J Sci Educ Technol (2016) 25: 127–147 DOI

10.1007 / s10956-015-9581-5

Definición del pensamiento computacional para las aulas de matemáticas y ciencias

David Weintrop 1,2 • Elham Beheshti 3 • Michael Horn 1,2,3 • Kai Orton 1,2 •

Kemi Jona 2,3 • Laura Trouille 5,6 • Uri Wilensky 1,2,3,4

Publicado en línea: 8 de octubre de 2015

Springer Science + Business Media Nueva York 2015

Resumen La ciencia y las matemáticas se están
esfuerzos putacionales. Este hecho se refleja en los Estándares de
Ciencias de la Próxima Generación recientemente publicados y en la
decisión de incluir el "pensamiento computacional" como una práctica
científica fundamental. Con esta adición, y la presencia cada vez mayor de
la computación en contextos matemáticos y científicos, ha surgido una
nueva urgencia al desafío de definir el pensamiento computacional y
proporcionar una base teórica sobre la forma que debería tomar en las
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
que consta de cuatro categorías principales: prácticas de datos, prácticas
de modelado y simulación, prácticas de resolución de problemas
computacionales y prácticas de pensamiento sistémico. Al formular esta
taxonomía,
pensando en los materiales de instrucción. Este trabajo se realizó como parte de
un esfuerzo más amplio para infundir el pensamiento computacional en los
materiales curriculares de ciencias y matemáticas de la escuela secundaria. En
este artículo, defendemos el enfoque de incorporar el pensamiento computacional
en contextos matemáticos y científicos, presentamos la taxonomía y discutimos
cómo imaginamos que la taxonomía se usará para alinear los esfuerzos
educativos actuales con la naturaleza cada vez más computacional de la ciencia y
las matemáticas modernas.
Palabras clave Pensamiento computacional Educación secundaria en
matemáticas y ciencias Educación STEM Prácticas científicas Pensamiento
de sistemas Modelado y simulación Resolución de problemas
computacionales

