论文部分内容阅读
[摘 要] 信息时代呼唤深度学习，它与计算思维存在着深刻且本质的关联。在信息技术学科教学中，如何发展学生计算思维是诸多中小学教师面临的教学困境。在此背景下，本研究建构了“面向计算思维发展的深度学习模型”，以知识建构、混合式学习理论和CTCL研究范式为指导，将课堂教学活动分为教师行为、学生行为、思维过程和评价总结四个方面，基于上述模型进行教学实验。实验以可视化编程课程为载体，历时18周，通过对三阶段两维度作品的评价，比较分析实验组和对照组学生的计算思维发展状况。结果表明：三个阶段实验组学生的计算思维能力优于对照组学生，计算思维能力提升水平高于对照组，实验组和对照组的计算思维各维度的发展水平比较均衡。由此可得出结论，该学习模型可以有效提升学生的计算思维水平并促进深度学习的发生。
[关键词] 深度学习; 计算思维; 可视化编程; 教学模式
[中图分类号] G434 [文献标志码] A
[作者简介] 陈兴冶（1979—），男，上海人。高级教师，博士研究生，主要从事中小学信息技术教学、教育信息化研究。E-mail：chenxy@sesedu.cn。杨伊为通讯作者，E-mail：839011560@qq.com。
一、引 言
信息时代呼唤更好的思维模式和意义建构方式，以面对日新月异的技术和瞬息万变的知识，实现对知识内容更深层次的理解，这种对知识的综合、评价及迁移的深度理解就是深度学习（Deep Learning）。作为信息时代产物的计算思维（Computational Thinking）的培养也成为各国关注的重点。国务院2017年7月印发并实施的《新一代人工智能发展规划》明确提出：在中小学阶段设置人工智能相关课程，逐步推广编程教育。基于可视化编程开展计算思维的培养在国内外有着较为广泛的研究基础，但以深度学习为目标进行计算思维培养的研究并不多见。本研究以计算思维为视角，提出促进深度学习的学习模型，并将其与可视化编程教学实践进行对接，对基于模型教学的有效性进行理论分析和实证研究，以完善学习模型。
二、研究背景
1976年，Ference Marton和Roger Saljo在《学习的本质区别一：结果和过程》中，首次提出了深度学习的概念，而后Biggs、Ramaden、Entwistle[1]、Eric Jensen[2]等侧重认知策略和认知技能，提出运用多样化的学习策略并通过对学习过程和高水平的分析与加工来实现对知识的深度理解。2005年黎加厚率先将其引入我国，指向“与原有的认知结构相融合”和“将知识迁移到新的情境”[3]，何克抗[4]、胡航等[5]则聚焦于深度学习理论体系的建构，通过概念、过程、作用等的系统研究，提出深度学习是催生高阶思维和深层认知能力的过程。总体上，深度学习内在地包含三个要点：其一，在既有经验的基础上理解、归纳、运用的学习，结合原有的认知结构，接收和学习新知识，即“新知理解”;其二，建立知识间的相互联系，即“内部关联迁移”;其三，通过分析做出解决问题的决策并拓展新知识，即“外部拓展迁移”。
“计算思维”源于算法思维和程序思维，自2006年美国卡内·基梅隆大学周以真教授首次提出完整定义起，国内外学者先后对其进行了探索，择其共识：计算思维是解决问题过程中多种思维技能的交互，其中蕴含了不同的思维要素。它与计算机教学的结合最为紧密，《普通高中信息技术课程标准》（2017版）明确指出，计算思维包括界定问题、抽象特征、建立结构模型、合理组织数据等要素以及运用算法形成问题解决的方案并能将其迁移到与之相关的其他问题解决中[6]。如若将课标进一步映射、聚焦到可视化编程教学领域，则与计算思维三维框架[7]默契呼应，即“问题的界定及抽象”对应“计算概念”（Computational Concept），“方案的建模及自动化”对应“计算实践”（Computational Practices），“方法总结及迁移”对应“计算观念”（Computational Perspectives）。计算思维三维框架即为计算思维的三种思维水平，分别指向概念理解、编程行为以及编程素养，故在可视化编程教学时可使用该框架进行设计、实施和评估。
深度学习与计算思维存在着深刻且本质的关联，开展促进学生深度学习的教學研究兼具较强的理论和实践意义。从认知视角分析，问题解决过程可分为“低阶认知能力”和“高阶认知能力”。高层次的计算思维水平（即计算实践、计算观念）是问题解决中“高阶认知能力”的集中体现，而“高阶认知能力”又可等价为高阶思维能力[8]。诸多研究表明，发展高阶思维有助于促进深度学习[9]，由此可知，提升问题解决能力同样是促进深度学习的有效途径，而发展计算思维是促进学生深度学习的内生动力。表1提炼了认知领域、深度学习和计算思维三者之间的关系并与“问题解决”进行了关联。
三、深度学习模型的构建
计算思维的本质就是通过信息采集、信息处理、建模和自动化等过程进行问题解决的思维活动。Fessakis[10]、Urquiza-Fuentes[11]等研究表明，编程教学是促进计算思维能力提升的有效途径，但常态化、长周期的实证研究较少，故而从计算思维的视角出发构建促进深度学习模型来支持一线教师开展可视化编程教学实践迫在眉睫。
（一）理论基础
1. 知识建构理论
知识建构的过程按照主体层次的不同可分为个人知识建构和协作知识建构[12]，前者强调学习者对外界信息主动地选择和加工，在个人知识经验基础上的创新认知，建构自己的认识与理解，原有知识又因为新知识的进入而发生调整和改变[13];后者则强调协作、共享和讨论形成新知识或集体认知共识。每个学习者都是一个认知源，要使学生互换信息，“交流”必不可少，而“意义建构”则是教学过程的最终目标。本研究的教学实践中将关注学生知识的发展，利用思维导图关注学生个人知识建构过程，同时关注学生协作知识建构中遇到的问题和困难，并为学习者提供协助其知识建构的学习支架。 2. 混合学习理论
混合学习（Blending Learning）是基于线上线下融合的学习方式，在e-Learning的基础上发展起来的。今天教育学界普遍将其视为网络学习与传统学习的融合[14]，既具备了网络学习打破时空的特点，也具备传统教学师生面对面讨论学习问题的特点[15]。本研究以面对面的方式授课，在作品创作和练习过程中借助于LearnSite在线网络学习平台，学生在线完成和保存各项编程作品，在分享乐园中进行共享和评价，在讨论区进行异步的协作问题交流，在紧紧把握混合学习内涵的同时，回应其关键特征。
3. CTCL研究范式
董玉琦教授2012年提出教育技术学研究新范式——CTCL（Culture，Technology，Content，Learner）[16]，核心理念是针对具体学习内容，以问题解决为导向，将文化、技术、学习内容、学习者等因素相统合来开展研究。CTCL研究有三重境界，即学习方式转变、学业水平提升和综合素质改善，目前，研究主要聚焦在学业水平提升方面。尹相杰等[17]、毕景刚等[18]、陈兴冶等[19]以认知为切入点，在不同学科检验并证实其在学科教学中具有可推广的理论价值。计算思维属于高阶思维，其作为学科核心素养体现了学生的学业水平，而作为问题解决的思维方法逐渐成为学习者终身发展的核心技能。因此，在信息技术学科教学时，CTCL范式可以作为问题解决的理论框架。
（二）模型的构建
