Введение
Вычислительное мышление (ВМ) — это общедисциплинарный, структурированный подход к решению задач, основанный на компьютерных науках и включающий декомпозицию, распознавание паттернов, абстрагирование и алгоритмическое мышление для формулирования пошаговых решений, исполнимых человеком или машиной. ВМ согласуется с высшими когнитивными процессами (например, уровнями анализа и творчества в таксономии Блума) и классическими этапами решения задач и все чаще признается необходимым не только в программировании, но и в других дисциплинах. Эмпирические данные показывают, что раннее обучение программированию дает измеримый прирост ВМ у детей, что обосновывает его интеграцию в образование для подготовки обучающихся к сложным, технологически насыщенным средам. Хотя компоненты ВМ концептуально различимы, существующие оценочные шкалы часто измеряют более широкие конструкты, представляя эти компоненты имплицитно, а не через специализированные подшкалы с явным подсчетом баллов.
Современные наука выделяет в структуре ВМ несколько взаимосвязанных компонентов. Декомпозиция предполагает разбиение сложной задачи на более мелкие и управляемые части, что облегчает понимание задачи и выделение конкретных подзадач. Распознавание паттернов связано с выявлением повторяющихся закономерностей и сходств между задачами и позволяет переносить найденные решения на новые ситуации. Абстрагирование состоит в отбрасывании несущественной информации и выделении ключевых элементов задачи. Алгоритмическое мышление предполагает построение упорядоченной последовательности шагов, приводящей к решению и допускающей исполнение человеком или машиной. Оценка решения замыкает этот цикл, позволяя сопоставить альтернативные варианты по эффективности и корректности.
Шкалы самооценки ВМ экономичны и применимы в массовых опросах, однако их психометрические свойства чувствительны к языковому и культурному контексту, поэтому перенос инструмента в новую популяцию требует обязательной проверки. В России валидированных русскоязычных шкал самооценки ВМ практически нет, что ограничивает сопоставимость российских данных с международными.
Выборка и методы
В исследовании участвовали опытные программисты и студенты направлений, связанных с компьютерными науками; сбор данных проводился в соответствии с этическими стандартами (анонимный сбор данных для несовершеннолетних, добровольное участие; APA, 2017; BERA, 2018). Из 167 первоначальных ответов были исключены участники с опытом программирования менее 6 месяцев, в результате итоговая выборка составила 148 человек (средний возраст — 20,7 года, SD = 5,7; 75% — мужчины). Для оценки вычислительного мышления, навыков решения задач и сотрудничества использовался 48‑пунктный опросник с шкалой Лайкерта (5‑балльная шкала) вместе со сбором демографических данных (возраст, ведущая рука, опыт программирования в месяцах, принадлежность к организации). Большинство участников составили студенты российского федерального университета (81,1%); средний опыт программирования — 4,2 года (SD = 4,8), наиболее предпочтительным языком был Python.
При отборе инструментов было рассмотрено более 21 шкалы. Включались шкалы, пункты которых прямо соотносятся с ключевыми компонентами ВМ, опираются на существующие теоретические рамки, подтверждены эмпирически, сформулированы ясно и допускают адаптацию к различным культурным контекстам; исключались шкалы с неоднозначными или дублирующими друг друга пунктами, а также не проверявшиеся на валидность и надежность. Перевод выполнялся методом обратного перевода: для каждой шкалы привлекались два независимых переводчика, прямой перевод затем переводился обратно специалистом, не знакомым с оригиналом, после чего версии сопоставлялись для выявления расхождений. Содержательно специфичных для культуры пунктов, требующих существенной переработки, выявлено не было; отдельные пункты потребовали лексических решений с учетом культурного контекста.
Обработка данных и оценка надежности (α Кронбаха) выполнены в RStudio (версия 2024.10.1) на языке R (версия 4.4.2), эксплораторный факторный анализ — с помощью пакета psych (версия 2.4.3), конфирматорный — на языке Python (версия 3.13.1) с использованием библиотеки semopy (версия 2.4.1). EFA выполнялся методом главных осей с облическим вращением (oblimin), число факторов определялось по графику каменистой осыпи, а качество моделей оценивалось по индексам RMSEA (≤ 0,08), CFI (≥ 0,90) и TLI (≥ 0,90).
Результаты
С помощью эксплораторного и конфирматорного факторного анализа подтверждена четырехфакторная структура объединенного инструмента. Тест Бартлетта был значим, значения KMO были адекватными (0,76—0,82). При раздельном анализе EFA выявила один фактор для Шкалы 1 и три фактора для Шкалы 2, однако при совместном анализе emerged возможно более четкое четырехфакторное решение с приемлемой/хорошей внутренней согласованностью (α Кронбаха = 0,76—0,89). Пункты с факторными нагрузками < 0,40 и общностями h² < 0,25 были отмечены для исключения. Четыре фактора были интерпретированы как «Систематическое решение задач», «Трудности в процессе решения задач» (обратно кодированные), «Склонность к совместному обучению» и «Уверенность в математических способностях и планировании». КФА (Конфирматорный Факторный Анализ) показал, что четырехфакторная модель лучше соответствует данным, чем одно‑ и двухфакторные альтернативы (ниже RMSEA, выше CFI/TLI), хотя общее соответствие не было идеальным.
Значения KMO составили 0,82 для Шкалы 1, 0,76 для Шкалы 2 и 0,76 для объединенного набора пунктов. Внутренняя согласованность составила α = 0,86 для единственного фактора Шкалы 1; 0,82, 0,84 и 0,76 для трех факторов Шкалы 2; 0,89, 0,84, 0,78 и 0,77 для четырех факторов объединенной шкалы. Пункты Q1_1, Q4_1, Q15_1, Q17_1, Q21_2, Q26_2, Q31_2, Q38_2 и Q39_2 показали нагрузки ниже 0,40 и общности h² < 0,25 и были рекомендованы к исключению. Сопоставление моделей дало следующие индексы: однофакторная — RMSEA = 0,070, CFI = 0,844, TLI = 0,832; двухфакторная (исходная) — RMSEA = 0,067, CFI = 0,854, TLI = 0,843; четырехфакторная — RMSEA = 0,058, CFI = 0,895, TLI = 0,881.
Заключение
В данном исследовании с использованием психометрических методов рассматриваются пробелы в понимании вычислительного мышления (ВМ), особенно в недостаточно изученных регионах, таких как Россия. Комбинированная шкала выявила надежную четырехфакторную структуру с высокой внутренней согласованностью (альфа Кронбаха — 0,77—0,89), что подтверждает ее эффективность для измерения различных конструктов ВМ.
Наше исследование продемонстрировало, что прямой перенос исходных шкал на российскую выборку не сохраняет их первоначальную факторную структуру. Однако предложенная 4-факторная модель, подтвержденная результатами конфирматорного факторного анализа (RMSEA = 0,058; CFI = 0,895), демонстрирует хорошее соответствие данным и высокую внутреннюю согласованность. Таким образом, мы рекомендуем использовать доработанную комбинированную шкалу из 39 пунктов (после исключения 9 пунктов с низкими факторными нагрузками) как надежный инструмент для оценки самовосприятия аспектов ВМ у русскоязычных программистов и студентов.
Результаты следует интерпретировать с учетом ограничений: выборка была преимущественно студенческой и несбалансированной по полу, а самооценочный формат отражает представления респондентов о собственном ВМ, а не успешность решения задач. Дальнейшие исследования целесообразно направить на доработку формулировок пунктов с низкими нагрузками и на проверку структуры уточненной шкалы на независимых выборках.