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
comprensión de conceptos '' (Asociación Nacional de Gobernadores 2010 ,
pags. 7). Sin embargo, la inclusión de estas prácticas, en sí misma, ofrece
poca orientación para los maestros que deberán realizarlas en sus aulas.
Gran parte de la dificultad se debe al hecho de que las prácticas
recopiladas bajo el término general "pensamiento computacional" (National
Research Council [NRC] 2010 ; Ala 2006 ; Papert
1996 ) aún no se han definido claramente. Esto es especialmente cierto para su uso
en contextos científicos o matemáticos en contraposición a entornos informáticos
más generales. También hay un debate y una discusión activos en torno a
cuestiones clave como: ¿Cómo se relaciona el pensamiento computacional con el
pensamiento matemático, el pensamiento algorítmico o la resolución de problemas?
¿Cómo se relaciona con el campo de la informática? ¿Hasta qué punto está
involucrada la programación informática? ¿El pensamiento computacional siempre
requiere una computadora?
Nuestro objetivo en este artículo es desarrollar una comprensión más
matizada del pensamiento computacional específicamente en su
aplicación a las disciplinas matemáticas y científicas y las necesidades de
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,
nuestro enfoque para definir el pensamiento computacional toma la forma
de una taxonomía de prácticas centradas en la aplicación del pensamiento
computacional a las matemáticas y la ciencia. Este enfoque emplea las
matemáticas y la ciencia como contextos significativos en los que situar los
conceptos y las prácticas del pensamiento computacional y se basa en las
formas en que los matemáticos y los científicos utilizan el pensamiento
computacional para avanzar en sus disciplinas.
La taxonomía consta de cuatro categorías principales: prácticas de
datos, prácticas de modelado y simulación, prácticas de resolución de
problemas computacionales y prácticas de pensamiento sistémico.
Describimos cada una de estas prácticas y sus componentes constitutivos,
y describimos cómo se ve para demostrar el dominio de cada práctica. La
contribución de este trabajo es proporcionar una definición procesable y
lista para el aula del pensamiento computacional que se basa en la
erudición existente sobre el pensamiento computacional e incorpora
conceptos específicamente enfocados en contextos de matemáticas y
ciencias. Al hacerlo, proporcionamos un marco y un lenguaje compartido
que se puede utilizar para que la enseñanza de las matemáticas y las
ciencias esté más en consonancia con su naturaleza cada vez más
computacional. Además, al fundamentar nuestra concepción del
pensamiento computacional en matemáticas y ciencias,
123
J Sci Educ Technol (2016) 25: 127–147
Por qué llevar el pensamiento computacional
a las aulas de matemáticas y ciencias?
Una motivación principal para introducir prácticas de pensamiento computacional
en las aulas de ciencias y matemáticas es la naturaleza rápidamente cambiante
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,
casi todos los campos relacionados con las ciencias y las matemáticas han
experimentado el crecimiento de una contraparte computacional. Los ejemplos
incluyen bioinformática, estadística computacional, quimiometría y
neuroinformática. Este aumento en la importancia de la computación con
respecto a las matemáticas, la ciencia y los campos más amplios de Ciencia,
Tecnología, Ingeniería y Matemáticas (STEM) ha sido reconocido tanto por
aquellos dentro de las comunidades educativas STEM como por las
organizaciones de educación informática (ACM / IEEE-CS Grupo de Trabajo
Conjunto sobre Currículos de Computación 2013). Llevar herramientas y
prácticas computacionales a las aulas de matemáticas y ciencias les brinda a los
estudiantes una visión más realista de lo que son estos campos, prepara mejor a
los estudiantes para seguir carreras en estas disciplinas (Augustine 2005 ; Gardner
1983 ) y ayuda a preparar a los estudiantes para que sean ciudadanos STEM más
inteligentes en el futuro. Como Foster ( 2006 ), director del Laboratorio de Computación
de la Universidad de Chicago, afirma que "todos los científicos serán expertos en
aplicar las técnicas computacionales existentes" (p. 419). Además, el uso variado y
aplicado del pensamiento computacional por parte de expertos en el campo
proporciona una hoja de ruta para lo que la instrucción del pensamiento computacional
debe incluir en el aula.
Desde una perspectiva pedagógica, el uso reflexivo de herramientas y conjuntos de
habilidades computacionales puede profundizar el aprendizaje del contenido de
matemáticas y ciencias (Guzdial 1994 ; Eisenberg
2002 ; Consejo nacional de investigación 2011a , si ; Rojizo y Wilson 1993 ;
Repenning et al. 2010 ; Sengupta y col. 2013 ; Sherin 2001 ; Wilensky 1995 ;
Wilensky y col. 2014 ; Wilensky y Reisman 2006 ). Lo contrario también es cierto,
es decir, que la ciencia y las matemáticas proporcionan un contexto significativo
(y un conjunto de problemas) dentro del cual se puede aplicar el pensamiento
computacional (Hambrusch et al. 2009 ; Jona y col.
2014 ; Lin y col. 2009 ; Wilensky y col. 2014 ). Esto difiere notablemente de la
enseñanza del pensamiento computacional como parte de un curso
independiente en el que las tareas que se asignan a los estudiantes tienden a
estar divorciadas de los problemas y aplicaciones del mundo real. Este sentido
de autenticidad y aplicabilidad en el mundo real es importante en el esfuerzo por
motivar una participación diversa y significativa en actividades científicas y
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
J Sci Educ Technol (2016) 25: 127–147
aprendizaje computacional: es el núcleo de nuestra motivación para unir el
pensamiento computacional y los conceptos científicos y matemáticos.
Una motivación final para llevar el pensamiento computacional a las aulas de
matemáticas y ciencias es llegar a la audiencia más amplia posible y abordar los
problemas de larga data de la subrepresentación de mujeres y minorías en los
campos computacionales (National Science Foundation 2013). Actualmente, solo
una fracción de los estudiantes de secundaria tiene la oportunidad de tomar un
curso de informática debido a la falta de maestros cali fi cados, instalaciones
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
salir) de las clases de informática, lo que ha sido un desafío que ha plagado
durante mucho tiempo el esfuerzo por llegar a los jóvenes desatendidos (Margolis y
Fisher 2003 ; Margolis 2008 ). También evita los problemas prácticos de adaptar
nuevas clases a horarios escolares abarrotados y encontrar maestros que los
enseñen.
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
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
estudiantes a comprender la naturaleza transversal y la amplia aplicabilidad del
pensamiento computacional. Como tal, la taxonomía que presentamos en este
documento está destinada a un conjunto diverso de interesados en la educación,
incluidos profesores, administradores, diseñadores de planes de estudio,
desarrolladores de evaluaciones e investigadores en educación. Para los maestros,
nuestra taxonomía está destinada a proporcionar un conjunto de prácticas concretas
y claramente delineadas para guiar la implementación del aula y el desarrollo del
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
cambiar radicalmente las prácticas existentes de profesores experimentados; en
cambio, queremos que esta taxonomía sirva como un recurso para aumentar la
pedagogía y el currículo existentes con prácticas de pensamiento computacional
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
la educación en matemáticas y ciencias, particularmente cuando se trata de
preparar a los estudiantes para las demandas del siglo XXI. Comprender las
dimensiones cada vez más computacionales de estos campos también podría
ayudar a los administradores a asignar recursos de desarrollo profesional de
acuerdo con las necesidades de los maestros.
129
Para los desarrolladores de currículos y otros diseñadores de experiencias de
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
nuevos materiales educativos. Con la creciente importancia de la responsabilidad
en nuestras escuelas, la necesidad de evaluaciones precisas y validadas es
esencial. Al proporcionar una definición clara de lo que incluye el pensamiento
computacional en contextos científicos y matemáticos, esta taxonomía se puede
utilizar como un recurso para los desarrolladores de evaluaciones que tienen la
tarea de crear los elementos que medirán estas prácticas.
Finalmente, para los investigadores en educación, consideramos este trabajo
como una contribución tanto teórica como práctica a nuestra comprensión de la
naturaleza de la educación científica y matemática en nuestra era cada vez más
tecnológica. Si bien las prácticas de las ciencias y las matemáticas han cambiado
mucho en los últimos 50 años debido al avance de la tecnología, las aulas no han
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.
Antecedentes
En esta sección, revisamos brevemente tres literatura que han informado la
taxonomía que presentamos en este artículo. Primero, revisamos la literatura sobre
el pensamiento computacional, ubicándolo históricamente e ilustrando los recientes
esfuerzos relevantes para operacionalizar el concepto. Luego discutimos la
investigación que se centra en llevar el pensamiento computacional al aula, un
objetivo que es central para nuestra agenda de investigación. Finalmente,
revisamos el creciente papel de la computación en los campos de las matemáticas
y las ciencias.
Pensamiento computacional
A la lectura, la escritura y la aritmética, debemos agregar el pensamiento
computacional a la capacidad analítica de cada niño.
(Ala 2006 , pags. 33)
El tema que impulsa el interés reciente en el pensamiento computacional
es que el conocimiento y las habilidades del campo de la informática tienen
aplicaciones de gran alcance de las que todos pueden beneficiarse: '' [el
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
Premio Turing, dijo que todos los estudiantes deben aprender a programar como
parte de una educación liberal (como se cita en Guzdial
2008 ). Papert ( 1972 , 1980 ) extendió esta visión a una alfabetización completa a
partir de la niñez. Papert ( 1996 ) fue el primero en utilizar el término pensamiento
computacional para referirse a las posibilidades de las representaciones
computacionales para expresar ideas poderosas. Se han hecho regularmente
llamadas similares en las décadas posteriores (diSessa 2000 ; Kay y Goldberg 1977
; Guzdial y Soloway 2003 ; Papert 1972 , 1980 ; Wilensky
2001 ).
El primer trabajo para poner en práctica esta idea fue el desarrollo del
lenguaje de programación Logo (Feurzeig et al. 2011 ; Papert 1980 ). Si bien Logo
fue diseñado de manera más inmediata para enseñar conceptos matemáticos,
sus creadores reconocieron rápidamente los beneficios de gran alcance de las
habilidades aprendidas a través de la programación, argumentando que `` la
presencia de una computadora podría contribuir a los procesos mentales no solo
de manera instrumental sino de formas conceptuales más esenciales, influyendo
la gente piensa incluso cuando está lejos del contacto físico con una
computadora '' (Papert
1980 , pags. 4). Otra perspectiva importante sobre el pensamiento computacional
proviene del trabajo de diSessa ( 2000 ) y su libro Mentes cambiantes. En particular,
diSessa sostiene que las computadoras pueden ser la base de una nueva y
poderosa forma de alfabetización que tiene el potencial de ser omnipresente en
todas las materias, contextos y dominios.
Se han propuesto varias definiciones recientes para el pensamiento
computacional sin que surja un consenso (Grover y Pea 2013 ). Wing
propone una definición que enfatiza la contribución única del campo de la
informática a una amplia gama de esfuerzos humanos: '' el pensamiento
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
2006 , pags. 33). La Royal Society se hace eco de este énfasis en las ciencias de la
computación, definiendo el pensamiento computacional como '' el proceso de
reconocer aspectos de la computación en el mundo que nos rodea y aplicar
herramientas y técnicas de la ciencia de la computación para comprender y
razonar sobre sistemas y procesos tanto naturales como artificiales. '' (Furber 2012 ,
pags. 29). Destacando la diversidad y la naturaleza inclusiva del debate sobre el
pensamiento computacional, en 2010, el Consejo Nacional de Investigación
convocó una reunión sobre el alcance y la naturaleza del pensamiento
computacional, produciendo un informe que enumeró más de 20 habilidades y
prácticas de alto nivel que el pensamiento computacional podría incluir , como la
abstracción y descomposición de problemas, el razonamiento heurístico, las
estrategias de búsqueda y el conocimiento de conceptos informáticos como
procesamiento paralelo, aprendizaje automático y recursividad (NRC 2010 ). En
este trabajo, aportamos un enfoque diferente para definir el pensamiento
computacional al basarnos en la aplicación de las prácticas identificadas
anteriormente en contextos distintos de la informática. Al hacerlo, nos alejamos de
123
J Sci Educ Technol (2016) 25: 127–147
basarse en ideas y prácticas descontextualizadas y en su lugar recurrir a
ejemplificaciones del pensamiento computacional del mundo real en la naturaleza para
proporcionar claridad y especificidad sobre lo que significa el término. Hacerlo refuerza
el argumento de que estas prácticas son ampliamente aplicables al tiempo que
proporcionan una definición concreta y procesable del pensamiento computacional.
Gran parte de la literatura sobre el pensamiento computacional se centra en los
resultados educativos, incluida una segunda reunión convocada por el Consejo
Nacional de Investigación que se centra en los aspectos pedagógicos del
pensamiento computacional. Este esfuerzo buscó responder preguntas como cómo el
pensamiento computacional se relaciona con las materias existentes, cómo se vería
una progresión del pensamiento computacional, cómo capacitar a los maestros en
prácticas de pensamiento computacional y cuál es la mejor manera de evaluar el
pensamiento computacional (NRC 2011b ). La Asociación de Profesores de Ciencias
de la Computación (CSTA) afirma que `` el estudio del pensamiento computacional
permite a todos los estudiantes conceptualizar, analizar y resolver mejor problemas
complejos mediante la selección y aplicación de estrategias y herramientas
apropiadas, tanto virtualmente como en el mundo real '' (CSTA
2011 , pags. 9). Aunque se ha realizado un esfuerzo considerable para avanzar
en nuestra comprensión del pensamiento computacional, todavía hay desafíos
que abordar, particularmente en términos de llevar el pensamiento computacional
a las escuelas. Estos desafíos incluyen definir una progresión de aprendizaje y un
plan de estudios, evaluar el rendimiento de los estudiantes, preparar a los
maestros y garantizar un acceso equitativo (Grover y Pea
2013 ). Para progresar en estas áreas, será necesario dividir el
pensamiento computacional en un conjunto de habilidades, conceptos y / o
prácticas bien de fi nidos y medibles.
Pensamiento computacional en la educación K-12
Una amplia investigación durante las últimas tres décadas se ha centrado en
cuestiones relacionadas con la enseñanza y el aprendizaje de habilidades,
conceptos y prácticas relevantes para el pensamiento computacional (Grover y
Pea 2013 ). Ha habido algunos esfuerzos notables hacia la creación de marcos y
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
ciencias de la computación, proporciona un enfoque al proponer una definición
para el pensamiento computacional en toda la educación K-12. Como parte de
este esfuerzo, presentan una lista de conceptos de pensamiento computacional y
los mapean en una variedad de materias escolares convencionales, mostrando,
por ejemplo, cómo podría verse la abstracción en un aula de estudios sociales o
cómo usar la automatización en una lección de matemáticas. . Un segundo
esfuerzo para proporcionar una estructura útil para la operacionalización del
pensamiento computacional en la educación K-12 proviene de Brennan y Resnick ( 2012
) quienes proponen un marco de pensamiento computacional que consta de tres
dimensiones: conceptos computacionales, computacional
J Sci Educ Technol (2016) 25: 127–147
prácticas y perspectivas computacionales. Para cada dimensión, articulan
cómo se ve participar en el pensamiento computacional a ese nivel y
brindan pautas sobre cómo evaluar el pensamiento computacional en las
diversas formas en que se puede usar. En paralelo al esfuerzo de crear
marcos para comprender y evaluar el pensamiento computacional, está la
creación continua de nuevos entornos de aprendizaje, herramientas y
actividades diseñadas para promover las competencias computacionales
en contextos de aprendizaje K-12. Tales esfuerzos incluyen entornos de
programación gráfica como Scratch (Resnick et al. 2009 ) y Alice (Cooper et
al. 2000 ); entornos de modelado computacional como STELLA (Richmond
et al. 1987 ) y NetLogo (Wilensky
1999b ); kits de creación de prototipos electrónicos como Arduino y textiles
digitales (Buechley et al. 2008 ); videojuegos, incluido Quest Atlantis (Barab
et al. 2005 ) y RoboBuilder (Weintrop y Wilensky 2013 ); y entornos de
investigación científica con andamios como WISE (Linn et al.
2003 ), Genscope (Horwitz et al. 1998 ), GasLab (Wilensky
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
del lenguaje, matemáticas, arte y ciencia (Blikstein y Wilensky
2009 ; Eisenberg 2002 ; Hambrusch y col. 2009 ; Rubin y Nemirovsky 1991 ;
Sengupta y col. 2013 ; Settle y col. 2012 ,
2013 ). Un enfoque complementario para llevar el pensamiento computacional a
la educación K-12 es integrarlo en los cursos de los profesores en formación,
independientemente de su especialización de contenido (Yadav et al. 2011 ). El
crecimiento de este tipo de trabajo, la variedad de formas que adopta y la
diversidad de contextos en los que se ha utilizado, habla de la necesidad del
marco de pensamiento computacional interdisciplinario que presentamos aquí.
Muchos investigadores han argumentado que la capacidad de utilizar
efectivamente simulaciones por computadora y visualizaciones interactivas
es un aspecto importante del pensamiento computacional, particularmente
en lo que se refiere a los campos STEM (NRC 2011b ). Por ejemplo, NetLogo
(Wilensky 1999b ) se ha utilizado con éxito en las escuelas para introducir a
los estudiantes a sistemas complejos y fenómenos emergentes en muchos
campos diferentes, como probabilidad y estadística (Abrahamson et al. 2006 ;
Abrahamson y Wilensky 2005 ), reacciones químicas (Stieff y Wilensky 2003 ;
Levy y Wilensky 2009 ), teoría cinética molecular (Brady et al.
2015 ; Wilensky 1999a ), biología de poblaciones (Wilensky y Reisman 2006 ) y
evolución (Wilensky y Novak 2010 ; Wagh y Wilensky 2014 ). Otro ejemplo es
Molecular Workbench del Concord Consortium, que es una plataforma de
modelado interactivo que permite a los estudiantes estudiar el movimiento de
partículas y proporciona una plataforma de simulación para
131
Enseñanza y aprendizaje de la ciencia a través del razonamiento a escala
atómica (Tinker y Xie 2008 ). El proyecto Physics Education Technology
(PhET) es otro ejemplo de tales entornos de aprendizaje, que proporciona
una gran colección de modelos y simulaciones basados en la web para
enseñar contenido STEM (Perkins et al. 2006 ; Bryan 2006 ).
Otro enfoque notable para llevar el pensamiento computacional a las aulas
K-12 es el uso de recursos computacionales en línea para permitir
experiencias de aprendizaje que de otra manera no serían posibles. Por
ejemplo, iLab Network proporciona instalaciones experimentales a través de
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
variedad de fenómenos científicos y control de sofisticados equipos
experimentales. Las actividades incluyen el estudio de la radiactividad
tomando medidas de material radiactivo con un contador Geiger y el estudio
de la difracción de neutrones utilizando un monocromador de cristal.
Proyectos como estos combinan la ciencia, la tecnología y las prácticas de
pensamiento computacional de una manera accesible y atractiva.
El creciente papel de la computación en matemáticas y ciencias
El panorama de la ciencia está cambiando. Los avances recientes en la
computación de alta velocidad y los métodos analíticos han creado poderosas
herramientas para comprender los fenómenos en todos los espectros de la
investigación humana. En algunos campos científicos, como la biología
molecular y la química, el advenimiento ha sido reciente pero rápido. El Premio
Nobel de Química de 1998 fue otorgado a John A. Pople y Walter Kohn por su
trabajo innovador en el desarrollo de métodos computacionales en química
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
aplicación de enfoques estadísticos y matemáticos que se basan en la
computación, como los métodos de Markov Chain Monte Carlo y las redes
neuronales artificiales, ha demostrado ser esencial para abrir nuevas vías de
exploración y ha producido avances en numerosos campos tan diversos como
el estudio. los orígenes del universo en la astrofísica computacional
(Vogelsberger et al. 2014 ) para comprender la cinética del crecimiento del
grano en las ciencias de los materiales (Anderson et al. 1984 ; Srolovitz y col. 1984
). Ala ( 2006 ) afirmó que el enfoque del pensamiento computacional
Los ches se volverían fundamentales en todas las disciplinas y que los avances en
informática permitirían a los investigadores visualizar nuevas estrategias de
resolución de problemas y probar nuevas soluciones tanto en el mundo virtual como
en el real. Si bien ciertos campos como la física y la ingeniería tienen una larga
trayectoria
123
132
Asociación interdisciplinaria con metodologías computacionales, los enfoques
clásicos para la resolución de problemas en biología y química históricamente
han enfatizado los sistemas deterministas de baja complejidad, ignorando en
gran medida los problemas estocásticos y no lineales. El fuerte sesgo anterior
hacia el estudio de sistemas deterministas era principalmente uno de
practicidad, siendo el término "no lineal" casi sinónimo de "irresoluble". Sin
embargo, la naturaleza es inherentemente no lineal y puede caracterizarse
por un comportamiento caótico, como se puede observar en el cambio
climático (Dijkstra
2013 ; Manabe y Stouffer 1988 ), la propagación de enfermedades (Keeling y
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
que la regla. En los últimos años, los métodos computacionales han ampliado la
gama de fenómenos no lineales que pueden explorarse mediante el uso de
modelos matemáticos y de simulación. Wolfram ( 2002 ) incluso proclamó el
surgimiento de un nuevo tipo de ciencia basada en sus experimentos
computacionales en patrones emergentes en la naturaleza, argumentando que
tales exploraciones no son posibles sin computación. Los campos científicos
están experimentando un renacimiento en los enfoques experimentales
principalmente debido a la disponibilidad de computadoras más poderosas, la
accesibilidad de nuevos métodos analíticos y el desarrollo de modelos
computacionales altamente detallados en los que se puede incorporar una
amplia gama de componentes y mecanismos. Estos avances, a su vez, han
creado una creciente necesidad de educar a los estudiantes en métodos y
técnicas computacionales para apoyar el panorama rápidamente cambiante de
la investigación en las disciplinas matemáticas y científicas.
Métodos
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
en una variedad de disciplinas de matemáticas y ciencias. Figura 1 ilustra los pasos
que seguimos para crear la taxonomía. A lo largo del proceso, trabajamos en
estrecha colaboración con otros investigadores, profesores y desarrolladores de
planes de estudio de STEM. Principalmente, nos basamos en tres recursos para la
creación y validación de nuestra taxonomía: (1) actividades educativas ejemplares
que involucran el pensamiento computacional en matemáticas y ciencias, (2)
inventarios de conceptos existentes y documentos de estándares, y (3) entrevistas
con matemáticos y científicos.
Paso 1 El primer paso en la creación de nuestra taxonomía fue revisar la
literatura existente sobre pensamiento computacional, identificando las habilidades y
prácticas que se citan repetidamente como
123
J Sci Educ Technol (2016) 25: 127–147
siendo central. Esta investigación comenzó con las dos publicaciones del
National Research Council sobre pensamiento computacional (NRC 2010 , 2011b
) y se diversificó desde allí, revisando la literatura citada en esos informes
junto con el trabajo que se basa en las ideas presentadas en los dos
informes. Debido a que consideramos que el pensamiento computacional
está fuertemente informado por los campos de la ingeniería y la informática,
también recopilamos y analizamos marcos de contenido de informática,
ingeniería y tecnología, como el proyecto CS Principles (Astrachan y Briggs 2012
), el informe Computer Science Curricula 2013 (ACM / IEEE-CS Joint Task
Force on Computing Curricula 2013), y el NAEP Technology and
Engineering Literacy Framework (Driscoll
2013 ). Al revisar estos documentos, nuestro objetivo era trazar un mapa de lo que la
literatura existente identificaba como central para el pensamiento computacional con
un enfoque en las aplicaciones a las matemáticas y la ciencia. A lo largo de este
paso inicial, buscamos comprender el panorama más amplio del pensamiento
computacional antes de limitar nuestro enfoque a las disciplinas matemáticas y
científicas. Esta revisión produjo un conjunto preliminar de diez habilidades básicas
de pensamiento computacional (Tabla 1 ), que se utilizaron como punto de partida
para nuestra taxonomía.
Paso 2 El segundo paso en la creación de la taxonomía fue recopilar y
clasificar una variedad de actividades diseñadas para introducir el pensamiento
computacional en las aulas de matemáticas y ciencias de la escuela secundaria.
El corpus principal de las actividades analizadas fueron los materiales producidos
como parte de '' Reach for the Stars '', un programa financiado por la NSF que
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
de una clase de modelado matemático de la escuela secundaria diseñada por un
maestro que colabora en el proyecto.
Dos investigadores revisaron independientemente cada una de las 34 actividades,
buscando prácticas específicas que parecieran relevantes para el pensamiento
computacional en base a nuestros hallazgos del paso 1. Esto resultó en un conjunto
combinado de 208 "facetas" del pensamiento computacional de nuestro corpus de
actividades. Mesa 2
proporciona un breve extracto de una parte de la codificación de una de nuestras
lecciones para que sirva como ejemplo de este proceso. La lección que se analiza es
una actividad de física que utiliza una montaña rusa virtual para permitir a los
estudiantes explorar las fuerzas y el impulso que gobiernan el movimiento. 2 La
actividad hace que los estudiantes diseñen experimentos, recopilen datos, analicen
sus
1 https://gk12northwestern.wikispaces.com/Lesson?Plans.
2 https://gk12northwestern.wikispaces.com/Roller?Coaster?Activity.
J Sci Educ Technol (2016) 25: 127–147 133

