《Computers in Human Behavior Reports》：Understanding multiple pathways to computational thinking: Emotional trajectories and interaction patterns in pre-service teacher education
编辑推荐：
熟悉计算思维（CT）的在职前教师常具备充分的技术知识，却难以将其转化为有效的课堂教学法。本研究为探索性混合方法设计，考察了在泰国职前教师教育情境中，认知、情感和行为过程如何在计算机思维发展过程中协同演变。研究围绕三个问题展开：表征计算机思维发展的情绪轨迹类型；
熟悉计算思维（CT）的在职前教师常具备充分的技术知识，却难以将其转化为有效的课堂教学法。本研究为探索性混合方法设计，考察了在泰国职前教师教育情境中，认知、情感和行为过程如何在计算机思维发展过程中协同演变。研究围绕三个问题展开：表征计算机思维发展的情绪轨迹类型；自我效能感、认知负荷与技术焦虑的动态交互机制；以及区分成功与 struggling 学习者的人机交互模式。研究人员追踪了泰国东北部某地区性大学30名计算机教育专业大二职前教师，在为期8周的翻转课堂干预中，收集了240份每周心理自评报告、18次现象学访谈、连续的学习管理系统（LMS）分析数据、180段屏幕录制的问题解决过程，以及对847条论坛帖文的社交网络分析。
研究结果显示，三种情绪轨迹得以浮现："渐进适应型"（43%）通过同伴支持线性降低焦虑；"波动坚持型"（37%）尽管情绪波动仍保持参与；"挣扎稳定型"（20%）将持续性焦虑转化为密集求助行为。三组均取得了相当的计算思维提升（提升幅度95.9%），表明在差异化支持条件下焦虑并非统一阻碍学习。交叉滞后分析发现，自我效能感与计算思维表现存在探索性双向时序关联（自我效能感→计算思维：β = .40–.43；计算思维→自我效能感：β = .37–.40）。策略性导航是最强的计算思维成功预测因素（比值比 = 3.87）。论坛网络密度增长三倍（.23至.68），与互惠性同伴社群的出现一致。研究对计算思维教师教育中"情感支持与技术设计协同"的理论框架具有启示意义。
**一、研究背景与问题提出**
泰国自2017年将计算思维（CT）纳入国家学校课程以来，出现了一个意外的悖论：职前教师在学术评估中常展现出技术层面充分的编程知识，却在将这些知识转化为课堂教学法时面临深重困难。据Boonmoh与Kamsa-Ard（2023）估算，约三分之二的新认证计算机教育教师存在教师培养层面的潜在顾虑，即技术能力可能无法转化为教学自信。然而该数据源于COVID-19期间在线实习中EFL教学焦虑的研究，应谨慎作为替代性估计解读；专门针对泰国计算机教育教师此项顾虑的大规模调查数据仍然有限。泰国学校体系涵盖超过30,000所机构，为这一顾虑提供了政策背景。
这一悖论处于三个研究领域的交汇点：计算思维能力发展、技术介导学习的心理学，以及教育情境中的人机交互（HCI）。既有研究各自提供了重要见解，但很大程度上呈孤立发展态势。计算思维研究集中于认知框架和技能分类法，未能充分考量学习的情绪与行为动态（Selby & Woollard, 2013; Wing, 2006）。具体而言，Selby和Woollard（2013）的六维子技能框架——分解、抽象、算法思维、模式识别、应用与评估——指导了本研究的工具开发与轨迹解读，但既有计算思维研究极少考察这些子技能如何与学习者的情感状态在习得过程中交互。教育心理学研究已检验自我效能感与焦虑作为技术采纳预测因子的作用（Sánchez-Prieto等，2016, 2019），包括近期研究证实师范生面对计算思维时常经历自我价值威胁——触发直接阻碍技能习得的自我保护行为（Barkela等，2024）。人机交互研究则已确立学习者的情绪状态与数字工具的交互模式是动态的、文化嵌入的、且对学习结果具有强预测力（Baker等，2009; Boehner等，2007; D'Mello等, 2012）——但这一视角尚未系统应用于计算思维教师教育。
需区分两个相关但不同的能力维度：计算思维能力（应用计算问题解决过程的能力）与计算思维教学法的教学能力（设计和向学校学习者传授计算思维教学的能力）。本研究主要聚焦于前者；关于后者的发现应谨慎解读，因研究未包含课堂教学表现或教案设计质量的直接测量。
