Informatické myšlení a humanitní obory
Informatické myšlení je v poslední době značně skloňovaným pojmem, a to hlavně v souvislosti s revizí RVP pro základní školy, kde se aktuálně testuje takzvaná nová informatika. Dle RVP z roku 2021 (MŠMT, 2021) je totiž nově definována takto:
„Vzdělávací oblast Informatika se zaměřuje především na rozvoj informatického myšlení a na porozumění základním principům digitálních technologií.“
V této seminární práci se zaměřuji na to, co to vlastně je informační myšlení, a kladu si otázku, jaký je stav informatického myšlení u žáků a studentů humanitních oborů a jak jej případně učit.
Co je to informatické myšlení?
Informatické myšlení nemá úplně jednotnou definici. Computational thinking, anglický ekvivalent českého termínu, je slovně přeložitelný spíš jako výpočetní myšlení. Na podobný rozpor ukazuje i Bořivoj Brdička (2014):
„Nechci vyvolávat názvoslovný chaos. Přesto navrhuji do budoucna rozlišovat dva mírně odlišné způsoby chápání pojmu „computational thinking“. Informatické myšlení jako směr uvažování uvozující schopnost digitální zařízení programovat a informační myšlení jako schopnost v plné míře potenciál digitálních zařízení využívat při zpracování informací či řešení problémů (též informační či digitální gramotnost). To první je do určité míry obsaženo v tom druhém, a jde dál směrem k samostatnému vědnímu oboru nazývanému „computer science“ (počítačová věda). Něco z ní dnes prostě bude potřebovat každý, a tak se to musí dotknout i běžné školní výuky.“
Mimo tyto pojmy je možné se literatuře narazit i na varianty algoritmické (Katai, 2020) či systémové (Sphinxter, 2020) myšlení. Zdá se však, se že autoři rozdílnými pojmy snaží popsat jemné nuance ve vnímání a přístupu k informatickému myšlení.
Dle názoru některých odborníků není třeba ani tak jeho přesná definice (Beecher, 2007), jako spíš výčet vlastností, které by mělo splňovat. Tímto způsobem definuje informační gramotnost například Jeannette M. Wing nebo ISTE. Za klíčové koncepty informačního myšlení dle Beechera (2017), ze kterých budu dále vycházet, je možné považovat následující:
- Logické myšlení
- Algoritmické myšlení
- Dekompozice
- Generalizace a rozpoznávání vzorů
- Modelování
- Abstrakce
- Evaluace
Mezi okrajové pak patří:
- Kritické myšlení
- Reprezentace dat
- Počítačové vědy
- Automatizace
- Simulace a vizualizace
Absence přesné definice i částečné rozpory v tom, co do které z výše zmíněných kategorií patří, jsou dány relativním stářím procesu, který popisují. Ten totiž poprvé popsali v roce 1980 na MIT jako procedurální myšlení, které mířilo hlavně na řešení problémů pomocí počítačů (Beecher, 2017).
Jde o umění aplikace matematických principů na reálné problémy, které je sice úzce navázáno na informační technologie, lze však aplikovat (i učit) i bez nich. Ač k tomu čeština může svádět, pojem informační myšlení není variací na pojem počítačové vědy (ani informatika, jak jsou často nazývány). Abychom byli schopni informaticky myslet, nepotřebujeme vědět, jak opravit počítač, naprogramovat složitou aplikaci ani jak udělat ten nejbarevnější plakát v grafickém editoru. I přesto se však jedná o běžnou dovednost programátorů a nejlépe se učí právě na snadném programování, jako je například Scratch.
Klíčové koncepty informačního myšlení
Logickým myšlením je zde myšlena hlavně schopnost zvážit, zda je nějaký výrok pravdivý či nepravdivý, případně jak na to přijít. Základním kamenem je zde základní schopnost dedukce (například sylogismus) i indukce, rozšířená o výrokovou či predikátovou logiku, zapojení symbolů, podmínek if/else či Vennových diagramů (Beecher, 2017). Náročnost výroků na vyhodnocení i přesné dodržování zmíněných postupů je ale závislé na řešeném problémů i oblasti, ve které se zrovna pohybuji. Například na domýšlení podmínek a výstupů, které musím splnit pro předmět se složitějším zakončením (či pro získání dobré známky), totiž nepotřebuju napsat na své úvahy důkaz. To už bude možná lepší nakreslit si jednoduchý algoritmus.