深度学习是高阶思维的过程，是对知识的高度组织和深度加工，映射到可视化编程教学活动，这种高阶思维指向计算思维。深度学习模型以真实情境的问题为载体，横向由教师行为、学生行为、思维过程（包括设计维度）和评价总结四个维度组成，纵向以“教学设计—学习发生—学习评价”为主线。其中，教学设计对应于教师行为，意在为学生的学习提供支撑。学生是学习的主体，故学习发生是核心部分，对应于学习行为和思维过程，其中学生行为以在线或离线的协作学习为主，包括利用思维工具和学习支架进行思维呈现，利用可视化编程工具进行思维的表达，围绕问题解决进行讨论分享和实践等;思维过程则主要对教学进行整体定位，即将问题解决、深度学习及计算思维三者关系融入教与学的活动。最后，学习评价属评价总结维度，确保计算思维的反思与强化（如图1所示）。
1. 教师行为
教师须完成真实情境的创设，帮助学生实现基于问题驱动的深度学习，主要通过教学设计、教学组织、课堂答疑及支架提供等为学习活动提供支持。教学设计分为问题情境和教学过程的设计。问题情境除符合学生认知特点外，还需要充分考虑到问题本身的开放性;教学过程的设计则应充分关照学习者与学习内容的交互关系，以此为基點设计教学。教学组织以“教+学”并进方式展开。可视化编程教学中，“教”主要针对知识与技能的讲授和巩固，教师针对课堂教学状况及时调整教学过程和策略;“学”既包括同伴协作，综合运用知识技能完成项目，还包括自主学习，即联系生活实际，独立创设项目、评估项目，使技能得到迁移，思维得到发展。课堂答疑方式分为面对面答疑和在线协作平台答疑，教师一是要从学生回答中发现错误或偏差，后续面对所有学生进行纠正;二是学生在协作学习中遇到困惑并求助时，教师通过个别辅导加以解决。在促进深度学习的可视化编程教学中，教师共设计了资源支架、个人学习支架、协作学习支架、评价学习支架和反思支架五种。通过这五种学习支架，让学生经历有经验的学习者（如教师）所经历的思维过程，有助于学生对于知识，特别是隐性知识的体悟与理解[20]。
2. 学生行为
学生是问题解决的主体，基于真实情境的各种问题是客体，通过计算思维视角来促进深度学习是结果。因此，学生行为处于模型内环，模型中的思维过程和设计维度均属于学生行为。本研究以讨论、分享和实践等学习方式，通过在线协作学习平台/线下的学习、思维呈现、思维表达三个方面的学习活动，实现在问题解决过程中计算思维的可视化、高阶化。学习内容主要通过教师讲授、学生协作、学生交流分享等途径获得，经过线下/在线协作学习平台两种途径进行知识建构和认知结构的改善。学习方式包括个体学习和同伴互助学习，前者强调对知识技能自我认知能力，后者则强调基于真实情境的问题分析、方案设计及问题解决等群体协作能力。学生思维呈现处于问题情境、深度学习框架及计算思维三者的最底层，主要任务是将问题分析、方案确定的过程显现出来。学生主要采用思维工具和学习支架并基于计算思维实现问题分析和方案制定的可视化。学生思维表达属于问题情境、深度学习框架以及计算思维视角三者的上位维度，主要任务是将思维呈现的内容利用可视化编程工具进行模型化和自动化。学生一方面采用可视化编程工具解决问题，另一方面从编程实践中归纳问题解决的一般路径，实现计算思维的迁移。
3. 思维过程
设计维度是学生活动的基础，是思维过程的一部分，而思维过程主要包括了问题驱动、深度学习和计算思维三个方面的设计和实施。问题驱动的任务是设计具有现实意义的问题情境并分析、解决这些问题，指向问题分析、方案综合和方案评估并实现三个要素，学生需进行充分讨论、分工协作，开展互相之间认知分享。深度学习主要包括新知理解、内部关联迁移和外部拓展迁移三个维度，每个维度又与问题驱动三个要素相对应。新知理解既包括问题涉及的新知识，还将问题分析能力视作新知识;内部关联迁移不仅包括问题所涉及的知识技能之间的联结，还包括协作过程不同方案的“取长补短”中的分析综合;外部拓展迁移除方案评估与实现外，还涉及运用相同方法完成同类问题的能力与思维迁移。计算思维通过三维框架与深度学习三个维度所形成的对应关系实现了隐性思维显性化、显性思维模型化和高效思维自动化，进而与问题驱动三个要素建立了关联，同时计算思维三个维度又为学生行为中的思维呈现与表达提供支撑。
4. 评价总结 评价总结以计算思维发展作为评价指标，对学生的深度学习状况进行评价，具体可拆分为“评价”和“总结”。评价包括过程性和终结性評价，前者主要以完成教师所提供的学习支架作为评价载体;后者则主要将学生完成问题解决的程序作品作为评价载体。总结主要以学生个人或小组交流为主，分享及反思在问题解决过程中认知过程、计算思维等有效策略，从而实现一般问题解决时计算思维的模式化。
四、研究设计
（一）研究问题及对象
实验围绕“面向计算思维发展的深度学习模型”对于学生计算思维能力培养的作用进行设计。以上海市S学校初中二年级两个班为研究对象，共计69人（男生35，女生34）。为排除无关因素的干扰采取随机分组（对照组34，实验组35），由同一位教师承担两组的教学任务。
（二）教学内容
将“Scratch可视化编程”课程中8个项目主题作为本研究的载体，课程内容分为概念学习、项目创作以及综合运用三种类型，学习进度遵循课程内容由易及难的原则加以安排。
（三）评价工具
本研究学生完成的作品分为项目进行前的思维导图及每个项目主题完成后的Scratch作品。针对思维导图作品采用以经典的霍夫[21]评价模式为基础的评价框架：将学生的思维导图作品分为7个要素，对7个要素分别打分，计算每个维度的得分，再将三个维度成绩总和作为计算思维的总体评价，见表2。针对Scratch作品则采用Dr.Scratch计算思维评价工具：学生将完成的Scratch作品上传至Dr.Scratch专用网站，点击“分析”后出现包括流程控制、数据表示、抽象、用户交互、同步、并行和逻辑七个计算思维指标的得分及总分。对两个工具进行内部一致性信度分析。思维导图评价框架和Dr.Scratch评价工具的峰度偏度的绝对值均在1以内，且渐进显著性概率（双侧）均大于0.05，说明样本数据呈现正态分布，评价工具有效。此外，思维导图评价框架和Dr.Scratch评价工具的克隆巴赫α系数分别为0.731和0.795，信度较好。
（四）研究实施
实验历时18周，实验组采用深度学习模型，对照组则遵循传统讲练结合的教学方式，教学设计的具体操作步骤见表3。实验完成后，借助经过验证的评价工具对两组学生的作品进行检测。
（五）数据收集
本研究在学期初期（T1）、中期（T2）、末期（T3）各抽取了1份思维导图和Scratch作品，共计收到两种作品各207份。Scratch作品的评价由Dr.Scratch工具完成，思维导图作品则由两位教师根据评价框架独立打分形成两组数据，对两组数据进行相关性分析得到相关系数为0.892，说明针对同一个标准的评分具有较好的稳定性，故每个作品取两次评分的平均值作为最终得分。最后，使用SPSS 21.0对数据进行信度分析及多维度的数据比较。
五、结果分析
（一）实验组学生的计算思维能力优于对照组学生
T1阶段两组学生在思维导图和Scratch作品上呈现的计算思维水平基本相当（p>0.05）;T2阶段实验组学生在思维导图和Scratch作品上的成绩分别高于对照组2.111和2.595，且p值均小于0.05，计算思维水平呈现出显著性差异。比较两组平均成绩的差值：Scratch作品上呈现的计算思维水平增幅要明显高于思维导图;相比T2阶段，T3两组学生的计算思维水平得到进一步的发展，且均存在显著性差异。对两组两种作品的不同阶段计算思维水平两两进行配对样本t检验发现，p=0.000（<0.05），说明两组实验前后计算思维水平存在显著性差异，见表4。