Figura 1 Proceso seguido para crear la taxonomía de TC en Matemáticas y Prácticas Científicas

tabla 1 Conjunto inicial de habilidades de pensamiento computacional

Conjunto inicial de habilidades de pensamiento computacional

1. Capacidad para hacer frente a problemas abiertos 6. Crear abstracciones para aspectos del problema en cuestión.

2. Persistencia para resolver problemas desafiantes 7. Reformular el problema en un problema reconocible

3. Con fi anza para afrontar la complejidad 8. Evaluación de las fortalezas y debilidades de una representación de datos / sistema de representación

4. Representar ideas de forma computacionalmente significativa 9. Generación de soluciones algorítmicas

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

pista y almacenan los datos en una tabla. de una ejecución de simulación

Diseña una montaña rusa

Se necesitan múltiples iteraciones para construir una montaña Enfoque iterativo de una solución Usando computacional
rusa exitosa que termine la pista y no se estrelle modelos para encontrar y probar una

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
códigos, lo que resultó en la primera versión completa de nuestra taxonomía, que
consistía en 45 pensamientos computacionales distintos en las prácticas matemáticas
y científicas.
Paso 3 El conjunto inicial de prácticas se compartió luego con el grupo de
investigación más grande del proyecto, que colectivamente emprendió otra
ronda de revisiones y clasificó las prácticas individuales en categorías distintas.
Gran parte de este trabajo se centró en agrupar habilidades similares en
categorías nuevas y unificadas. Asimismo, para obtener validez externa, se
consultó con los estudiantes de posgrado de “Reach for the Stars” que habían
desarrollado los planes de lecciones y los docentes en servicio que estaban
participando en el proyecto. El producto resultante fue una lista revisada de 27
prácticas agrupadas temáticamente en cinco categorías de alto nivel: Datos e
información (6 prácticas), Modelado y simulación (5 prácticas), Computación (5
prácticas), Resolución de problemas (7 prácticas) y Sistemas. Pensamiento (4
prácticas). Cada una de estas prácticas se vinculó con un ejemplo específico de
su uso en uno de los planes de lecciones fuente. Mesa 3 ilustra dos ejemplos de
estos códigos y su correspondiente faceta de pensamiento computacional de
los planes de lecciones.
Paso 4 Luego, la taxonomía se presentó a 16 profesores de matemáticas y
ciencias de secundaria durante un taller de desarrollo profesional de verano.
Como parte del taller, los maestros utilizaron en colaboración la taxonomía para
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
estructuras de datos eficientes, ya que temían que estuviera demasiado cerca de
la informática y demasiado lejos del contenido que enseñaban en sus aulas.
Junto con la recopilación de comentarios de los maestros, la taxonomía
también se presentó a expertos en pensamiento computacional y diseñadores de
currículos STEM. Estos expertos plantearon preocupaciones en torno a la categoría
de resolución de problemas, que incluía prácticas como la descomposición de
problemas en subproblemas y la reestructuración de problemas en problemas
conocidos / familiares, ya que pensaban que las prácticas eran demasiado
generales y no exclusivas de STEM o contextos de pensamiento computacional.
Esta retroalimentación condujo a otra ronda de revisiones, durante la cual
consolidamos las categorías de Computación y resolución de problemas para
abordar las preocupaciones prácticas y teóricas planteadas. El resultado final de
este proceso fue la taxonomía de cuatro categorías que consta de 22 prácticas
distintas que presentamos en la siguiente sección.
Paso 5 A lo largo del proceso de generación de taxonomía, entrevistas
con profesionales STEM cuyo trabajo se basa
123
J Sci Educ Technol (2016) 25: 127–147
se llevaron a cabo en gran medida los cálculos. Se llevaron a cabo quince
entrevistas con profesores académicos de disciplinas de matemáticas y
ciencias, investigadores de STEM en la industria y estudiantes graduados que
buscan títulos en disciplinas de STEM. Esto incluyó entrevistas con
bioquímicos, físicos, ingenieros de materiales, astrofísicos, informáticos e
ingenieros biomédicos. El objetivo de estas entrevistas era validar la
taxonomía y las categorías emergentes a medida que iban tomando forma,
así como proporcionar datos suplementarios sobre la naturaleza del
pensamiento computacional tal como ocurre en entornos científicos
auténticos. Al analizar estas entrevistas, buscamos similitudes y diferencias
en las prácticas computacionales a través de formas dispares de investigación
científica. Desde allí, identificamos y caracterizamos las prácticas de
pensamiento computacional que los investigadores científicos emplearon en
su trabajo. Por ejemplo, encontramos que probar y depurar era una práctica
común entre los investigadores científicos que no había sido capturada
claramente en la taxonomía. A través de las entrevistas, aprendimos que la
práctica de depuración podría caracterizarse de manera diferente para
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
experimento antes del ensayo real. Por tanto, la descripción de la depuración
en la taxonomía debe reflejar esta diversidad. Un análisis completo de estos
datos se presenta en un artículo de próxima publicación (Beheshti et al.
Taxonomía del pensamiento computacional en las prácticas
matemáticas y científicas
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
estas categorías se compone de un subconjunto de cinco a siete prácticas (Fig. 2
). Siguiendo el ejemplo de la NGSS, hemos optado por llamar a estas ''
prácticas '' en lugar de '' habilidades '' o '' conceptos '' con el fin de '' enfatizar
que participar en la investigación científica requiere no solo habilidad sino
también conocimientos específicos de cada práctica '' (Estados líderes de
NGSS 2013 , pags. 30). Aunque presentamos nuestra taxonomía como un
conjunto de categorías distintas, las prácticas están altamente interrelacionadas
y dependen unas de otras. En la práctica, a menudo se utilizan en conjunto para
lograr objetivos científicos y matemáticos específicos. En esta sección,
describimos cada una de las cuatro categorías principales, incluidas sus
prácticas constitutivas y nuestra justificación para su inclusión en la taxonomía.
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.
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

Código Actividad Faceta computacional

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

responder preguntas sobre el conjunto de datos.

