press, Cambridge
Learn Environ 3(2):91–118 Wilensky U, Reisman K (2006) Thinking like a wolf, a sheep, or a
Srolovitz DJ, Anderson MP, Sahni PS, Grest GS (1984) Computer firefly: learning biology through constructing and testing computational
simulation of grain growth—II: grain size distribution, topology, and local theories—an embodied modeling approach. Cogn Instr 24(2):171–209
dynamics. Acta Metall 32(5):793–802
123
J Sci Educ Technol (2016) 25:127–147 147
Wilensky U, Resnick M (1999) Thinking in levels: a dynamic systems generating drawings, animations, and computational simulations of molecular
approach to making sense of the world. J Sci Educ Technol 8(1):3–19 diffusion. J Sci Educ Technol 24(2–3):396–415 Wing JM (2006) Computational
thinking. Commun ACM 49(3):
Wilensky U, Brady C, Horn M (2014) Fostering computational 33–35
literacy in science classrooms. Commun ACM 57(8):17–21 Wilkerson-Jerde Wolfram S (2002) A new kind of science, 1st edn. Wolfram Media,
MH (2014) Construction, categorization, and con- Tokyo
sensus: student generated computational artifacts as a context for disciplinary Yadav A, Zhou N, Mayfield C, Hambrusch S, Korb JT (2011)
reflection. Educ Technol Res Dev 62(1):99–121 Wilkerson-Jerde MH, Wilensky U Introducing computational thinking in education courses. In: Proceedings of
(2015) Patterns, probabilities, and the 42nd ACM technical symposium on Computer science education, ACM, pp
people: making sense of quantitative change in complex systems. J Learn Sci 465–470
24(2):204–251 Zuckerman O, Resnick M (2003) System blocks: a physical interface
Wilkerson-Jerde MH, Gravel BE, Macrander CA (2015) Exploring for system dynamics learning. In: Proceedings of the 21st international system
shifts in middle school learners’ modeling activity while dynamics conference. Citeseer, pp 810–811.
123