实验组和对照组在T1阶段两种作品的计算思维水平存在显著正相关（r=0.648和0.622，p<0.01）;实验组在T2阶段两种作品的计算思维水平存在高度正相关（r=0.895，p<0.01），对照组存在显著正相关（r=0.446，p<0.01）;实验组在T3阶段两种作品的计算思维水平存在高度正相关（r=0.788，p<0.01），对照组存在显著正相关（r=0.574，p<0.01）。
基于数据发现，（1）实验初期，两种作品呈现的计算思维相关性相当;（2）T2、T3阶段，实验组计算思维水平增长幅度明显高于对照组，说明基于模型的教学效果优于传统教学。
（二）实验组计算思维能力的提升水平高于对照组
在T1与T2过程，实验组两个作品上的差值显著性要高于对照组，其中，实验组的差值之间存在显著正相关（r=0.730，p<0.01），对照组的差值之间存在显著正相关（r=0.378，p<0.05）;在T2与T3过程，对照组两个作品上的差值显著性要高于实验组，其中，实验组的差值之间相关性不显著，对照组的差值之间存在显著正相关（r=0.374，p<0.05）;在T1与T3过程，实验组两个作品上的差值显著性又高于对照组，实验组的差值之间存在显著正相关（r=0.498，p<0.01），对照组的差值之间存在显著正相关（r=0.456，p<0.01），见表5。
基于数据发现，（1）不同阶段，两组学生两种作品上呈现的计算思维提升水平都有提高;（2）与其他阶段相比， T2至T3阶段两组学生的计算思维提升水平较低;（3）实验组计算思维提升水平整体上高于对照组。
（三）实验组的计算思维发展水平优于对照组，在计算观念维度的表现更为突出
以思维导图作品为基础，对计算思维三个维度在三个阶段成绩进行两组间的独立样本t检验，见表6。从计算概念上分析，T3阶段P小于0.05，表示两组计算概念水平在T3阶段存在显著性差异，但T1阶段P值大于0.05，T2的P值接近0.05且小于T1的P值，说明计算概念在三阶段两组间存在差异扩大的显著性趋势。从计算实践上分析，T2、T3阶段P值均小于0.05，表示两组计算实践水平在T2、T3阶段存在显著性差异，但T1阶段的P值大于0.05，说明后两阶段计算实践水平两组间存在显著性差异扩大较快。从计算观念上分析，T2、T3阶段P值均小于0.05，表示两组计算观念水平在T2、T3阶段存在显著性差异，但在T1阶段的P值大于0.05，说明两组间计算观念水平在T2、T3阶段增长较快。总体上，T3阶段两组间计算思维三个维度都存在显著性差异。 六、討 论
基于深度学习模型的教学实践，学习者实现了包括动机、方法、态度等学习文化的改变，在“变”的过程中进行计算思维的培养，进而提升了学习品质，促进深度学习的发生，而对学习效果的测量则是验证模型可靠性的重要环节。
（一）学习文化与计算思维发展之间的关系
本研究模型始终将学习者置于核心位置，不仅关注学生的学习行为，还特别强调对学生思维发展过程的引导与支持，学生、活动以及人际等要素交互形成了“以学习者为中心”的学习文化。前人研究表明，学习系统的迭代发展可以提升学生的学习效益与品质[22]。本研究实验组在“以学习者为中心”文化的氛围中，T2及T3阶段呈现出显著性差异，且基于思维导图的计算思维差值扩大到6%（T2）和23.9%（T3），基于Scratch作品的计算思维差值扩大到12.4%（T2）和25.5%（T3）。其中蕴含了学习文化对提升学生的学习品质，促进认知发展和提升计算思维水平的意义。
（二）计算思维发展与深度学习效果之间的关系
在本研究教学模型中，问题驱动是教学活动的基石，三个层次的问题解决思维过程对应着深度学习的三个维度，因此，计算思维一定程度上可以揭示学生深度学习的总体水平，而计算概念、计算实践和计算观念则在微观层面表征了学生深度学习发展趋势。研究结果表明，起点相同的学生经过18周学习，计算思维水平都得到了提升，但实验组的发展水平更优。T3阶段计算观念差异性的显著性最大，计算实践次之。由此表明，基于真实情境的问题解决，由项目分析引导思维结构的优化，使学生在问题解决过程中不断做出分解、抽象、概括以及方案制定等学习反应，并使之发展成为一种能力，形成计算思维的发展，进而促进深度学习的发生。
（三）评价工具的选择及评价的有效性
由于课程内容的局限导致评价工具选择余地较小，Scratch专用评价工具Dr.Scratch的评价指标主要指向计算实践，仅有的计算概念及计算观念的评价指标均为描述性评价，难以量化。为使计算思维评价更客观全面，本研究还评价了学生作品完成前的项目分析和设计阶段的思维导图作品，其框架由深度学习、计算思维以及认知领域的理论演绎而来，形成了两种评价工具的交叉互证关系。从效果看，评价工具的信度和相关性都较好。在对两组部分学生在线讨论内容分析后发现，实验组学生从T1阶段关注探讨项目解决的操作方法到T2阶段相当一部分学生关注解决方案的优化再到T3阶段有学生开始讨论解决方案是否适用于其他问题情境，这一变化过程与学生计算思维评价的结果也较为一致。
七、结 语
研究结果表明，相比传统教学，基于“面向计算思维发展的深度学习模型”的教学更显著地提升了学生计算思维水平，且高水平的计算思维可帮助学生完成更高质量的作品并促进深度学习。这将为中小学教师采用可视化编程工具开展促进计算思维和深度学习发展的教学实践提供了强有力的证据支撑。然而，目前计算思维的评价工具处于研究初期，还没有一个经严格论证且本土的、通用的工具出现，加上受时间和样本等因素所限，本研究还存在一定的局限性。因此，通过计算思维视角来审视学生深度学习的状态难免会产生一定误差，期待在后续实践过程中不断优化评价标准来加以完善。
[参考文献]
[1] SMITH T， COLBY S. Teaching for deep learning[J]. The clearing house， 2007，80（5）：205-210.
[2] ERIC J， LEANN N.深度学习的7种策略[M].上海：华东师范大学出版社， 2010.
[3] 何玲，黎加厚.促进学生深度学习[J].现代教学， 2005（5）：29-30.
[4] 何克抗.深度学习： 网络时代学习方式的变革[J]. 教育研究， 2018，460（5）：113-117.
[5] 胡航，董玉琦.深度学习内容及其资源表征的实证研究[J]. 中国远程教育， 2017（8）：57-63.
[6] 中华人民共和国教育部.普通高中课程方案（2017年版）[M].北京：人民教育出版社， 2018：6.
[7] BRENNAN K， RESNICK M. New frameworks for studying and assessing the development of computational thinking[C]//Proceedings of the 2012 Annual Meeting of the American Educational Research Association， Vancouver， Canada， 2012.