Algoritmus je sekvence jasně definovaných kroků, které vedou k dosažení cíle. Kroky, ze kterých je složen, by měly být co nejsnazší (elementárnost), jednoznačně definované (determinismus)a co nejvíc obecné (univerzálnost). Celý algoritmus by měl mít konec pro každý možný vstup (konečnost), při opakovaném využití stejných hodnot by měl vrátit stejný výsledek (determinovanost) a musí mít aspoň jeden výstup (Čápka).
Algoritmickým myšlením je pak myšlena právě schopnost takové algoritmy číst a tvořit. Část algoritmů je poměrně intuitivní (recept), avšak v momentě, kdy se dostaneme k technologiím, intuitivita algoritmů se rychle ztrácí, neboť počítače potřebují daleko přesnější definici kroků.
A algoritmizací je spojena též dekompozice a řešení problému (problem solving) obecně. Jedná se o schopnost překonat ten nepříjemný stav, kdy máte před sebou komplexní problém, který potřebujete nějak vyřešit, a vy nemáte nejmenší tušení, kde začít. Dekompozice je rozložení velkého problému na jeho menší části. A ty případně na ještě menší části. A tak pokračujeme pořád dál, dokud před sebou nemáme sadu zvládnutelných úkolů. Stejně totiž „drobíme“ příkazy pro počítač; zmenšujeme je tak dlouho, dokud pro ně nemám přímo příkaz. Složitějším úkolem potom může být například využití rekurze (Beecher, 2017).
Schopnost rozeznat opakující se vzory a následně je generalizovat jsou důležité nejen pro jednoduchost výsledného řešení, které je vhodné i pro využití někde jinde než v právě řešeném příkladě. Zároveň umožňují například předpovídat nebo snáze hledat chybu (Beecher, 2017).
Abstrakce je schopnost pracovat pouze s relevantními informacemi pro daný kontext (Beecher, 2017). Na ni pak navazuje modelování, které zobrazuje entity v abstraktním světě, se kterými pracujeme. Hlavním důvodem k tvorbě modelů v tomto případě je lepší ukázka řešení a vztahů mezi jeho entitami. Lze si takto také ověřit správnost našeho řešení (Beecher, 2017).
Poslední z těch klíčových je evaluace, tedy schopnost vyhodnotit dané řešení z hlediska správnosti, efektivity a použitelnosti (Beecher, 2017). Může se totiž stát, že byl úkol rozebrán na části špatně a složení jednotlivých částí nevyřeší daný problém, algoritmus se může pro nějakou hodnotu zacyklí nebo je třeba velmi neefektivní a tak dále.
A co humanitní obory?
Po úvodní vymezení bych se chtěla pozastavit nad tím, do jaké míry je schopnost informatického myšlení potřebná pro žáky a studenty s humanitním zaměřením. Na první pohled se totiž může zdát, že informatické myšlení u studentů humanitních věc nemusí být až tak potřebné. Není u nich bezpodmínečně nutná schopnost programovat ani výrazně pokročileji pracovat počítačem, proměnnými či výrokovou logikou. Nemusejí si osvojit „přemýšlení jako počítač“, naopak jsou mezi nimi obory a specializace, které se neobejdou bez velké dávky kreativity, empatie či jiných osobnostních vlastností. Na druhou stranu se jedná o hodně obecné koncepty aplikovatelné na jakoukoli oblast.
Slabší informatické myšlení u žáků společenských věd dokládají i výsledky tematická zprávy České školní inspekce (ČSI, 2019) zaměřené na informační gramotnost u žáků 3. ročníků středních škol z let 2018/2019. Autoři uvádí, že nižších výsledků dosahují žáci (zvláště žačky) studující společenskovědní maturitní obory a nematuritní obory, a to zvláště v druhé části testu. Ta je přitom, soudě dle příkladů zveřejněných ve zprávě, zaměřená hlavně na informatické myšlení.