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

simulación simulaciones movimiento con Microsoft Excel

una https://gk12northwestern.wikispaces.com/Hip?Hop?Networks?Lesson

si https://gk12northwestern.wikispaces.com/Projectile?Lab

Figura 2 Pensamiento computacional en

taxonomía matemática y científica

Prácticas de datos la importancia de desarrollar prácticas de datos de pensamiento

computacional en el aula.
Todas las ciencias comparten ciertas características comunes en el núcleo de sus Las habilidades de datos han sido durante mucho tiempo parte de los
enfoques de investigación y resolución de problemas. La principal de ellas es la estándares científicos y matemáticos y los planes de estudio del aula (NCTM 2000;
actitud de que los datos y la evidencia ocupan una posición primordial en la NGSS Lead States 2013 ). La instrucción en torno al uso de datos a menudo se
decisión de cualquier problema (Duschl et al. 2007 , pags. 27) enfoca en desarrollar la comprensión del estudiante sobre el papel de los datos en
la investigación de preguntas y el uso de datos para construir respuestas (Hancock
et al. 1992 ; Lehrer y Romberg 1996 ). Parte del desafío es enseñar a los estudiantes
Los datos se encuentran en el corazón de las actividades científicas y
que los datos no vienen con una estructura inherente que conduzca directamente a
matemáticas. Sirven para muchos propósitos, adoptan muchas formas y desempeñan
una respuesta, sino que se debe imponer un orden y extraer las respuestas de los
una variedad de funciones en la conducción de la investigación científica. La
datos disponibles (Lehrer et al. 2002 ). El uso de datos en las aulas también incluye
naturaleza de cómo se recopilan, crean, analizan y comparten los datos está
la introducción de los conceptos básicos de estadística y probabilidad para que los
cambiando rápidamente debido principalmente a los avances en las tecnologías
datos se puedan usar para sacar conclusiones (Shaughnessy 2007 ) así como el
computacionales. '' Las nuevas tecnologías permiten nuevas investigaciones
desarrollo de fluidez con visualizaciones de datos tanto convencionales como
científicas, lo que permite a los científicos sondear reinos y manejar cantidades de
novedosas (diSessa
datos que antes eran inaccesibles para ellos '' (NGSS Lead States 2013 , pags. 32). La
importancia de poder utilizar estas nuevas tecnologías para gestionar y dar significado
a las grandes cantidades de datos que producen se está convirtiendo en una
2004 ). Cada vez más, las aulas han incorporado la tecnología como parte
característica definitoria del trabajo científico en el siglo XXI y, por tanto, fundamental
de la instrucción de recopilación y análisis de datos utilizando herramientas
para el pensamiento computacional en matemáticas y ciencias (Foster
diseñadas específicamente para contextos educativos como Tinkerplots
(Konold y Miller 2005 ), Fathom (Finzer et al. 2001 ), SimCalc (Roschelle et
al. 2000 ) y NetLogo (Wilensky 1999b ) así como incorporar
2006 ). La naturaleza cada vez más computacional de trabajar con datos
en campos científicos y matemáticos subraya

123
136
herramientas de análisis de datos estándar como Microsoft Excel, SPSS,
R y STATA.
En nuestro análisis de las lecciones de pensamiento computacional para
las aulas de matemáticas y ciencias, las prácticas de análisis de datos
estuvieron presentes en 27 de las 34 lecciones analizadas. Además, los
expertos que entrevistamos con frecuencia hicieron referencia a la
importancia del pensamiento computacional con respecto a la recopilación,
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
datos numéricos sin procesar ''. Luego pasó a explicar cómo de fi ne
computacionalmente sus preguntas de investigación. , usa clústeres de
supercomputación para generar datos, procesa y organiza datos, y
finalmente usa paquetes de software para generar visualizaciones de sus
hallazgos. En cada paso de su trabajo, las prácticas de pensamiento
computacional son esenciales.
Recolectando datos
Los datos se recopilan mediante observación y medición. Las herramientas
computacionales juegan un papel clave en la recopilación y el registro de una
variedad de datos a través de muchos esfuerzos científicos y matemáticos diferentes.
Las herramientas computacionales pueden ser útiles en diferentes fases de la
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.
Creando datos
En muchos casos, los científicos y matemáticos utilizan herramientas
computacionales para generar datos. Este es el caso cuando se investigan
fenómenos que no se pueden observar o medir fácilmente o que son de naturaleza
más teórica. Por ejemplo, para comprender la evolución de las galaxias, los
astrónomos generan datos utilizando simulaciones por computadora, ya que no es
posible observar y medir la evolución de una galaxia in situ porque los procesos
ocurren durante miles de millones de años. De esta manera, las herramientas
computacionales permiten la creación de datos a escalas que de otro modo serían
imposibles. Los estudiantes que dominen esta práctica podrán de fi nir
procedimientos computacionales y ejecutar simulaciones que crean datos que
pueden usar para avanzar en su comprensión del tema bajo investigación.
Manipulación de datos
En los campos matemático y científico, es esencial manipular los datos
para darles significado. Las herramientas computacionales permiten
realizar de manera eficiente y confiable
123
J Sci Educ Technol (2016) 25: 127–147
manipular conjuntos de datos grandes y complejos. La manipulación de datos incluye
ordenar, filtrar, limpiar, normalizar y unir conjuntos de datos dispares. Estas
manipulaciones sirven tanto para el análisis como para la comunicación. Los
estudiantes que hayan dominado esta práctica podrán manipular conjuntos de datos
con herramientas computacionales, remodelando el conjunto de datos para que
tenga la configuración deseada o útil para que pueda respaldar una mayor
investigación.
Analizar datos
El verdadero poder de los datos reside en la información que se puede
obtener de ellos mediante el análisis. Hay muchas estrategias que pueden
emplearse al analizar datos para su uso en un contexto científico o
matemático, incluida la búsqueda de patrones o anomalías, la definición
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
más grandes de lo que sería posible de otra manera. El uso de
herramientas computacionales para analizar datos se está convirtiendo en
una práctica especialmente importante ya que ahora vivimos en una era
de ciencia intensiva en datos (a veces denominada '' big data ''), donde los
conjuntos de datos tienen habitualmente miles de millones de puntos de
datos individuales.
Visualización de datos
La comunicación de resultados es un componente esencial de cualquier esfuerzo
de desarrollo de conocimiento y las herramientas computacionales pueden facilitar
enormemente ese proceso. En matemáticas y ciencias, la creación de
visualizaciones es una estrategia poderosa tanto para analizar como para compartir
datos. Hay un número creciente de herramientas de software disponibles para
diseñar e implementar visualizaciones de datos (Borner 2015 ). Estas herramientas
incluyen tanto visualizaciones convencionales como gráficos y tablas, como
pantallas dinámicas e interactivas que permiten al observador interactuar con los
datos que se muestran. Los estudiantes que dominen esta práctica podrán utilizar
herramientas computacionales para producir visualizaciones que transmitan la
información recopilada durante el análisis.
Prácticas de modelado y simulación
Las ciencias no intentan explicar, apenas intentan interpretar,
principalmente hacen modelos. (von Neumann 1955 , pags. 628)
La capacidad de crear, perfeccionar y utilizar modelos de fenómenos
es una práctica central para los científicos y
J Sci Educ Technol (2016) 25: 127–147
matemáticos (Estados líderes de NGSS 2013 ). En matemáticas y ciencias, los
modelos pueden incluir diagramas de flujo, diagramas, ecuaciones, fórmulas
químicas, simulaciones por computadora e incluso modelos físicos (Harrison y
Treagust 2000 ). Por definición, los modelos son simplificaciones de la realidad que
ponen en primer plano ciertas características de un fenómeno mientras se
aproximan o ignoran otras características. Como tal, "todos los modelos son
incorrectos, pero algunos son útiles" (Box y Draper 1987 ,
pags. 424). los utilidad de un modelo proviene de su poder explicativo y / o
predictivo y muchas investigaciones han encontrado que el aprendizaje basado
en modelos es una estrategia pedagógica efectiva (para una revisión, ver Louca
y Zacharia 2012 ). Se considera que la educación científica está
inseparablemente entrelazada con el desarrollo de prácticas epistémicas y
representativas (Kaput 1998 ; Lehrer y Schauble 2006 ; Wilensky y Papert 2010 ;
Wilkerson-Jerde y col. 2015 ), sin embargo, estas prácticas rara vez se hacen
explícitas como parte de la instrucción. Se han hecho llamamientos similares a
la educación matemática. El NGSS y los Estándares Básicos Comunes de
Matemáticas ponen un nuevo énfasis no solo en el uso de modelos, sino
también en la creación de modelos e interrogando críticamente sus limitaciones
y simplificando suposiciones.
Los modelos y simulaciones computacionales pueden hacer que los conceptos
científicos sean más accesibles y mejorar la comprensión de los fenómenos por parte de
los estudiantes (Buckley et al. 2004 ; Klopfer
encontrar, probar y justificar el uso de una solución en particular mediante el uso
2003 ; Parnafes 2007 ; Schwarz y col. 2007 ; White y Frederiksen 1998 ; Wilensky 1997
; Wilkerson-Jerde y Wilensky 2015 ). Por modelos computacionales, nos
referimos a representaciones no estáticas de fenómenos que pueden ser
simulados por una computadora. El poder pedagógico de los modelos
computacionales proviene no solo de que los estudiantes utilicen modelos
existentes, sino también de permitirles a los estudiantes diseñar, construir y
evaluar sus propios modelos (Brady et al. 2015 ; Gilbert
Una práctica clave en el uso eficaz de un modelo computacional es
2004 ; Penner 2000 ; Blanco 1993 ; Wilensky 1995 , 2003 ; Wilensky y Reisman 2006
; Wilkerson-Jerde y col. 2015 ). Además, los modelos computacionales
permiten investigar preguntas y probar hipótesis que de otro modo serían
demasiado caras, peligrosas, difíciles o totalmente imposibles de llevar a
cabo (NRC 2011a ). Al igual que con los modelos no computacionales, es
importante que los estudiantes puedan pensar críticamente sobre los
modelos computacionales para comprender sus capacidades y limitaciones.
De las 34 actividades de pensamiento computacional en matemáticas y ciencias
que analizamos, 23 incluyeron el uso de modelos computacionales en diversas
capacidades, incluso como herramientas para la resolución de problemas (7) y como
herramientas para explorar conceptos (17). Además, estas actividades hicieron que
los alumnos diseñaran, construyeran y evaluaran modelos como parte de sus
actividades educativas. Nuestra categoría de modelado y simulación consta de cinco
pensamientos computacionales en las prácticas de matemáticas y ciencias.
137
Uso de modelos computacionales para comprender un concepto
Los modelos computacionales que demuestran ideas o fenómenos específicos
pueden servir como poderosas herramientas de aprendizaje. Los estudiantes
pueden usar modelos computacionales para profundizar su comprensión de
conceptos matemáticos y científicos, como la interdependencia dentro de los
ecosistemas, cómo se mueven los objetos en un entorno sin fricción y
distribuciones probabilísticas de eventos aleatorios. Estas herramientas ayudan a
respaldar el proceso de investigación al recrear fenómenos en entornos que
respaldan la investigación sistemática y brindan al usuario mucho más control del
que sería posible en el mundo natural. Los estudiantes que dominen esta
práctica podrán avanzar en su propia comprensión de un concepto al interactuar
con un modelo computacional que demuestra el concepto.
Uso de modelos computacionales para encontrar y probar soluciones
Los modelos computacionales también se pueden utilizar para probar hipótesis y
descubrir soluciones a problemas. Permiten probar muchas soluciones diferentes
de forma rápida, sencilla y económica antes de comprometerse con un enfoque
específico. Esto es especialmente útil para los fenómenos cuyos resultados
dependen de "espacios de parámetros" multidimensionales. Se trata de una
técnica importante, comúnmente utilizada cuando se investigan problemas en
campos científicos y más allá. Los estudiantes que dominen esta práctica podrán
de un modelo computacional, así como también podrán aplicar la información
obtenida mediante el uso del modelo cuando sea apropiado.
Evaluación de modelos computacionales
comprender cómo se relaciona el modelo con el fenómeno que se
representa. Esta comprensión está guiada por una variedad de preguntas
que incluyen: ¿Qué aspectos del fenómeno se han modelado fielmente y
qué aspectos se han simplificado o ignorado? ¿Qué suposiciones han
hecho los creadores del modelo sobre el mundo y cómo esas suposiciones
afectan su comportamiento? ¿Qué capas de abstracción se han
incorporado al modelo en sí y cómo estas abstracciones dan forma a la
fidelidad del modelo? Pensar en estas preguntas es una parte importante
de validar y calibrar un modelo con respecto a los fenómenos del mundo
real que se representan.
123
138 J Sci Educ Technol (2016) 25: 127–147

Diseño de modelos computacionales (Djorgovski 2005)

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.