[8] 龚静，侯长林，张新婷.计算思维能力发展模型与教学程序研究[J].现代教育技术，2018（4）：48-54.
[9] 樊雅琴，王炳皓.深度学习国内研究综述[J].中国远程教育，2015（6）：27-33.
[10] FESSAKIS G， GOULI E， MAVROUDI E. Problem solving by 5-6 years old kindergarten children in a computer programming environment： a case study[J]. Computers & education， 2013（63）：87-97.
[11] URQUIZA-FUENTES J， VELAZQUEZ-ITURBIDE J. Toward the effective use of educational program animations： the roles of student's engagement and topic complexity[J]. Computers & education， 2013， 67（9）：178-192. [12] 庄慧娟，柳婵娟.基于解释的协作知识建构过程模型[J].现代教育技术，2008（9）：19-22，31.
[13] 杨伊，夏惠贤.项目学习：课程与教学改革热点新透视[J].现代基础教育研究，2019，34（2）：36-43.
[14] 王国华，俞树煜，黄慧芳，胡艳.国内混合式学习研究现状分析[J].中国远程教育，2015，（2）：25-31.
[15] 黄荣怀，马丁，郑兰琴，等.基于混合式学习的课程设计理论[J].电化教育研究，2009（1）：9-14.
[16] 董玉琦，王靖，伊亮亮，边家胜. CTCL：教育技术学研究的新范式（1）——基本构想与初步研究[J]. 远程教育杂志，2012（2）：3-14.
[17] 尹相杰，董玉琦，胡航. CTCL视野下的小学数学概念转变的实证研究——以“相交与垂直”为例[J]. 现代教育技术， 2018（2）：47-53.
[18] 毕景刚，董玉琦，韩颖.促进批判性思维发展的在线学习活动模型设计研究[J].中国远程教育，2019（6）：33-40.
[19] 陈兴冶，王昌国.高中信息技术学科计算思维培养的实证研究[J].电化教育研究，2019 （12）：97-102.
[20] 闫寒冰.信息化教学的学习支架研究[J].中国电化教育，2003（11）：18-21.
[21] HOUGH S， NANCY， O'RODE， et al. Using concept maps to assess change in teachers' understandings of Algebra： a respectful approach[J]. Journal of mathematics teacher education， 2007，10（01）：23-41.
[22] 胡航，董玉琦.技術促进深度学习：“个性化—合作”学习的理论构建与实证研究[J].远程教育杂志， 2017，35（3）：48-61.
Deep Learning Model Construction for the Development of Computational Thinking： Taking Visual Programming Teaching as An Example
CHEN Xingye1， MA Yingying1， YANG Yi2
（1.Shanghai Experimental School， Shanghai 200125; 2.College of Education， Shanghai Normal University， Shanghai 200234）
[Abstract] The information age calls for deep learning， which is deeply and intrinsically related to computational thinking. In the teaching of information technology， how to develop students' computational thinking is a teaching dilemma faced by many primary and secondary school teachers. In this context， this study constructs a "deep learning model for the development of computational thinking". Guided by knowledge construction， blended learning theory and CTCL research paradigm， classroom teaching activities are divided into four aspects： teacher behavior， student behavior， thinking process and evaluation summary. Based on this model， an eighteen-week experiment is conducted in a visual programming course. Through the evaluation of the works of three stages and two dimensions， the development of computational thinking of students in experimental group and control group is compared and analyzed. The results indicate that in the three stages， the computational thinking ability of the experimental group is better than that of the control group， and the improvement level of computational thinking ability is higher than that of the control group. The development level of each dimension of computational thinking in the experimental group and the control group is relatively balanced. It can be concluded that this learning model can effectively improve students' computational thinking level and promote the occurrence of deep learning.
