[EP25] Stella | AI 时代的 “编程≠计算思维”？K12 如何用 “计算思维” 破解难题
教育AI智造者
2025/03/08
[EP25] Stella | AI 时代的 “编程≠计算思维”？K12 如何用 “计算思维” 破解难题
[EP25] Stella | AI 时代的 “编程≠计算思维”？K12 如何用 “计算思维” 破解难题
教育AI智造者
2025/03/08
Unprocessed episode, you can be the first!
Hello 大家好！欢迎收听教育 AI 智造者播客!
今天这一期，我邀请到了在 AI4Education 领域深耕多年的博士生Stella (小红书)。她目前在南洋理工大学攻读与 AI 教育相关的博士，研究方向涵盖了 AI 素养、计算思维（Computational Thinking）以及如何通过 AI 赋能 K12 教育。
Stella 结合她的研究与实践经历，分享了从幼儿园到高中阶段培育计算思维的真实案例和思考。她强调，计算思维并不等同于编程或计算机科学，而是一种通用的解决问题的方法论，包括如何拆解难题、抽象概念以及识别模式，以培养学生在学科交叉与实践中的综合能力。
在对话中，我们还讨论了为什么 AI 时代对 “思考方式” 的要求愈加紧迫。当 ChatGPT 等生成式 AI 成为强力工具时，人类应当如何利用计算思维指导与协同 AI 的工作？Stella 认为，真正能跨越技术周期的人才，必定具备抽象能力、逻辑思维与跨学科迁移能力。这些能力恰恰是计算思维在 K12 教育中所要着重培养的。
本期节目不仅适合对少儿编程、计算机教育感兴趣的家长和教师，也适合在职场中想进一步提升问题解决能力的听众。让我们一同来聆听 Stella 对当下与未来 AI 教育趋势的深度解析！
内容大纲
开场与嘉宾介绍
- Stella 在南洋理工大学的博士研究背景
- 从教育技术到计算思维的学术转向
- AI 素养、AI Literacy 在 K12 教育中的重要性
计算思维的本质与误区
- 计算思维≠编程≠计算机科学
- 核心技能：分解（Decomposition）、抽象（Abstraction）、模式识别（Pattern Recognition）、算法思维（Algorithmic Thinking）
- 为什么各学科都需要计算思维？
幼儿与低龄儿童的计算思维培养
- 生活化场景：从 “起床流程” 到 “如何规划一天”
- 模块化编程与游戏化学习（如 Scratch）的实践意义
- 示例：让孩子通过逻辑步骤完成简单任务
中高年级与跨学科融合
- 在数学、科学、写作中融入算法思维与分解思路
- 如何通过 Minecraft 等平台激发学生对复杂问题的探索
- 教学支架理论（Scaffolding）与最近发展区（ZPD）的应用
AI 时代下的竞争力：人机协同与思维迭代
- 生成式 AI 是否会取代程序员或教师？
- 利用计算思维与 AI 协作：Prompt 设计、问题抽象与自我效能提升
- 实践案例：用 AI 辅助编程、数据分析，实现效率与创新的双赢
国内外教育政策与推广现状
- 美国、英国已立法推进 K12 计算思维教育
- 亚洲国家（中国、新加坡、日本）的探索与挑战
- 学校与家长对 “少儿编程” 的不同理解与需求
未来展望：从 “学科” 到 “素养”
- 为什么计算思维是跨越时代的关键能力
- 如何在教学设计中更好地应用 AI 进行个性化学习与评价
- 长期视角：培养学生成长型思维模式（Growth Mindset）
需要详细文字稿的听众们可以关注微信公众号，爱思考的伊伊子，输入 “播客 EP25"，即可获得。
----------------------- 关于伊伊子 ----------------------
伊伊子专门为老师和 AI 创业者打造的 20 种教学场景指令
伊伊子的小红书传送门
----------------------- 关于听友群 ----------------------
如果您对 AI 和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨 AI 如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊
----------------------- 相关词介绍 ----------------------
计算思维（Computational Thinking）
指 “像计算机科学家一样” 解决问题的一系列思考方式，包括分解、抽象、模式识别和算法思维。跨学科、跨行业的通用能力，帮助学生和工作者在面对复杂问题时进行有效分析与求解。
分解（Decomposition）
将复杂问题拆解为更小、更可行的子问题或任务。简化解决路径，便于逐步迭代；在写作、数学、项目管理等方面都有广泛应用。
抽象（Abstraction）
提炼出问题或数据的核心结构，忽略不相关的细节。在学习数学公式或编程函数时，找到最一般化的模式与要素，大幅提高通用性。
模式识别（Pattern Recognition）
在数据或问题情境中发现重复结构、共性或规律。编程中的循环与函数提炼，或写作中的核心观点与段落结构分析。
算法思维（Algorithmic Thinking）
将解决问题的方法转化为有序、可执行的步骤或规则（算法）。在编程、自动化和流程设计中具有决定性作用，也是学习 AI 应用的基础。
支架理论（Scaffolding）
教师或工具根据学习者当前水平，提供适度支持并逐步撤离，帮助其完成略超能力范围的任务。通过分层次任务和 Hint 提示，引导学生自主发现与总结规律。
最近发展区（Zone of Proximal Development, ZPD）
由 Vygotsky 提出，指学生在有指导下能完成的最大潜能任务区域。与支架理论搭配使用，可在教学环节中实现更有效的个性化引导。
AI 素养（AI Literacy）
既包括对 AI 的基本原理认知，也包括对其应用技能与批判性思维的掌握。在 K12 阶段侧重培养学生正确使用 AI 工具、理解 AI 带来的机遇与挑战。
模块化编程（Block-based Programming）
以图形化模块（积木）的形式替代文本编程，降低语法门槛。代表工具：Scratch、Blockly；适合初学者特别是低龄儿童。
Prompt 设计（Prompt Engineering）针对生成式 AI 或语言模型，设计输入语句以便获得更高质量或更准确的输出。
重要性：在 AI 辅助编程或生成内容时，学会拆解需求和编写提示词能带来最佳结果。
重要性：在 AI 辅助编程或生成内容时，学会拆解需求和编写提示词能带来最佳结果。