2003 ; Henderson y col. 2007 ). La investigación ha encontrado que permitir a los

estudiantes explorar fenómenos científicos y matemáticos utilizando prácticas de
resolución de problemas computacionales como la programación, el desarrollo de
algoritmos y la creación de abstracciones computacionales puede ayudar a los
estudiantes a desarrollar una comprensión profunda de los fenómenos matemáticos
y científicos (Jackson et al. 1994 ; Sherin y col. 1993 ; Taub y col. 2015 ; Wilensky 1995 ;
Construcción de modelos computacionales
Wilkerson-Jerde 2014 ).

Una práctica importante en las actividades científicas y matemáticas es la

Si bien relativamente pocos de los planes de lecciones que analizamos
capacidad de crear modelos computacionales nuevos o ampliar los existentes.
encajarían en un plan de estudios de informática convencional, muchas de las
Esto requiere poder codificar las características del modelo de una manera que
actividades incluyen conceptos que se basan en prácticas centrales del campo,
una computadora pueda interpretar. A veces, esto toma la forma de
incluido el desarrollo de algoritmos (5 lecciones), la programación (12 lecciones)
programación convencional, pero en otros casos, los marcos y las herramientas
y el trabajo con abstracciones computacionales (8 lecciones). Además, muchos
ayudan al usuario a definir comportamientos o características mediante la
de los científicos y matemáticos que entrevistamos hicieron referencia a
manipulación de interfaces gráficas o la definición de conjuntos de reglas a
prácticas de esta categoría, incluida la programación, el uso de abstracciones
seguir. Ser capaz de implementar ideas de modelado es fundamental para hacer
computacionales y la importancia de poder elegir herramientas computacionales
avanzar las ideas más allá del trabajo realizado por otros y complementa la
efectivas. A partir de este análisis, la categoría de resolución de problemas
práctica anterior de diseñar modelos computacionales. Los estudiantes que
computacionales resultante consta de siete prácticas destinadas a sentar las
dominen esta práctica podrán implementar nuevos comportamientos de modelos,
bases en apoyo de la preparación de los estudiantes para el pensamiento crítico
ya sea extendiendo un modelo existente o creando un nuevo modelo dentro de
con la computación que se está volviendo central para la ciencia y las
un marco de modelado dado o desde cero.
matemáticas modernas.

Práctica de resolución de problemas computacionales Preparación de problemas para soluciones computacionales

La informática aplicada está desempeñando ahora el papel que
desempeñaron las matemáticas desde el siglo XVII hasta el XX:
proporcionar un marco formal y ordenado y un aparato exploratorio
para otras ciencias.
Si bien algunos problemas se prestan naturalmente a soluciones computacionales,
con mayor frecuencia, los problemas deben reformularse para poder utilizar las
herramientas computacionales existentes, ya sean dispositivos físicos o paquetes de
software. En las ciencias, una amplia gama de herramientas computacionales puede
ser