[Keywords] Deep Learning; Computational Thinking; Visual Programming; Teaching Model
[关键词] 深度学习; 计算思维; 可视化编程; 教学模式
[中图分类号] G434 [文献标志码] A
[作者简介] 陈兴冶（1979—），男，上海人。高级教师，博士研究生，主要从事中小学信息技术教学、教育信息化研究。E-mail：chenxy@sesedu.cn。杨伊为通讯作者，E-mail：839011560@qq.com。
一、引 言
信息时代呼唤更好的思维模式和意义建构方式，以面对日新月异的技术和瞬息万变的知识，实现对知识内容更深层次的理解，这种对知识的综合、评价及迁移的深度理解就是深度学习（Deep Learning）。作为信息时代产物的计算思维（Computational Thinking）的培养也成为各国关注的重点。国务院2017年7月印发并实施的《新一代人工智能发展规划》明确提出：在中小学阶段设置人工智能相关课程，逐步推广编程教育。基于可视化编程开展计算思维的培养在国内外有着较为广泛的研究基础，但以深度学习为目标进行计算思维培养的研究并不多见。本研究以计算思维为视角，提出促进深度学习的学习模型，并将其与可视化编程教学实践进行对接，对基于模型教学的有效性进行理论分析和实证研究，以完善学习模型。
二、研究背景
1976年，Ference Marton和Roger Saljo在《学习的本质区别一：结果和过程》中，首次提出了深度学习的概念，而后Biggs、Ramaden、Entwistle[1]、Eric Jensen[2]等侧重认知策略和认知技能，提出运用多样化的学习策略并通过对学习过程和高水平的分析与加工来实现对知识的深度理解。2005年黎加厚率先将其引入我国，指向“与原有的认知结构相融合”和“将知识迁移到新的情境”[3]，何克抗[4]、胡航等[5]则聚焦于深度学习理论体系的建构，通过概念、过程、作用等的系统研究，提出深度学习是催生高阶思维和深层认知能力的过程。总体上，深度学习内在地包含三个要点：其一，在既有经验的基础上理解、归纳、运用的学习，结合原有的认知结构，接收和学习新知识，即“新知理解”;其二，建立知识间的相互联系，即“内部关联迁移”;其三，通过分析做出解决问题的决策并拓展新知识，即“外部拓展迁移”。
“计算思维”源于算法思维和程序思维，自2006年美国卡内·基梅隆大学周以真教授首次提出完整定义起，国内外学者先后对其进行了探索，择其共识：计算思维是解决问题过程中多种思维技能的交互，其中蕴含了不同的思维要素。它与计算机教学的结合最为紧密，《普通高中信息技术课程标准》（2017版）明确指出，计算思维包括界定问题、抽象特征、建立结构模型、合理组织数据等要素以及运用算法形成问题解决的方案并能将其迁移到与之相关的其他问题解决中[6]。如若将课标进一步映射、聚焦到可视化编程教学领域，则与计算思维三维框架[7]默契呼应，即“问题的界定及抽象”对应“计算概念”（Computational Concept），“方案的建模及自动化”对应“计算实践”（Computational Practices），“方法总结及迁移”对应“计算观念”（Computational Perspectives）。计算思维三维框架即为计算思维的三种思维水平，分别指向概念理解、编程行为以及编程素养，故在可视化编程教学时可使用该框架进行设计、实施和评估。
深度学习与计算思维存在着深刻且本质的关联，开展促进学生深度学习的教學研究兼具较强的理论和实践意义。从认知视角分析，问题解决过程可分为“低阶认知能力”和“高阶认知能力”。高层次的计算思维水平（即计算实践、计算观念）是问题解决中“高阶认知能力”的集中体现，而“高阶认知能力”又可等价为高阶思维能力[8]。诸多研究表明，发展高阶思维有助于促进深度学习[9]，由此可知，提升问题解决能力同样是促进深度学习的有效途径，而发展计算思维是促进学生深度学习的内生动力。表1提炼了认知领域、深度学习和计算思维三者之间的关系并与“问题解决”进行了关联。
三、深度学习模型的构建
计算思维的本质就是通过信息采集、信息处理、建模和自动化等过程进行问题解决的思维活动。Fessakis[10]、Urquiza-Fuentes[11]等研究表明，编程教学是促进计算思维能力提升的有效途径，但常态化、长周期的实证研究较少，故而从计算思维的视角出发构建促进深度学习模型来支持一线教师开展可视化编程教学实践迫在眉睫。
（一）理论基础
1. 知识建构理论
知识建构的过程按照主体层次的不同可分为个人知识建构和协作知识建构[12]，前者强调学习者对外界信息主动地选择和加工，在个人知识经验基础上的创新认知，建构自己的认识与理解，原有知识又因为新知识的进入而发生调整和改变[13];后者则强调协作、共享和讨论形成新知识或集体认知共识。每个学习者都是一个认知源，要使学生互换信息，“交流”必不可少，而“意义建构”则是教学过程的最终目标。本研究的教学实践中将关注学生知识的发展，利用思维导图关注学生个人知识建构过程，同时关注学生协作知识建构中遇到的问题和困难，并为学习者提供协助其知识建构的学习支架。 2. 混合学习理论
混合学习（Blending Learning）是基于线上线下融合的学习方式，在e-Learning的基础上发展起来的。今天教育学界普遍将其视为网络学习与传统学习的融合[14]，既具备了网络学习打破时空的特点，也具备传统教学师生面对面讨论学习问题的特点[15]。本研究以面对面的方式授课，在作品创作和练习过程中借助于LearnSite在线网络学习平台，学生在线完成和保存各项编程作品，在分享乐园中进行共享和评价，在讨论区进行异步的协作问题交流，在紧紧把握混合学习内涵的同时，回应其关键特征。
3. CTCL研究范式
董玉琦教授2012年提出教育技术学研究新范式——CTCL（Culture，Technology，Content，Learner）[16]，核心理念是针对具体学习内容，以问题解决为导向，将文化、技术、学习内容、学习者等因素相统合来开展研究。CTCL研究有三重境界，即学习方式转变、学业水平提升和综合素质改善，目前，研究主要聚焦在学业水平提升方面。尹相杰等[17]、毕景刚等[18]、陈兴冶等[19]以认知为切入点，在不同学科检验并证实其在学科教学中具有可推广的理论价值。计算思维属于高阶思维，其作为学科核心素养体现了学生的学业水平，而作为问题解决的思维方法逐渐成为学习者终身发展的核心技能。因此，在信息技术学科教学时，CTCL范式可以作为问题解决的理论框架。
（二）模型的构建