本研究通过30名计算机教育职前教师在为期8周翻转课堂干预中的密集型纵向调查填补上述空白。研究重点关注情绪状态、自我效能感与数字交互行为的协同演变，将这些因素视为计算思维能力发展的核心机制而非外围混杂变量。研究本质上属于产生理论上有用见解的密集型探索性混合方法调查，而非确立翻转课堂干预因果效应的研究；由于缺乏对照组，无法排除成熟效应、教师效应和新奇效应。此定位与Boehner等（2007）的情绪交互模型一致，该模型主张情感状态源于与技术、同伴和教学内容的持续交互，而非作为稳定的个体特质存在——这一视角特别适用于必须同时发展自身计算思维技能并准备向他人传授这些技能的职前教师。
**二、核心研究方法**
研究采用聚合并行式混合方法设计（Creswell & Plano Clark, 2018），整合了个体内准实验定量研究线索与嵌入式现象学定性研究线索。研究对象来自泰国东北部某地区性大学计算机教育专业的30名大二职前教师，采用整群随机抽样（以自然形成的25-35人 tutorial 小组为单位，随机抽取一组）。
数据收集涵盖六个维度：（1）每周自评报告：计算思维、自我效能感、焦虑及认知负荷的多层模型（MLM）增长曲线与时序分解，共240个数据点；（2）半结构化现象学访谈：18次、27小时，采用反思性主题分析；（3）学习管理系统导航日志：K均值聚类与逻辑回归，8周×30名学生；（4）屏幕录制：热图与行为编码，180次会话；（5）论坛帖文：社交网络分析与话语编码，847条帖文；（6）出声思维协议：元认知策略编码，180次会话。
计算思维评估工具基于Selby和Woollard（2013）六维框架系统改编，总分0-180分（后调整为0-5分报告），内容效度经专家小组审核达92%项目-目标对齐度，总体Cronbach's α = .87。自我效能感采用Compeau和Higgins（1995）计算机编程自我效能感量表的泰语改编版（10项，10点量表，α = .89）；技术焦虑采用Heinssen等（1987）计算机焦虑评定量表泰语改编版（19项，5点Likert量表，α = .86）；每周认知负荷采用NASA-TLX单题改编版与Paas（1992）认知负荷量表补充。
**三、主要研究发现**
**（一）情绪轨迹与计算思维发展（研究问题一）**
K均值聚类分析（k=3，轮廓系数 = .71）识别出三条截然不同的焦虑轨迹，均经访谈三角验证且在不同敏感性分析中保持稳定。渐进适应型（n=13，43%）呈现线性焦虑降低，从第1周均值3.78降至第8周2.34，每周平均降低-.18点，通过同伴支持小组（85%在第二周前形成3-4人小组）、错误信息的认知重构以及自我调节策略的内化实现适应。波动坚持型（n=11，37%）焦虑波动（均值3.45，标准差.92），在抽象任务（第3周：+.73点）和算法设计（第5周：+.68点）时出现峰值，但任务参与度保持稳定（均值4.12，标准差.34），依赖外部调节结构如固定学习时间表、提醒系统和问责伙伴关系维持投入。挣扎稳定型（n=6，20%）焦虑持续偏高（均值3.89，标准差.78；第8周均值3.67），但焦虑性质发生质的转变——从"瘫痪性恐惧"转化为参与者所称的"生产性担忧"，该组参加了94%的可获得办公时间（相比之下渐进适应型为31%，波动坚持型为52%），成为课程中社群连接度最高的参与者。
关键发现是，三条轨迹的计算思维成果相当（F(2,27) = 1.43，p = .257），等效性检验（TOST程序，等效边界d = .50）显示上下界单侧检验均显著（p = .021），确认观察差异落在预设等效范围内。出声思维协议显示四类元认知策略从基线到第8周均显著提升，计划策略增幅最大（220%），该轨迹在所有三条情绪轨迹组中保持一致。
**（二）心理因素的动态交互（研究问题二）**
三个测量时点（基线、第4周、第8周）的交叉滞后面板分析发现自我效能感与计算思维表现之间存在探索性双向关联：自我效能感→计算思维路径在两个区间均显著（β = .427/.404，p < .001）；计算思维→自我效能感路径同样显著（β = .370/.402，p < .001）。两组交叉滞后路径量值相当，提示 genuinely 的双向动态而非单一方向主导。模型拟合良好（CFI = .94，RMSEA = .06，SRMR = .07），但鉴于N=30，结果应作为探索性解读。