123
J Sci Educ Technol (2016) 25: 127–147
empleado para una actividad determinada; el desafío es mapear los problemas con
las capacidades de las herramientas. Las estrategias para hacer esto incluyen
descomponer los problemas en subproblemas, reformular nuevos problemas en
problemas conocidos para los que ya existen herramientas computacionales y
simplificar problemas complejos para que el mapeo de las características del
problema en las soluciones computacionales sea más accesible. Los estudiantes
que hayan dominado esta práctica podrán emplear estas estrategias para
reestructurar los problemas en formas que se puedan resolver, o al menos se pueda
progresar, mediante el uso de herramientas computacionales.
Programación de computadoras
La capacidad de codificar instrucciones de tal manera que una computadora
pueda ejecutarlas es una habilidad poderosa para investigar y resolver problemas
matemáticos y científicos. Programas que van desde scripts de Python de diez
líneas hasta C de varios millones de líneas. Las bibliotecas pueden ser valiosas
para la recopilación y el análisis de datos, la visualización de información, la
creación y ampliación de modelos computacionales y la interfaz con otras
herramientas computacionales existentes. Esta práctica consiste en comprender y
modificar programas escritos por otros, así como en componer nuevos programas
o scripts desde cero. Esta categoría incluye la comprensión de conceptos de
programación como la lógica condicional, la lógica iterativa y la recursividad, así
como la creación de abstracciones como subrutinas y estructuras de datos. Si
bien no es razonable esperar que todos los estudiantes sean expertos en
programación, La competencia básica en programación es un componente
importante de la investigación científica del siglo XXI. Los estudiantes que hayan
dominado esta práctica podrán comprender, modificar y crear programas de
computadora y utilizar estas habilidades para avanzar en sus propias actividades
científicas y matemáticas.
Elección de herramientas computacionales eficaces
A menudo, una sola tarea se puede resolver de diferentes maneras
utilizando una variedad de herramientas computacionales diferentes. En
tales casos, a menudo hay una sola herramienta, o al menos un pequeño
subconjunto de herramientas, para el trabajo. Ser capaz de identificar las
fortalezas y debilidades de varias herramientas posibles para el problema
en cuestión puede ser la decisión más importante en un proyecto. La
elección de una herramienta computacional efectiva incluye considerar la
funcionalidad que brinda, su alcance y personalización, el tipo de datos
que las herramientas esperan y pueden producir, así como preguntas que
se extienden más allá del software en sí, como si hay o no un usuario
activo. comunidad que podría ayudarlo con las dificultades que pueda
encontrar.
139
Evaluación de diferentes enfoques / soluciones a un problema
Cuando existen múltiples enfoques para resolver un problema o múltiples
soluciones para elegir, es importante poder evaluar las opciones y tomar
una decisión informada sobre la ruta a seguir. Esta práctica es distinta de
la práctica anterior en que se refiere a cómo se utilizarán las herramientas
computacionales, una vez elegidas, y cómo encajan en el proceso más
amplio de abordar y resolver problemas. Esto es importante en ciencias y
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
reutilización y la fl exibilidad.
Desarrollo de soluciones computacionales modulares
Cuando se trabaja hacia un resultado científico o matemático específico, a
menudo hay varios pasos o componentes involucrados en el proceso;
estos pasos, a su vez, se pueden desglosar de diversas formas que
influyen en su capacidad para reutilizarse, reutilizarse y depurarse
fácilmente. Los elementos de una solución pueden ser grandes,
complicados y diseñados exclusivamente para el problema en cuestión, o
pueden ser pequeños, modulares y reutilizables. El desarrollo de
soluciones computacionales de forma modular y reutilizable tiene muchas
implicaciones tanto para el problema inmediato como para los problemas
futuros que puedan surgir. Al desarrollar soluciones modulares, es más
fácil construir soluciones de forma incremental, probar componentes de
forma independiente y aumentar la probabilidad de que los componentes
sean útiles para problemas futuros.
Creando abstracciones computacionales
La creación de una abstracción requiere la capacidad de conceptualizar y luego
representar una idea o un proceso en términos más generales, poniendo en primer
plano los aspectos importantes de la idea y poniendo en segundo plano las
características menos importantes. La capacidad de crear y utilizar abstracciones
se utiliza constantemente en las empresas matemáticas y científicas, ya sea
creando abstracciones computacionales al escribir un programa, generando
visualizaciones de datos para comunicar una idea o
123
140
encontrar, definir el alcance o la escala de un problema, o crear modelos para
explorar o comprender un fenómeno dado. La creación de abstracciones
computacionales es esencial para resolver múltiples problemas que tienen
similitud estructural pero difieren en los detalles de la superficie. Estas
prácticas son una de las principales formas en que se puede aplicar el poder
computacional a problemas matemáticos y científicos. Los estudiantes que
hayan dominado esta práctica podrán identificar, crear y utilizar abstracciones
computacionales mientras trabajan hacia metas científicas y matemáticas.
Solución de problemas y depuración
En términos generales, la resolución de problemas se refiere al proceso de
averiguar por qué algo no funciona o no se comporta como se esperaba.
Hay una serie de estrategias que se pueden emplear al solucionar un
problema, que incluyen identificar claramente el problema, probar
sistemáticamente el sistema para aislar la fuente del error y reproducir el
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
específicamente para ayudar a averiguar por qué un programa u otra
herramienta computacional no se comporta como se esperaba. En los
campos STEM, la capacidad de solucionar un problema es importante, ya
que con frecuencia se encuentran resultados inesperados y
comportamientos incorrectos, especialmente cuando se trabaja con
herramientas computacionales.
Prácticas de pensamiento sistémico
En lugar de mirar una cosa a la vez y notar su comportamiento
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.
(Laszlo 1996 , pags. 4)
Muchos de los problemas importantes que enfrentamos en la actualidad son
complejos, involucran múltiples variables, numerosos efectos directos e indirectos y
están compuestos de muchas partes interdependientes. '' La capacidad de pensar
de manera sistémica es un hábito mental importante que respalda no solo los
antecedentes científicos de la fuerza laboral STEM en desarrollo, sino también los
futuros ciudadanos con conocimientos científicos. En una sociedad global donde
será necesario tomar decisiones científicas a gran escala en el futuro, es importante
que la población en general desarrolle una orientación de pensamiento sistémico
hacia el mundo '' (Duschl y Bismack). 2013 , pags. 120). El pensamiento sistémico
123
J Sci Educ Technol (2016) 25: 127–147
El enfoque es fundamentalmente diferente de las formas tradicionales de resolución
de problemas y se centra en comprender cómo cambian los sistemas con el tiempo
(Forrester 1968 ). El enfoque del pensamiento sistémico ha tenido dos focos
distintos, con un enfoque en la dinámica de sistemas agregados (Forrester 1968 ;
Sterman
2000 ) y el otro sobre la dinámica basada en agentes (Epstein y Axtell 1996 ;
Grimm y col. 2005 ; Wilensky y Resnick
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,
muchos métodos de pensamiento sistémico se han convertido en componentes
críticos de los enfoques del pensamiento computacional que se practican en todas
las disciplinas científicas. Los análisis tradicionales se centran en dividir los
problemas en sus partes constitutivas y analizar por separado las piezas
individuales. Los análisis del pensamiento sistémico, por el contrario, se centran en
un examen inclusivo de cómo el sistema y sus partes constituyentes interactúan y
se relacionan entre sí como un todo (Assaraf y Orion 2005 ).
Muchos conceptos científicos fundamentales (y difíciles) se entienden mejor, y
quizás solo, a través de la lente de los sistemas. Buenos ejemplos incluyen la
selección natural y la dinámica de poblaciones en ecología, el sistema respiratorio
humano desde la biología y las leyes de los gases ideales en química y física
(Hmelo et al. 2000 ; Stieff y Wilensky 2003 ; Wilensky y Reisman 2006 ). Otros tipos
de sistemas, como los que se encuentran en la física, la economía e incluso la
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
principales de NGSS 2013 ). Si bien este conocimiento no está necesariamente
ligado al pensamiento computacional, las herramientas computacionales permiten
nuevas formas de explorar, comprender y representar estas ideas (Bar-Yam
2003 ; Sterman 2000 ; Wolfram 2002 ). Por lo tanto, la computación sirve como un
medio poderoso para hacer que estas ideas sean accesibles a los estudiantes
(Klopfer 2003 ; Wilensky 2001 ).
En nuestro análisis de las actividades de pensamiento computacional
diseñadas para las clases de matemáticas y ciencias de la escuela secundaria,
ocho lecciones incluyeron el desarrollo de prácticas asociadas con el
pensamiento sistémico. Estos hallazgos se vieron reforzados por las entrevistas
que realizamos con científicos y matemáticos, ya que con frecuencia citaron
conceptos de sistemas complejos y prácticas asociadas con la investigación y
comprensión de sistemas a través de la computación como importantes en su
campo. Mientras que muchos de los
J Sci Educ Technol (2016) 25: 127–147
Las prácticas que describimos anteriormente son valiosas para la investigación de
sistemas, esta sección presenta cinco prácticas de pensamiento computacional que se
enfocan en el pensamiento sistémico.
Investigación de un sistema complejo como un todo
Un sistema puede verse como una entidad única compuesta por muchos elementos
interrelacionados; para algunas preguntas, es más eficaz investigar cómo funciona el sistema como
un todo en lugar de estudiar cada elemento individual o conjunto de elementos. La investigación de
un sistema complejo en su conjunto se basa en la capacidad de de fi nir y medir las entradas y
salidas del sistema. Esto es especialmente crítico en las ciencias porque muchos fenómenos son el
resultado de interacciones complejas a muy gran escala. Ser capaz de poner en caja negra los
detalles de las interacciones sistemáticas subyacentes y centrarse en el sistema como un todo
hace posible comprender las características del sistema en conjunto, que a veces son exactamente
los datos necesarios para el problema en cuestión. Las herramientas computacionales como
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
(incluyendo retroalimentación, valores y flujos, agentes y reglas de agentes) que representan
sistemas de una manera no lineal. Los estudiantes que dominen esta práctica podrán formular
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
que los estudiantes aprendan sobre sistemas complejos en su conjunto puede provenir del uso de
representaciones (incluyendo retroalimentación, valores y flujos, agentes y reglas de agentes) que
representan sistemas de una manera no lineal. Los estudiantes que dominen esta práctica podrán
formular 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 que los estudiantes aprendan sobre sistemas complejos en su conjunto puede provenir
del uso de representaciones (incluyendo retroalimentación, valores y flujos, agentes y reglas de
and infographics
agentes) que representan sistemas de una manera no lineal. Los estudiantes que dominen esta práctica podrán
Understanding the Relationships within a System
Whereas some questions can best be answered by focusing on a system
as a whole, other questions require understanding how the components
within a system interact. Thus, it is important to be able to identify the
different elements of a system and articulate the nature of their
interactions. Computational tools are useful for conducting such inquiry as
they can provide learners with controls for isolating different elements,
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.
Thinking in Levels
Systems can be understood and analyzed from different perspectives,
ranging from a micro-level view that
141
considera los elementos más pequeños del sistema a una vista de nivel macro
que considera el sistema como un todo. Pensar en un sistema desde el punto de
vista de sus actores y componentes individuales puede llevar a comprender
cómo los comportamientos a nivel micro conducen a patrones emergentes a
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
hace posible comprender las características emergentes del sistema en conjunto,
lo que puede producir un conjunto diferente de conocimientos de un micro.
-análisis de nivel. Las herramientas computacionales pueden facilitar la
investigación del sistema desde ambas perspectivas y, como Levy y Wilensky ( 2008
) muestran, desde niveles medios productivos entre los dos. Los estudiantes que
dominen esta práctica podrán identificar diferentes niveles de un sistema dado,
articular el comportamiento de cada nivel con respecto al sistema en su conjunto,
y ser capaces de moverse hacia adelante y hacia atrás entre niveles, atribuyendo
correctamente las características del sistema. al nivel apropiado.
Communicating Information about a System
A central challenge when investigating a system is figuring out how best to
communicate what you have learned about it. This is often challenging due
to the size and complexity of the system under investigation. Because
systems often consist of many interrelated parts and can include numerous
interacting elements, conveying information about the system can be
difficult, but is also essential for the information gleaned from the system to
be understood and used by others. Communicating information about a
system often involves developing effective and accessible visualizations
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
someone who does not know all the underlying details. This practice
includes the ability to prioritize features of a system, design intuitive ways
to represent it, and identify what can be left out of the visualization without
compromising the information being conveyed. Students who have
mastered this practice will be able to communicate information they have
learned about a system in a way that makes the information accessible to
viewers who do not know the exact details of the system from which the
information was drawn.
3 By infographic, we mean a visual abstraction that communicates information. It
includes conventional formats such as graphs, charts, and maps, but also includes
interactive, dynamic visualizations designed with the express goal of communicating
information to the viewer.
123
142
Defining Systems and Managing Complexity
Anything can be viewed as a system; the size andmembership of the
system depends on where you define its boundaries. You can have very
small systems that include only a narrow set of entities, like a classroom