深度学习是高阶思维的过程，是对知识的高度组织和深度加工，映射到可视化编程教学活动，这种高阶思维指向计算思维。深度学习模型以真实情境的问题为载体，横向由教师行为、学生行为、思维过程（包括设计维度）和评价总结四个维度组成，纵向以“教学设计—学习发生—学习评价”为主线。其中，教学设计对应于教师行为，意在为学生的学习提供支撑。学生是学习的主体，故学习发生是核心部分，对应于学习行为和思维过程，其中学生行为以在线或离线的协作学习为主，包括利用思维工具和学习支架进行思维呈现，利用可视化编程工具进行思维的表达，围绕问题解决进行讨论分享和实践等;思维过程则主要对教学进行整体定位，即将问题解决、深度学习及计算思维三者关系融入教与学的活动。最后，学习评价属评价总结维度，确保计算思维的反思与强化（如图1所示）。
1. 教师行为
教师须完成真实情境的创设，帮助学生实现基于问题驱动的深度学习，主要通过教学设计、教学组织、课堂答疑及支架提供等为学习活动提供支持。教学设计分为问题情境和教学过程的设计。问题情境除符合学生认知特点外，还需要充分考虑到问题本身的开放性;教学过程的设计则应充分关照学习者与学习内容的交互关系，以此为基點设计教学。教学组织以“教+学”并进方式展开。可视化编程教学中，“教”主要针对知识与技能的讲授和巩固，教师针对课堂教学状况及时调整教学过程和策略;“学”既包括同伴协作，综合运用知识技能完成项目，还包括自主学习，即联系生活实际，独立创设项目、评估项目，使技能得到迁移，思维得到发展。课堂答疑方式分为面对面答疑和在线协作平台答疑，教师一是要从学生回答中发现错误或偏差，后续面对所有学生进行纠正;二是学生在协作学习中遇到困惑并求助时，教师通过个别辅导加以解决。在促进深度学习的可视化编程教学中，教师共设计了资源支架、个人学习支架、协作学习支架、评价学习支架和反思支架五种。通过这五种学习支架，让学生经历有经验的学习者（如教师）所经历的思维过程，有助于学生对于知识，特别是隐性知识的体悟与理解[20]。
2. 学生行为
学生是问题解决的主体，基于真实情境的各种问题是客体，通过计算思维视角来促进深度学习是结果。因此，学生行为处于模型内环，模型中的思维过程和设计维度均属于学生行为。本研究以讨论、分享和实践等学习方式，通过在线协作学习平台/线下的学习、思维呈现、思维表达三个方面的学习活动，实现在问题解决过程中计算思维的可视化、高阶化。学习内容主要通过教师讲授、学生协作、学生交流分享等途径获得，经过线下/在线协作学习平台两种途径进行知识建构和认知结构的改善。学习方式包括个体学习和同伴互助学习，前者强调对知识技能自我认知能力，后者则强调基于真实情境的问题分析、方案设计及问题解决等群体协作能力。学生思维呈现处于问题情境、深度学习框架及计算思维三者的最底层，主要任务是将问题分析、方案确定的过程显现出来。学生主要采用思维工具和学习支架并基于计算思维实现问题分析和方案制定的可视化。学生思维表达属于问题情境、深度学习框架以及计算思维视角三者的上位维度，主要任务是将思维呈现的内容利用可视化编程工具进行模型化和自动化。学生一方面采用可视化编程工具解决问题，另一方面从编程实践中归纳问题解决的一般路径，实现计算思维的迁移。
3. 思维过程
设计维度是学生活动的基础，是思维过程的一部分，而思维过程主要包括了问题驱动、深度学习和计算思维三个方面的设计和实施。问题驱动的任务是设计具有现实意义的问题情境并分析、解决这些问题，指向问题分析、方案综合和方案评估并实现三个要素，学生需进行充分讨论、分工协作，开展互相之间认知分享。深度学习主要包括新知理解、内部关联迁移和外部拓展迁移三个维度，每个维度又与问题驱动三个要素相对应。新知理解既包括问题涉及的新知识，还将问题分析能力视作新知识;内部关联迁移不仅包括问题所涉及的知识技能之间的联结，还包括协作过程不同方案的“取长补短”中的分析综合;外部拓展迁移除方案评估与实现外，还涉及运用相同方法完成同类问题的能力与思维迁移。计算思维通过三维框架与深度学习三个维度所形成的对应关系实现了隐性思维显性化、显性思维模型化和高效思维自动化，进而与问题驱动三个要素建立了关联，同时计算思维三个维度又为学生行为中的思维呈现与表达提供支撑。
4. 评价总结 评价总结以计算思维发展作为评价指标，对学生的深度学习状况进行评价，具体可拆分为“评价”和“总结”。评价包括过程性和终结性評价，前者主要以完成教师所提供的学习支架作为评价载体;后者则主要将学生完成问题解决的程序作品作为评价载体。总结主要以学生个人或小组交流为主，分享及反思在问题解决过程中认知过程、计算思维等有效策略，从而实现一般问题解决时计算思维的模式化。
四、研究设计
（一）研究问题及对象
实验围绕“面向计算思维发展的深度学习模型”对于学生计算思维能力培养的作用进行设计。以上海市S学校初中二年级两个班为研究对象，共计69人（男生35，女生34）。为排除无关因素的干扰采取随机分组（对照组34，实验组35），由同一位教师承担两组的教学任务。
（二）教学内容
将“Scratch可视化编程”课程中8个项目主题作为本研究的载体，课程内容分为概念学习、项目创作以及综合运用三种类型，学习进度遵循课程内容由易及难的原则加以安排。
（三）评价工具
本研究学生完成的作品分为项目进行前的思维导图及每个项目主题完成后的Scratch作品。针对思维导图作品采用以经典的霍夫[21]评价模式为基础的评价框架：将学生的思维导图作品分为7个要素，对7个要素分别打分，计算每个维度的得分，再将三个维度成绩总和作为计算思维的总体评价，见表2。针对Scratch作品则采用Dr.Scratch计算思维评价工具：学生将完成的Scratch作品上传至Dr.Scratch专用网站，点击“分析”后出现包括流程控制、数据表示、抽象、用户交互、同步、并行和逻辑七个计算思维指标的得分及总分。对两个工具进行内部一致性信度分析。思维导图评价框架和Dr.Scratch评价工具的峰度偏度的绝对值均在1以内，且渐进显著性概率（双侧）均大于0.05，说明样本数据呈现正态分布，评价工具有效。此外，思维导图评价框架和Dr.Scratch评价工具的克隆巴赫α系数分别为0.731和0.795，信度较好。
（四）研究实施
实验历时18周，实验组采用深度学习模型，对照组则遵循传统讲练结合的教学方式，教学设计的具体操作步骤见表3。实验完成后，借助经过验证的评价工具对两组学生的作品进行检测。
（五）数据收集
本研究在学期初期（T1）、中期（T2）、末期（T3）各抽取了1份思维导图和Scratch作品，共计收到两种作品各207份。Scratch作品的评价由Dr.Scratch工具完成，思维导图作品则由两位教师根据评价框架独立打分形成两组数据，对两组数据进行相关性分析得到相关系数为0.892，说明针对同一个标准的评分具有较好的稳定性，故每个作品取两次评分的平均值作为最终得分。最后，使用SPSS 21.0对数据进行信度分析及多维度的数据比较。