基线技术焦虑差异较大（均值3.42，标准差.89，范围1.8-4.9），序列分解显示非均匀下降，第3-5周斜率最陡（-.47）。87%的参与者将同伴支持识别为主要焦虑缓解机制；规律性同伴协作者（每周≥3次论坛互动且≥2次课内协作）的焦虑降低幅度比低互动者高32%（t(28) = 3.87，p < .001，d = 1.45）。屏幕录制分析显示，高四分位与低四分位学生在计划时间（4.8 vs. 1.9分钟，d = 2.84）、调试尝试次数（3.2 vs. 7.8，d = 2.56）和工具切换频率（2.3 vs. 5.6，d = 2.32）上存在极大差异。
**（三）人机交互模式与计算思维学习（研究问题三）**
学习管理系统导航指标经K均值聚类识别三种导航特征：策略型导航者（40%，n=12）——目标导向、序列化导航（学习目标→视频内容→练习→自评），计算思维成果最高（均值23.4，标准差2.8）；探索型导航者（37%，n=11）——时长更长、资源切换频繁，中等偏上成果（均值21.1，标准差3.2）；最低型导航者（23%，n=7）——时长最短、仅限强制性元素，成果最低（均值17.8，标准差3.6）。导航特征与计算思维成果关联显著（F(2,27) = 8.34，p = .002，η2p = .38）。
社交网络分析显示论坛网络密度从.23增至.68，平均度中心性从3.2升至8.7，互惠指数从.34升至.78。话语分析识别四个发展阶段：第1-2周为未分化的情绪困扰（78%帖文无技术细节）；第3-4周为附带尝试记录的问题具体化；第5-6周为多方案比较推理；第7-8周为区分表面错误与概念性误解的元认知自我诊断。该语言进程与计算思维增益相关（r = .72，p < .001）。
热图分析显示高分者将交互分布于代码规划/伪代码区（32%）、文档面板（24%）和测试控制台（28%）；低分者48%交互集中于示例代码区，规划（8%）和测试（12%）参与极少。界面交互比例与计算思维成果关联（r = .74，p < .001）。
综合预测模型（逻辑回归，预测前40%计算思维成功）保留四个显著预测因子：初始自我效能感（OR = 2.34）、策略型导航特征（OR = 3.87）、同伴协作频率（OR = 1.82）和元认知策略使用（OR = 2.93），整体准确率84%（留一交叉验证79%）。
**四、讨论与结论**
本研究最重要的概念性发现是三条质性不同的情绪轨迹与统计及实践层面等效的计算思维成果相关联，提示在特定支持条件下焦虑并非单一维度需最小化的障碍。然而同等合理的解释是：初始计算思维能力差异而非情绪轨迹成员身份本身，可能同时解释了轨迹分配和最终成果；若无干预前计算思维能力测量或随机分配，此替代解释无法排除。
研究发现多条成功路径与Baker等（2009）的经典研究一致：挫折可在学生成功解决引发它的挑战时促进学习。数据扩展了这一见解，提示不同学习者可能通过不同机制解决情绪挑战。理论上，这为Boehner等（2007）的交互模型提供了试探性实证基础：三条轨迹并非稳定的个体特质，而是似乎源于特定交互情境的模式。
自我效能感与计算思维表现的双向关联与各向幅度相当，与Yi和Hwang（2003）将自我效能感作为技术采纳预测因子的基础工作一致，但提示在持续学习情境中该关系可能是互惠的。策略型导航作为最强成功预测因子（OR = 3.87）表明学生与环境交互的质量可能是计算思维学习过程的重要行为指标，与Pohl等（2016）发现交互序列揭示潜在认知和动机过程的研究以及Roldán-álvarez等（2016）界面-用户模型失配造成重大学习障碍的发现相呼应。
论坛沟通从情绪困扰到元认知话语的轨迹，代表了数字交互环境如何可能支架元认知发展的显著例证，但同样可能反映自然成熟、同伴熟悉度增加、课程要求增长或教师提示——均未加控制。
本研究存在多项关键局限：30名单点样本严重限制统计效力；无对照组导致成熟效应、新奇效应和霍桑效应完全混淆；未系统性收集先前计算思维经验、先前编程课程史和基线焦虑水平数据，无法确定情绪轨迹成员身份反映的是先存差异还是干预反应；自我调节支持（办公时间、支架化范例）的差异分配构成无法与情绪轨迹效应分离的解释性混杂；新编计算思维评估工具未经独立样本验证。
未来研究应优先：在多元化和多文化情境中用大样本复制；采用随机对照实验操纵特定干预组件；开展纵向跟踪评估计算思维能力的保持与迁移；对学习分析工具进行心理测量学层面的独立验证；采用潜在增长混合模型检验三条情绪轨迹类型作为离散类别复制还是作为连续变异的区域出现。
本研究的核心贡献在于方法论和生成性：它证明整合心理、行为和人机交互数据流的密集型纵向混合方法设计，能够揭示单一量化或定性方法均无法探测的计算思维发展机制。三条情绪轨迹群组、联合展示整合方法以及识别出的行为指标，为假设驱动的、充分赋权的未来研究奠定了基础。