system consisting of a teacher and students, or you can have systems that
includemillions of entities, like a group of galaxies or the human genome.
The larger the system is, in terms of number of entities, types of entities,
frequency of interactions, and diversity of behavior, themore complex it
becomes. The decision of where to set the boundaries of the system is
critical for any investigation that follows as it determines what questions
you can answer as well as the size and complexity of the system. Further,
in order to leverage computational tools in working with systems, one must
explicitly delineate the boundaries of the systems that are under
investigation. It is important to be able to define a system in a way that is
useful and productive. This includes creating a system that includes all the
necessary elements to be able to accomplish the desired goal while limiting
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.
Computational Thinking in Mathematics and Science in
Practice
As part of our effort to bring computational thinking into mathematics and
science classrooms, we are developing a series of computational thinking
enhanced lesson plans for high school mathematics, biology, chemistry,
and physics classrooms. These activities are informed by our taxonomy,
introduced in professional development workshops, and taught by teachers
without formal backgrounds in computational thinking or computer science.
The activities have been designed to be easily adopted and incorporated
into existing mathematics and science curricula. Here we present three
lessons that demonstrate the computational thinking in mathematics and
science (CT-MS) practices outlined in our taxonomy. 4
Video Games: Physics Phact or Phiction?
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
students calculate the gravitational constant (e.g., in Angry Birds) and/or
conservation of energy and momentum (e.g., in Asteroids). The lesson
begins with students creating a 20- to 30-s screencast of themselves
playing the game, then use Physics Tracker (Brown 2013 ), a video
transcription and computational analysis tool, to collect data (CT-MS
Practice: Data Collection). Within Physics Tracker, the students visualize
the data, plotting time, position, velocity, acceleration, and other germane
physical parameters (CTMS Practice: Data Visualization). They then use
Tracker’s analysis tools to identify the best fit between the data and their
mathematical functional form (CT-MS Practice: Data Analysis). Students
derive the properties that define the behavior of the world, such as finding
the gravitational constant in Angry Birds (CT-MS Practice: Using
Computational Models to Find/Test Solutions). Having answered this
question, students assess the video game as a model, identify differences
with the real world, and communicate why those design choices help the
usability of the game (CT-MS Practices: Assessing Computational Models,
Communicating Information about a System).
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
pieces and randomly arranged. After reflecting on this puzzle and the
strategies that they developed to reassemble the lyrics (CT-MS Practice:
Assessing Different Approach/Solutions to a Problem), students go on to a
more difficult challenge: reconstructing an unknown password with an
unfamiliar combination of letters and numbers. They then apply their
technique from the password puzzle to derive an efficient, robust, and
general algorithm for sequencing things (CT-MS Practices: Preparing
Problems for Computational Solutions, Creating Computational
Abstractions). After determining their technique for assembling the full DNA
sequence, the students write their procedure in pseudocode, intended to
be the first step toward expressing the algorithm in a manner that a
computer could interpret and execute (CT-MS Practice: Programming).
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.
By having them think about and experience scaling the problem up from a
simple case to a more complex problem, the students develop an
J Sci Educ Technol (2016) 25:127–147
appreciation for the processing speed that computers provide and how
computation has revolutionized the questions we ask and the way we do
science.
Gas Laws
In this high school chemistry lesson, students use an interactive simulation
to explore the relationships between macroscopic properties of
gases—pressure, volume, and temperature—based on how these
properties emerge from microscopic interactions (i.e., the motion of the gas
particles and the interaction with the walls of the container). The tool is part
of the PhET suite of simulations (Adams et al. 2008a , b ) that has been
found to help students build conceptual understandings of the concepts
being modeled (CT-MS Practice: Using Computational Models to
Understand a Concept) and is based on the earlier GasLab modeling
toolkit (Wilensky 1999a ). Students explore the behaviors of gases by
running experiments, the result of which are stored in a spreadsheet
(CT-MS Practice: Creating Data). The students then visualize their data,
graphing it in various formats to find the most compelling way to explain the
relationship between the variables to classmates (CT-MS Practices:
Analyzing Data, Visualizing Data). The simulation allows the students to
investigate both the microscopic, agent-level behaviors and macroscopic,
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
of the underlying interactions and focusing on identifying and measuring
inputs to and outputs from the aggregate system (CT-MS Practice:
Investigating a Complex System as a Whole).
Conclusion
This paper argues for the inclusion of computational thinking in
mathematics and science classrooms. We see three main benefits for the
approach of embedding computational thinking in these contexts: (1) it
builds on the reciprocal relationship for learning between computational
thinking and mathematics and science domains, (2) it addresses practical
concerns of reaching all students, and having proficient teachers, and (3) it
brings science and mathematics education more in line with current
professional practices in these fields. We have presented a
143
taxonomy that articulates a definition of ‘‘computational thinking in
mathematics and science’’ and contributes a language around which
standards, curricula, and assessments can develop. In so doing, we
address the issue of ambiguity and a lack of precision that has plagued
much of the discussion surrounding computational thinking. We see the
work presented in this paper as a first step in the process of bringing
computational thinking into mathematics and science classrooms.
Achieving this goal requires the support of a diverse set of stakeholders to
be successful. This includes teachers becoming comfortable teaching the
material and receiving professional development in computation-based
lessons and technology; school administrators allocating resources to
support its inclusion; policy makers prioritizing computational thinking as a
part of mathematics and science education; curriculum and assessment
developers producing computational thinking materials targeted for science
and mathematics classrooms; and the broader community supporting the
effort to bring computational thinking into these educational spaces. The
inclusion of computational thinking as a core scientific practice in the Next
Generation Science Standards and similar language in mathematics’
standards are important milestones, but there is still much work to do
toward addressing the challenge of educating a technologically and
scientifically savvy population and preparing the next generation of world
class scientists.
Acknowledgments This work is supported by the National Science Foundation under
NSF Grant CNS-1138461. However, any opinions, findings, conclusions, and/or
recommendations are those of the investigators and do not necessarily reflect the
views of the Foundation.
References
Abrahamson D, Wilensky U (2005) ProbLab goes to school: design,
teaching, and learning of probability with multi-agent interactive computer
models. In: Proceedings of the fourth conference of the European Society for
research in mathematics education. San Feliu de Gixols
Abrahamson D, Janusz RM, Wilensky U (2006) There once was a
9-block: a middle-school design for probability and statistics. J Stat Educ 14(1). http://www.amstat
abrahamson.html
Adams WK, Reid S, LeMaster R, McKagan SB, Perkins KK, Dubson
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,
McKagan SB, Perkins KK, Dubson
M, Wieman CE (2008b) A study of educational simulations part II: interface
design. J Interact Learn Res 19(4):551–557 Anderson MP, Srolovitz DJ, Grest
GS, Sahni PS (1984) Computer
simulation of grain growth—I: kinetics. Acta Metall 32(5):783–791
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
Astrachan O, Briggs A (2012) The CS principles project. CM Inroads
3(2):38–42
Augustine NR (2005) Rising above the gathering storm: energizing
and employing America for a brighter economic future. National Academies
Press, Washington, DC
Bailey D, Borwein JM (2011) Exploratory experimentation and
computation. Not Am Math Soc 58(10):1410–1419
Barab S, Thomas M, Dodge T, Carteaux R, Tuzun H (2005) Making
learning fun: Quest Atlantis, a game without guns. Educ Technol Res Dev
53(1):86–107
Barr V, Stephenson C (2011) Bringing computational thinking to
K-12: what is Involved and what is the role of the computer science education
community? ACM Inroads 2(1):48–54 Bar-Yam Y (2003) Dynamics of complex
systems. Perseus Publish-
ing, New York
Beheshti E, Weintrop D, Horn MS, Orton K, Jona K, Wilensky U (In
Preparation) Computational thinking in the wild: how scientists and
mathematicians use computational thinking in their work. Blikstein P (2013) Digital
fabrication and ‘‘making’’ in education: the
democratization of invention. In: Walter-Herrmann J, Büching C (eds) FabLabs:
of machines, makers and inventors, Transcript Publishers, Bielefeld, pp 1–21
Blikstein P, Wilensky U (2009) An atom is known by the company it
keeps: a constructionist learning environment for materials science using
agent-based modeling. Int J Comput Math Learn 14(2):81–119
Borner K (2015) Atlas of knowledge: anyone can map. MIT Press,
Cambridge
Box GE, Draper NR (1987) Empirical model-building and response
surfaces. Wiley, New York
Brady C, Holbert N, Soylu F, Novak M, Wilensky U (2015)
Sandboxes for model-based inquiry. J Sci Educ Technol 24(2):265–286
Brown D (2013) Tracker: video analysis and modeling tool (Version
4.82). http://www.cabrillo.edu/*dbrown/tracker
Brennan K, Resnick M (2012). New frameworks for studying and
assessing the development of computational thinking. Presented at the American
Education Researcher Association, Vancouver, Canada.
Bryan J (2006) Technology for physics instruction. Contemp Issues
Technol Teach Educ 6(2):230
Buckley BC, Gobert JD, Kindfield ACH, Horwitz P, Tinker RF,
Gerlits B et al (2004) Model-based teaching and learning with BioLogica TM: what
do they learn? how do they learn? how do we know? J Sci Educ Technol
13(1):23–41
Buechley L, Eisenberg M, Catchen J, Crockett A (2008) The LilyPad
Arduino: using computational textiles to investigate engagement, aesthetics,
and diversity in computer science education. In: Proceedings of the SIGCHI
conference on Human factors in computing systems. ACM, New York, pp
423–432
Chinn CA, Malhotra BA (2002) Epistemologically authentic inquiry
in schools: a theoretical framework for evaluating inquiry tasks. Sci Educ
86(2):175–218
Clements DH, Gullo DF (1984) Effects of computer programming on
young children’s cognition. J Educ Psychol 76(6):1051 Computer Science
Teachers Association (2011) K-12 computer
science standards. http://csta.acm.org/Curriculum/sub/K12Stan dards.html
Confrey J (1993) The role of technology in reconceptualizing
functions and algebra. Paper presented at the 17th Annual Meeting of the
North American Chapter of the International Group for the Psychology of
Mathematics Education, Asilomar Cooper S, Dann W, Pausch R (2000) Alice: a
3-D tool for
introductory programming concepts. J Comput Sci Coll 15(5):107–116
123
J Sci Educ Technol (2016) 25:127–147
Dijkstra HA (2013) Nonlinear climate dynamics. Cambridge Univer-
sity Press, Cambridge
diSessa AA (2000) Changing minds: computers, learning, and
literacy. MIT Press, Cambridge
diSessa AA (2004) Metarepresentation: native competence and
targets for instruction. Cogn Instr 22(3):293–331
Driscoll DP (2013) Technology and engineering literacy framework
for the 2014 National Assessment of Educational Progress. US Department of
Education, Washington DC
Duschl RA, Bismack AS (2013) Standards for science education:
quantitative reasoning and modeling concepts. In: Duschl RA, Bismack AS
(eds) Reconceptualizing STEM education: the central role of practices.
University of Wyoming, Laramie, WY Duschl RA, Schweingruber HA, Shouse
AW (2007) Taking science
to school: learning and teaching science in grades K-8. National Academies
Press, Washington, DC
Edelson DC, Gordin DN, Pea RD (1999) Addressing the challenges of
inquiry-based learning through technology and curriculum design. J Learn Sci
8(3/4):391–450
Eisenberg M (2002) Output devices, computation, and the future of
mathematical crafts. Int J Comput Math Learn 7(1):1–44 Epstein J, Axtell R
(1996) Growing artifical societies: social science
from the bottom up. Brookings Institution Press, Washington Feurzeig W, Papert
S, Lawler B (2011) Programming-languages as a
conceptual framework for teaching mathematics. Interact Learn Environ
19(5):487–501
Finzer W, Erickson T, Binker J (2001) Fathom [computer software].
KCP Technologies, Emeryville
Forrester JW (1968) Principles of systems. Pegasus Communications,
Waltham, MA
Foster I (2006) 2020 computing: a two-way street to science’s future.
Nature 440(7083):419
Furber S (2012) Shut down or restart? The way forward for
computing in UK schools. Technical report, The Royal Society, London
Gardner DP (1983) A nation at risk: the imperative for educational
reform. U.S. Department of Education, Washington, DC Gilbert JK (2004)
Models and modelling: routes to more authentic
science education. Int J Sci Math Educ 2(2):115–130
Goldstone RL, Wilensky U (2008) Promoting transfer by grounding
complex systems principles. J Learn Sci 17(4):465–516 Google: Exploring
Computational Thinking. (n.d.). Retrieved 25 Oct
2010. http://www.google.com/edu/computational-thinking/
index.html
Grimm Volker, Revilla Eloy, Berger Uta, Jeltsch Florian, Mooij Wolf
M, Railsback Steven F, Thulke Hans-Hermann, Weiner Jacob, Wiegand
Thorsten, DeAngelis Donald L (2005) Pattern-oriented modeling of
agent-based complex systems: lessons from ecology. Science 310:987–991
Grover S, Pea R (2013) Computational thinking in K-12: a review of
the state of the field. Educ Res 42(1):38–43
Guzdial M (1994) Software-realized scaffolding to facilitate pro-
gramming for science learning. Interact Learn Environ 4(1):001–044
Guzdial M (2008) Paving the way for computational thinking.
Commun ACM 51(8):25–27
Guzdial M, Soloway E (2003) Computer science is more important
than calculus: the challenge of living up to our potential. SIGCSE Bull
35(2):5–8
Hambrusch S, Hoffmann C, Korb JT, Haugan M, Hosking AL (2009)
A multidisciplinary approach towards computational thinking for science