五、结果分析
（一）实验组学生的计算思维能力优于对照组学生
T1阶段两组学生在思维导图和Scratch作品上呈现的计算思维水平基本相当（p>0.05）;T2阶段实验组学生在思维导图和Scratch作品上的成绩分别高于对照组2.111和2.595，且p值均小于0.05，计算思维水平呈现出显著性差异。比较两组平均成绩的差值：Scratch作品上呈现的计算思维水平增幅要明显高于思维导图;相比T2阶段，T3两组学生的计算思维水平得到进一步的发展，且均存在显著性差异。对两组两种作品的不同阶段计算思维水平两两进行配对样本t检验发现，p=0.000（<0.05），说明两组实验前后计算思维水平存在显著性差异，见表4。
实验组和对照组在T1阶段两种作品的计算思维水平存在显著正相关（r=0.648和0.622，p<0.01）;实验组在T2阶段两种作品的计算思维水平存在高度正相关（r=0.895，p<0.01），对照组存在显著正相关（r=0.446，p<0.01）;实验组在T3阶段两种作品的计算思维水平存在高度正相关（r=0.788，p<0.01），对照组存在显著正相关（r=0.574，p<0.01）。
基于数据发现，（1）实验初期，两种作品呈现的计算思维相关性相当;（2）T2、T3阶段，实验组计算思维水平增长幅度明显高于对照组，说明基于模型的教学效果优于传统教学。
（二）实验组计算思维能力的提升水平高于对照组
在T1与T2过程，实验组两个作品上的差值显著性要高于对照组，其中，实验组的差值之间存在显著正相关（r=0.730，p<0.01），对照组的差值之间存在显著正相关（r=0.378，p<0.05）;在T2与T3过程，对照组两个作品上的差值显著性要高于实验组，其中，实验组的差值之间相关性不显著，对照组的差值之间存在显著正相关（r=0.374，p<0.05）;在T1与T3过程，实验组两个作品上的差值显著性又高于对照组，实验组的差值之间存在显著正相关（r=0.498，p<0.01），对照组的差值之间存在显著正相关（r=0.456，p<0.01），见表5。
基于数据发现，（1）不同阶段，两组学生两种作品上呈现的计算思维提升水平都有提高;（2）与其他阶段相比， T2至T3阶段两组学生的计算思维提升水平较低;（3）实验组计算思维提升水平整体上高于对照组。
（三）实验组的计算思维发展水平优于对照组，在计算观念维度的表现更为突出
以思维导图作品为基础，对计算思维三个维度在三个阶段成绩进行两组间的独立样本t检验，见表6。从计算概念上分析，T3阶段P小于0.05，表示两组计算概念水平在T3阶段存在显著性差异，但T1阶段P值大于0.05，T2的P值接近0.05且小于T1的P值，说明计算概念在三阶段两组间存在差异扩大的显著性趋势。从计算实践上分析，T2、T3阶段P值均小于0.05，表示两组计算实践水平在T2、T3阶段存在显著性差异，但T1阶段的P值大于0.05，说明后两阶段计算实践水平两组间存在显著性差异扩大较快。从计算观念上分析，T2、T3阶段P值均小于0.05，表示两组计算观念水平在T2、T3阶段存在显著性差异，但在T1阶段的P值大于0.05，说明两组间计算观念水平在T2、T3阶段增长较快。总体上，T3阶段两组间计算思维三个维度都存在显著性差异。 六、討 论
基于深度学习模型的教学实践，学习者实现了包括动机、方法、态度等学习文化的改变，在“变”的过程中进行计算思维的培养，进而提升了学习品质，促进深度学习的发生，而对学习效果的测量则是验证模型可靠性的重要环节。
（一）学习文化与计算思维发展之间的关系
本研究模型始终将学习者置于核心位置，不仅关注学生的学习行为，还特别强调对学生思维发展过程的引导与支持，学生、活动以及人际等要素交互形成了“以学习者为中心”的学习文化。前人研究表明，学习系统的迭代发展可以提升学生的学习效益与品质[22]。本研究实验组在“以学习者为中心”文化的氛围中，T2及T3阶段呈现出显著性差异，且基于思维导图的计算思维差值扩大到6%（T2）和23.9%（T3），基于Scratch作品的计算思维差值扩大到12.4%（T2）和25.5%（T3）。其中蕴含了学习文化对提升学生的学习品质，促进认知发展和提升计算思维水平的意义。
（二）计算思维发展与深度学习效果之间的关系
在本研究教学模型中，问题驱动是教学活动的基石，三个层次的问题解决思维过程对应着深度学习的三个维度，因此，计算思维一定程度上可以揭示学生深度学习的总体水平，而计算概念、计算实践和计算观念则在微观层面表征了学生深度学习发展趋势。研究结果表明，起点相同的学生经过18周学习，计算思维水平都得到了提升，但实验组的发展水平更优。T3阶段计算观念差异性的显著性最大，计算实践次之。由此表明，基于真实情境的问题解决，由项目分析引导思维结构的优化，使学生在问题解决过程中不断做出分解、抽象、概括以及方案制定等学习反应，并使之发展成为一种能力，形成计算思维的发展，进而促进深度学习的发生。
（三）评价工具的选择及评价的有效性
由于课程内容的局限导致评价工具选择余地较小，Scratch专用评价工具Dr.Scratch的评价指标主要指向计算实践，仅有的计算概念及计算观念的评价指标均为描述性评价，难以量化。为使计算思维评价更客观全面，本研究还评价了学生作品完成前的项目分析和设计阶段的思维导图作品，其框架由深度学习、计算思维以及认知领域的理论演绎而来，形成了两种评价工具的交叉互证关系。从效果看，评价工具的信度和相关性都较好。在对两组部分学生在线讨论内容分析后发现，实验组学生从T1阶段关注探讨项目解决的操作方法到T2阶段相当一部分学生关注解决方案的优化再到T3阶段有学生开始讨论解决方案是否适用于其他问题情境，这一变化过程与学生计算思维评价的结果也较为一致。
七、结 语
研究结果表明，相比传统教学，基于“面向计算思维发展的深度学习模型”的教学更显著地提升了学生计算思维水平，且高水平的计算思维可帮助学生完成更高质量的作品并促进深度学习。这将为中小学教师采用可视化编程工具开展促进计算思维和深度学习发展的教学实践提供了强有力的证据支撑。然而，目前计算思维的评价工具处于研究初期，还没有一个经严格论证且本土的、通用的工具出现，加上受时间和样本等因素所限，本研究还存在一定的局限性。因此，通过计算思维视角来审视学生深度学习的状态难免会产生一定误差，期待在后续实践过程中不断优化评价标准来加以完善。
[参考文献]
[1] SMITH T， COLBY S. Teaching for deep learning[J]. The clearing house， 2007，80（5）：205-210.
