对数学与技术之态度预测职前教师计算思维(Computational Thinking, CT)的能力强于数字素养(Digital Literacy, DL)——以中学数学职前教师为例

《Frontiers in Psychology》：Attitudes toward mathematics and technology predict computational thinking more strongly than digital literacy in pre-service teachers

　　

摘要：教师被期望将技术有效整合进教学中，这不仅要求较强的数字素养(Digital Literacy, DL)，也需要良好的计算思维(Computational Thinking, CT)技能。在此背景下，本研究考察了职前教师的CT技能在多大程度上由其人口学变量、DL水平以及对数学与技术的态度所预测。研究采用相关设计(Correlational Design)，对象为土耳其一所公立大学教师教育项目中202名中学数学职前教师。研究人员采用分层回归分析(Hierarchical Multiple Regression Analysis)检验各变量的预测贡献。初始模型（第一步）中，性别与技术能力显著预测CT技能，但解释方差较低；加入DL后（第二步），模型解释方差提升至23.8%，DL成为显著预测变量，人口学变量不再显著；最终模型（第三步）纳入数学与技术态度后，解释方差增至47.7%，此时数学与技术态度成为最强且唯一显著的预测因子。研究结果表明，在教师教育情境中，情感因素（Affective Factors）——即对数学与技术的态度——比DL和人口学特征更能解释CT技能的差异。本研究通过整合认知与情感因素的视角丰富了相关文献，并为旨在培养技术能力与积极数学—技术倾向的教师教育项目提供了启示。

论文解读：对数学与技术之态度预测职前教师计算思维强于数字素养——以中学数学职前教师为例

本研究发表于《Frontiers in Psychology》。当前教育领域强调数字化技术整合教学，计算思维(Computational Thinking, CT)被视为21世纪核心素养，不仅涉及编程技能，更包括抽象(Abstraction)、分解(Decomposition)、算法思维(Algorithmic Thinking)、评估(Evaluation)与概括(Generalization)等高阶认知过程。教师作为CT向K–12学生传递的关键角色，其自身CT能力受到关注。已有研究多聚焦数字素养(Digital Literacy, DL)——即有效获取、评价、组织及创造性使用数字资源的能力——作为CT的预测变量，但较少在同一模型中同时考察情感因素（如对数学与技术的态度）的相对贡献。鉴于数学与CT在逻辑推理、算法化问题解决上的天然联系，以及积极态度可能促进个体投入计算实践，研究人员认为有必要在控制人口学变量后，比较DL与数学—技术态度对职前数学教师CT技能的独特预测力，从而明确教师教育中应重点干预的维度。

研究人员以土耳其南部一所公立大学数学教育系202名职前中学数学教师（女性72.3%，男性27.7%；年级分布大一至大四）为样本队列，采用三种标准化自陈量表收集数据：计算思维技能量表(Computational Thinking Skills Scale, CTS, Korkmaz等2017，29题，含创造力、算法思维、合作性、批判性思维、问题解决五个维度，Cronbach's α=0.85)；数学与技术态度量表(Mathematics and Technology Attitude Scale, MTAS, Pierce等2007土耳其语版?al??kan Dedeo?lu等2021，20题，含数学自信、技术自信、用数学技术学数学的态度、行为投入与情感投入五个维度，α=0.83)；数字素养量表(Digital Literacy Scale, Ng 2012土耳其语版üstünda?等2017，10题单维，α=0.87)。人口学信息含性别、年龄、自评网络技能与技术能力（分类变量作哑变量处理）。数据分析前进行多重共线性检验（VIF 1.003–1.798，容忍度>0.10，Pearson r<0.80）、正态性及Durbin–Watson检验（DW=2.20），满足多元线性回归假设后，采用三步分层多元回归分析(Hierarchical Multiple Regression Analysis)：Step 1进入人口学控制变量（性别、年龄、网络技能、技术能力哑变量），Step 2加入DL总分，Step 3加入数学与技术态度总分，以CT总分为因变量，依次考察各区块对R²增量及标准化回归系数β的影响。

4 Findings

4.1 Descriptive analysis

描述性统计显示参与者DL（均值34.35/50，每题均分3.44）、数学与技术态度（均值79.00/100，每题均分3.95）及CT技能（均值112.78/145，每题均分3.89）均处于中等偏上水平，各变量标准差较大表明个体差异明显。CT各子维度中批判性思维均分最高（M=4.58），协作最低（M=3.63）；态度子维度中情感投入（M=4.36）与数学自信（M=4.26）较高，技术使用自信最低（M=3.59）。Pearson相关分析表明：数学与技术态度与CT呈强正相关（r=0.687, p<0.01），与DL呈较强正相关（r=0.643, p<0.01），CT与DL呈中等正相关（r=0.460, p<0.01）。

5 Findings related to hierarchical regression analysis

分层回归结果如下：

• •
  Step 1（仅人口学变量）：模型显著（R=0.321, R²=0.103, F(4,197)=5.66, p<0.001），性别（β=-0.147, p<0.05）与技术能力（β=0.178, p<0.05）显著，年龄与网络技能不显著，解释约10.3%方差。
• •
  Step 2（加入DL）：模型显著（R=0.488, R²=0.238, F(5,196)=12.26, p<0.001），DL显著预测CT（β=0.398, p<0.001），人口学变量全部变为不显著，解释方差升至23.8%。
• •
  Step 3（加入数学与技术态度）：全模型显著（R=0.690, R²=0.477, F(6,195)=29.60, p<0.001），解释方差达47.7%。此时DL的β降至0.019（p>0.05）不再显著，而数学与技术态度成为最强且唯一显著预测因子（β=0.655, p<0.001）。

6 Discussion（讨论部分总结）

讨论指出，尽管人口学变量和DL在中间步骤有预测作用，但最终模型中数学与技术态度的解释力远超其他变量，说明情感—态度因素在CT发展中可能比单纯技术能力更关键。DL在Step 2显著但在Step 3被态度"掩盖(Suppress/Mediate)"，可能的解释是积极态度促使职前教师更愿意主动运用已有数字能力进行算法化与抽象化的问题解决，依Bandura社会认知理论(Social Cognitive Theory)，态度与自我效能信念驱动学习行为与表现。研究呼应Papert建构主义(Constructionism)观点——CT与数学思维共享抽象与算法推理过程，正向数学—技术态度为此提供认知与情感基础。讨论亦承认局限性：自陈量表可能存在反应偏差；样本限于土耳其某大学数学教育专业且性别比例偏女，限制因果推断与跨群体推广；未来建议采用纵向设计、实验干预及结构方程模型(Structural Equation Modeling, SEM)进一步厘清变量间路径。

7 Conclusion（结论部分翻译）

本研究通过分层回归分析考察了职前数学教师的CT、DL及数学—技术态度间的关系。结果表明，数学与技术态度是CT最强的预测因子，而DL的预测效应在最终模型中不再显著。性别与技术能力初测有有限预测力，但在引入DL与态度后失效。研究提示DL可通过帮助个体分析信息、批判思考及有效交互数字环境来支持CT，但对CT最强的预测来自对在数学中运用技术的态度——这表明CT与数学思维及问题解决密切相关，建立对运用技术学数学的自信与积极态度是发展CT技能的关键。