majors. In: ACM SIGCSE bulletin, vol 41, pp 183–187 Hancock C, Kaput JJ,
Goldsmith LT (1992) Authentic inquiry with
data: critical barriers to classroom implementation. Educ Psychol 27(3):337
J Sci Educ Technol (2016) 25:127–147
Harrison AG, Treagust DF (2000) A typology of school science
models. Int J Sci Educ 22(9):1011–1026
Henderson PB, Cortina TJ, Wing JM (2007) Computational thinking.
In: ACM SIGCSE bulletin, vol 39. ACM, pp 195–196
Hmelo CE, Holton DL, Kolodner JL (2000) Designing to learn about
complex systems. J Learn Sci 9(3):247–298. doi: 10.1207/
S15327809JLS0903_2
Horn MS, Brady C, Hjorth A, Wagh A, Wilensky U (2014) Frog
pond: a code-first learning environment on evolution and natural selection. ACM
Press, New York, pp 357–360
Horwitz P, Schwartz J, Kindfield ACH, Yessis LM, Hickey DT,
Heidenberg A, Wolfe EW (1998) Implementation and evaluation of the
GenScope TM learning environment: issues, solutions, and results. In: Guzdial
M, Kolodner J, Bruckman A (eds) Proceedings of the 3rd annual international
conference of the learning sciences. Association for the Advancement of
Computers in Education, Charlottesville
Jackson SL, Stratford SJ, Krajcik J, Soloway E (1994) Making
dynamic modeling accessible to precollege science students. Interact Learn
Environ 4(3):233–257
Jacobson MJ, Wilensky U (2006) Complex systems in education:
scientific and educational importance and implications for the learning
sciences. J Learn Sci 15(1):11–34
Jona K, Vondracek M (2013) A remote radioactivity experiment.
Phys Teach 51(1):25
Jona K, Wilensky U, Trouille L, Horn MS, Orton K, Weintrop D,
Beheshti E (2014) Embedding computational thinking in science, technology,
engineering, and math (CT-STEM). Presented at the Future Directions in
Computer Science Education Summit Meeting, Orlando
Kaput JJ (1998) Representations, inscriptions, descriptions and
learning: a kaleidoscope of windows. J Math Behav 17(2): 265–281
Kay A, Goldberg A (1977) Personal dynamic media. Computer
10(3):31–41
Keeling MJ, Grenfell BT (1997) Disease extinction and community
size: modeling the persistence of measles. Sci 275(5296):65–67 Klopfer E
(2003) Technologies to support the creation of complex
systems models: using StarLogo software with students. Biosystems
71(1–2):111–122
Kohn W (2003) Nobel lectures, chemistry 1996–2000. World
Scientific Publishing Co, Singapore, p 213
Konold C, Miller CD (2005) TinkerPlots: dynamic data exploration.
Computer software. Key Curriculum Press, Emeryville, CA Lander ES, Schork
NJ (1994) Genetic dissection of complex traits.
Sci 265(5181):2037–2048
Laszlo E (1996) The systems view of the world: a holistic vision for
our time, 2nd edn. Hampton Press, Cresskill, NJ
Lehrer R, Giles N, Schauble L (2002) Data modeling. In: Lehrer R,
Schauble L (eds) Investigating real data in the classroom: expanding
children’s understanding of mathematics and science. Teachers College
Press, New York, pp 1–26
Lehrer R, Romberg T (1996) Exploring children’s data modeling.
Cognition Instruct 14(1):69–108
Lubchenco J, Olson AM, Brubaker LB, Carpenter SR, Holland MM,
Hubbell SP et al (1991) The sustainable biosphere initiative: an ecological
research agenda: a report from the Ecological Society of America. Ecology
72(2):371–412
Lehrer R, Schauble L (2006) Cultivating model-based reasoning in
science education. In: Sawyer RK (ed) The Cambridge handbook of the learning
sciences. Cambridge University Press, New York, pp 371–388
Levy ST, Wilensky U (2008) Inventing a ‘‘Mid Level’’ to make ends
meet: reasoning between the levels of complexity. Cogn Instr 26(1):1–47
145
Levy ST, Wilensky U (2009) Crossing levels and representations: the
connected chemistry (CC1) curriculum. J Sci Educ Technol 18(3):224–242
Lin CC, Zhang M, Beck B, Olsen G (2009) Embedding computer
science concepts in K-12 science curricula. In: Proceedings of the 40th ACM
technical symposium on computer science education. ACM, New York, pp
539–543
Linn MC, Clark D, Slotta JD (2003) WISE design for knowledge
integration. Sci Educ 87(4):517–538
Louca LT, Zacharia ZC (2012) Modeling-based learning in science
education: cognitive, metacognitive, social, material and epistemological
contributions. Educ Rev 64(4):471–492
Manabe S, Stouffer RJ (1988) Two stable equilibria of a coupled
ocean–atmosphere model. J Clim 1:841–866
Margolis J (2008) Stuck in the shallow end: education, race, and
computing. The MIT Press, Cambridge
Margolis J, Fisher A (2003) Unlocking the clubhouse: women in
computing. The MIT Press, Cambridge
National Governors Association Center for Best Practices, Council of
Chief State School Officers (2010) Common core state standards for
mathematics. National Governors Association Center for Best Practices,
Council of Chief State School Officers, Washington, DC
National Research Council (2007) Taking science to school: learning
and teaching science in grades K-8. National Academies Press, Washington,
DC
National Research Council (2010) Report of a workshop on the scope
and nature of computational thinking. The National Academies Press,
Washington, DC
National Research Council (2011a) Learning science through com-
puter games and simulations. The National Academies Press, Washington,
DC
National Research Council (2011b) Report of a workshop of
pedagogical aspects of computational thinking. The National Academies
Press, Washington, DC
National Research Council (2012a) A framework for K-12 science
education: practices, crosscutting concepts, and core ideas. National
Academies Press, Washington, DC
National Research Council (2012b) Discipline-based education
research: understanding and improving learning in undergraduate science and
engineering. National Academies Press, Washington, DC
National Research Council (2012c) Education for life and work:
developing transferable knowledge and skills in the 21st century. National
Academies Press, Washington, DC
Newell A, Simon HA (1972) Human problem solving, vol 104.
Prentice-Hall, Englewood Cliffs, NJ
NGSS Lead States (2013) Next generation science standards: for
states, by states. The National Academies Press, Washington, DC
Olsen LF, Schaffer WM (1990) Chaos versus noisy periodicity:
alternative hypotheses for childhood epidemics. Sci
249(4968):499–504
Palumbo DB (1990) Programming language/problem solving
research: a review of relevant issues. Rev Educ Res 60(1):65–89 Papert S
(1972) Teaching children to be mathematicians versus
teaching about mathematics. Int J Math Educ Sci Technol 3(3):249–262
Papert S (1980) Mindstorms: children, computers, and powerful ideas.
Basic books, New York
Papert S (1996) An exploration in the space of mathematics
educations. Int J Comput Math Learn 1(1):138–142
Parnafes O (2007) What does ‘‘fast’’ mean? understanding the
physical world through computational representations. J Learn Sci
16(3):415–450
123
146
Penner DE (2000) Cognition, computers, and synthetic science:
building knowledge and meaning through modeling. Rev Res Educ 25:1
Perkins K, Adams W, Dubson M, Finkelstein N, Reid S, Wieman C,
LeMaster R (2006) PhET: interactive simulations for teaching and learning
physics. Phys Teach 44(1):18
Perlis A (1962) The computer in the university. In: Greenberger M
(ed) Computers and the world of the future. MIT Press, Cambridge, pp
180–219
Pople J (2003) Nobel lectures, chemistry 1996–2000. World Scientific
Publishing Co, Singapore, p 246
Redish EF, Wilson JM (1993) Student programming in the introduc-
tory physics course: mUPPET. Am J Phys 61:222–232 Repenning A, Webb D,
Ioannidou A (2010) Scalable game design and
the development of a checklist for getting computational thinking into public
schools. In Proceedings of the 41st ACM technical symposium on computer
science education. pp 265–269 Resnick M, Silverman B, Kafai Y, Maloney J,
Monroy-Hernández A,
Rusk N et al (2009) Scratch: programming for all. Commun ACM 52(11):60
Richmond B, Peterson S, Vescuso P, Maville N (1987) An Academic
user’s guide to Stella Software. High Performance Systems, Inc, Lyme, NH
Roschelle J, Kaput J, Stroup W (2000) SimCalc: accelerating student
engagement with the mathematics of change. In: Learning the sciences of the
21st century: research, design, and implementing advanced technology learning
environments. pp 47–75
Rubin A, Nemirovsky R (1991) Cars, computers, and air pumps:
thoughts on the roles of physical and computer models in learning the central
concepts of calculus. In Underhill RG (ed) Proceedings of the Thirteenth
International Conference for the Psychology of Mathematics Education—North
American Chapter Conference, Virginia, pp 168–174
Ryoo JJ, Margolis J, Lee CH, Sandoval CD, Goode J (2013)
Democratizing computer science knowledge: transforming the face of computer
science through public high school education. Learn Media Technol
38(2):161–181
Schwarz CV, Meyer K, Sharma A (2007) Technology, pedagogy, and
epistemology: opportunities and challenges of using computer modeling and
simulation tools in elementary science methods. J Sci Teach Educ
18(2):243–269
Sengupta P, Kinnebrew JS, Basu S, Biswas G, Clark D (2013)
Integrating computational thinking with K-12 science education using
agent-based computation: a theoretical framework. Educ Inf Technol
18(2):351–380
Settle A, Franke B, Hansen R, Spaltro F, Jurisson C, Rennert-May C,
Wildeman B (2012) Infusing computational thinking into the middle- and
high-school curriculum. In: Proceedings of the 17th ACM conference on
Innovation and technology in computer science education. ACM, New York, pp
22–27
Settle A, Goldberg DS, Barr V (2013) Beyond computer science:
computational thinking across disciplines. In: Proceedings of the 18th ACM
conference on innovation and technology in computer science education. ACM,
New York, pp 311–312
Shaughnessy JM (2007) Research on statistics learning. In: Lester FK
(ed) Second handbook of research on mathematics teaching and learning.
InformationAge Publishing, Charlotte, NC, pp 957–1009. Sherin BL (2001) A
comparison of programming languages and
algebraic notation as expressive languages for physics. Int J Comput Math
Learn 6(1):1–61
Sherin BL, diSessa AA, Hammer D (1993) Dynaturtle revisited:
learning physics through collaborative design of a computer model. Interact
Learn Environ 3(2):91–118
Srolovitz DJ, Anderson MP, Sahni PS, Grest GS (1984) Computer
simulation of grain growth—II: grain size distribution, topology, and local
dynamics. Acta Metall 32(5):793–802
123
J Sci Educ Technol (2016) 25:127–147
Sterman J (2000) Business dynamics: systems thinking for a complex
world. Irwin/McGraw-Hill, New York
Stieff M, Wilensky U (2003) Connected chemistry: incorporating
interactive simulations into the chemistry classroom. J Sci Educ Technol
12(3):285–302
Taub R, Armoni M, Bagno E, Ben-Ari M (2015) The effect of
computer science on physics learning in a computational science environment.
Comput Educ 87:10–23
Tinker RF, Xie Q (2008) Applying computational science to
education: the molecular workbench paradigm. Comput Sci Eng 10(5):24–27
Turelli M, Barton NH (1994) Genetic and statistical analyses of
strong selection on polygenic traits: what, me normal? Genetics 138(3):913–941
Vogelsberger M, Genel S, Springel V, Torrey P, Sijacki D, Xu D et al
(2014) Introducing the illustris project: simulating the coevolution of dark and
visible matter in the Universe. Mon Not R Astron Soc 444(2):1518–1547
von Neumann J (1955) Method in the physical sciences. In: Bródy F,
Vámos T (eds) The Neumann compendium: world series in 20th century
mathematics, vol 1. World Scientific Publishing Co, Singapore, p 628
Wagh A, Wilensky U (2014) Seeing patterns of change: supporting
student noticing in building models of natural selection. In: Proceedings of
2014 constructionism. Vienna, 19–23 Aug Weintrop D, Wilensky U (2013)
RoboBuilder: a computational thinking
game. In Proceeding of the 44th ACM technical symposium on computer science
education. ACM, Denver, pp 736–736
White BY (1993) ThinkerTools: causal models, conceptual change,
and science education. Cogn Instr 10(1):1
White BY, Frederiksen JR (1998) Inquiry, modeling, and metacog-
nition: making science accessible to all students. Cogn Instr 16(1):3–118
Wilensky U (1995) Paradox, programming, and learning probability:
a case study in a connected mathematics framework. J Math Behav
14(2):253–280
Wilensky U (1997) What is normal anyway? therapy for epistemo-
logical anxiety. Educ Stud Math 33(2):171–202
Wilensky U (1999a) GasLab: an extensible modeling toolkit for
exploring statistical mechanics. In: Roberts N, Feurzeig W, Hunter B (eds)
Computer modeling and simulation in science education. Springer, Berlin, pp
151–178
Wilensky U (1999b) NetLogo. Center for Connected Learning and
Computer-Based Modeling, Northwestern University, Evanston.
http://ccl.northwestern.edu/netlogo
Wilensky U (2001) Modeling nature’s emergent patterns with multi-
agent languages. In: Proceedings of EuroLogo. Linz, pp 1–6 Wilensky U
(2003) Statistical mechanics for secondary school: the
GasLab multi-agent modeling toolkit. Int J Comput Math Learn 8(1):1–41
Wilensky U, Novak M (2010) Teaching and learning evolution as an
emergent process: the BEAGLE project. In: Taylor R, Ferrari M (eds)
Epistemology and science education: understanding the evolution versus
intelligent design controversy. Routledge, New York
Wilensky U, Papert S (2010) Restructurations: reformulations of
knowledge disciplines through new representational forms. In: Clayson J, Kalas I
(eds) Proceedings of the constructionism 2010 conference. Paris. 10–14 Aug, p
97
Wilensky U, Rand W (2015) An introduction to agent-based
modeling: modeling natural, social and engineered complex systems with
NetLogo. MIT Press, Cambridge
Wilensky U, Reisman K (2006) Thinking like a wolf, a sheep, or a
firefly: learning biology through constructing and testing computational
theories—an embodied modeling approach. Cogn Instr 24(2):171–209
J Sci Educ Technol (2016) 25:127–147
Wilensky U, Resnick M (1999) Thinking in levels: a dynamic systems
approach to making sense of the world. J Sci Educ Technol 8(1):3–19
Wilensky U, Brady C, Horn M (2014) Fostering computational
literacy in science classrooms. Commun ACM 57(8):17–21 Wilkerson-Jerde
MH (2014) Construction, categorization, and con-
sensus: student generated computational artifacts as a context for disciplinary
reflection. Educ Technol Res Dev 62(1):99–121 Wilkerson-Jerde MH, Wilensky U
(2015) Patterns, probabilities, and
people: making sense of quantitative change in complex systems. J Learn Sci
24(2):204–251
Wilkerson-Jerde MH, Gravel BE, Macrander CA (2015) Exploring
shifts in middle school learners’ modeling activity while
147
generating drawings, animations, and computational simulations of molecular
diffusion. J Sci Educ Technol 24(2–3):396–415 Wing JM (2006) Computational
thinking. Commun ACM 49(3):
33–35
Wolfram S (2002) A new kind of science, 1st edn. Wolfram Media,
Tokyo
Yadav A, Zhou N, Mayfield C, Hambrusch S, Korb JT (2011)
Introducing computational thinking in education courses. In: Proceedings of
the 42nd ACM technical symposium on Computer science education, ACM, pp
465–470
Zuckerman O, Resnick M (2003) System blocks: a physical interface
for system dynamics learning. In: Proceedings of the 21st international system
dynamics conference. Citeseer, pp 810–811.
123