[2] ERIC J， LEANN N.深度学习的7种策略[M].上海：华东师范大学出版社， 2010.
[3] 何玲，黎加厚.促进学生深度学习[J].现代教学， 2005（5）：29-30.
[4] 何克抗.深度学习： 网络时代学习方式的变革[J]. 教育研究， 2018，460（5）：113-117.
[5] 胡航，董玉琦.深度学习内容及其资源表征的实证研究[J]. 中国远程教育， 2017（8）：57-63.
[6] 中华人民共和国教育部.普通高中课程方案（2017年版）[M].北京：人民教育出版社， 2018：6.
[7] BRENNAN K， RESNICK M. New frameworks for studying and assessing the development of computational thinking[C]//Proceedings of the 2012 Annual Meeting of the American Educational Research Association， Vancouver， Canada， 2012.
[8] 龚静，侯长林，张新婷.计算思维能力发展模型与教学程序研究[J].现代教育技术，2018（4）：48-54.
[9] 樊雅琴，王炳皓.深度学习国内研究综述[J].中国远程教育，2015（6）：27-33.
[10] FESSAKIS G， GOULI E， MAVROUDI E. Problem solving by 5-6 years old kindergarten children in a computer programming environment： a case study[J]. Computers & education， 2013（63）：87-97.
[11] URQUIZA-FUENTES J， VELAZQUEZ-ITURBIDE J. Toward the effective use of educational program animations： the roles of student's engagement and topic complexity[J]. Computers & education， 2013， 67（9）：178-192. [12] 庄慧娟，柳婵娟.基于解释的协作知识建构过程模型[J].现代教育技术，2008（9）：19-22，31.
[13] 杨伊，夏惠贤.项目学习：课程与教学改革热点新透视[J].现代基础教育研究，2019，34（2）：36-43.
[14] 王国华，俞树煜，黄慧芳，胡艳.国内混合式学习研究现状分析[J].中国远程教育，2015，（2）：25-31.
[15] 黄荣怀，马丁，郑兰琴，等.基于混合式学习的课程设计理论[J].电化教育研究，2009（1）：9-14.
[16] 董玉琦，王靖，伊亮亮，边家胜. CTCL：教育技术学研究的新范式（1）——基本构想与初步研究[J]. 远程教育杂志，2012（2）：3-14.
[17] 尹相杰，董玉琦，胡航. CTCL视野下的小学数学概念转变的实证研究——以“相交与垂直”为例[J]. 现代教育技术， 2018（2）：47-53.
[18] 毕景刚，董玉琦，韩颖.促进批判性思维发展的在线学习活动模型设计研究[J].中国远程教育，2019（6）：33-40.
[19] 陈兴冶，王昌国.高中信息技术学科计算思维培养的实证研究[J].电化教育研究，2019 （12）：97-102.
[20] 闫寒冰.信息化教学的学习支架研究[J].中国电化教育，2003（11）：18-21.
[21] HOUGH S， NANCY， O'RODE， et al. Using concept maps to assess change in teachers' understandings of Algebra： a respectful approach[J]. Journal of mathematics teacher education， 2007，10（01）：23-41.
[22] 胡航，董玉琦.技術促进深度学习：“个性化—合作”学习的理论构建与实证研究[J].远程教育杂志， 2017，35（3）：48-61.
Deep Learning Model Construction for the Development of Computational Thinking： Taking Visual Programming Teaching as An Example
CHEN Xingye1， MA Yingying1， YANG Yi2
（1.Shanghai Experimental School， Shanghai 200125; 2.College of Education， Shanghai Normal University， Shanghai 200234）
[Abstract] The information age calls for deep learning， which is deeply and intrinsically related to computational thinking. In the teaching of information technology， how to develop students' computational thinking is a teaching dilemma faced by many primary and secondary school teachers. In this context， this study constructs a "deep learning model for the development of computational thinking". Guided by knowledge construction， blended learning theory and CTCL research paradigm， classroom teaching activities are divided into four aspects： teacher behavior， student behavior， thinking process and evaluation summary. Based on this model， an eighteen-week experiment is conducted in a visual programming course. Through the evaluation of the works of three stages and two dimensions， the development of computational thinking of students in experimental group and control group is compared and analyzed. The results indicate that in the three stages， the computational thinking ability of the experimental group is better than that of the control group， and the improvement level of computational thinking ability is higher than that of the control group. The development level of each dimension of computational thinking in the experimental group and the control group is relatively balanced. It can be concluded that this learning model can effectively improve students' computational thinking level and promote the occurrence of deep learning.
[Keywords] Deep Learning; Computational Thinking; Visual Programming; Teaching Model