Podobnými výsledky, tedy výrazně horším skóre humanitně orientovaných vysokoškolských studentů oproti těm přírodovědecky orientovaným (science-oriented), pozoruje ve svém prvním měření i Katai (2020). Ve své studii navrhl e-learningový kurz zaměřený na informatické myšlení, který se snažil kalibrovat tak, aby vyhovoval oběma skupinám studentů. V dalších měřeních/lekcích se rozdíl mezi skupinami opravdu zmenšoval. Uvádí proto, že rozdíly mezi oblastmi studia nejsou pro osvojení informatického myšlení až tak zásadní. Mnohem zásadnější je vliv motivace (Katai, 2020).
Příklady, ve kterých je možné využít informatické myšlení v humanitních vědách, ilustruje grafika níže. Podobné příklady uvádí i Güven a Gulbahar (2020).
Pár možností, jak učit informatické myšlení
Ač se to může zdát nelogické, informatické myšlení je možné učit i bez počítače. Koncept CS Unplagged začíná v 90. letech 20. století. Tim Bell, Mike Fellows a Ian Witten vydali první dostupnou knihu na toto téma v roce 1999 (Bell & Vahrenhold, 2018). Ta byla několikrát revidována a aktualizována. Jde o sbírku aktivit a nápadů, jak učit informatiku bez nutnosti používat počítače. Samotné aktivity i kniha, stejně jako další příbuzný obsah, jsou dodnes volně dostupné.
Mezi výhody tohoto konceptu dle (Bell & Vahrenhold, 2018) patří:
- malé nároky na dostupné technologie a technické schopnosti učitele (nemusí umět například programovat)
- často je pro žáky zábavný a snáze pochopitelný, přístupnější pro všechny
- žáci u těchto aktivit snáze udrží pozornost
- umožňuje žákům snadno vysvětlit i poměrně složité koncepty
Má to však i své nevýhody. Například:
- špatně se na tyto aktivity navazuje hodnocení
- ne na všechny oblasti existují vhodné aktivity
- ač mohou být vhodnou součástí výuky informatiky pro osvojení si informačního myšlení, některé součásti RVP nelze žáky bez počítače naučit (například ukládání dat)
Příklad aplikace tohoto konceptu uvádí například Busuttil a Formosa (2020). Ti uvedli pět aktivit podobného typu (například základní logické členy AND, OR a NOT učili žáky pomocí twisteru) ve třídě jedenáctiletých dětí. Z jejich sledování vyplývá, že byli žáci během aktivity více zapojeni než v běžné hodině. Zapojení bylo ještě o něco silnější, pokud daný koncept předtím neprobírali a teprve museli přijít na to, jak to funguje. Látku pochopili snáze než v případě běžné výuky. Zároveň však autoři uvádějí, že se jim nepodařilo vymyslet aktivity na všechny části kurikula.
Druhou variantou je logicky vyučování za využití počítače. Zde se nabízí například již výše zmíněné základy programování, a to ať už za použití Scratch, Ozobotů nebo čehokoli jiného.
Výhody tohoto přístupu mohou být:
- žáci se učí i pracovat s počítačem
- žáci si vytvářejí vztah k programování, skrze které se učí nejen informatickému myšlení, ale i v budoucnu velmi užitečné schopnosti
- je snazší na tyto aktivity navázat hodnocení
Mezi nevýhody je možné řadit například tyto:
- Kite et kol. (2021) ve svém článku upozorňují na to, že přílišná koncentrace na psaní kódu (například při jeho integraci do kurikula) může znevýhodnit některé skupiny žáků a student. Problematický je dle nich i příprava vzdělavatelů, kteří by programování vyučovali.
- Nutná dostupnost technologií
To, že tvorba na počítači může být podobně pestrá jako mimo něj, dokládá třeba příklad z britské knihovny, kde si žáci/návštěvníci knihovny naprogramovali vlastní hru na základě eposu o Beowulfovi za pomoci zjednodušeného programovacího jazyka (de Paula et kol., 2018). Při tvorbě zadání například pro Scratch můžou být nápomocné závěry Moreno-Leon et kol. (2020), kteří analyzovali vzniklé projekty z hlediska obsahu a náročnosti.
Další inspirace, tentokrát už bez ohledu na přítomnosti či absenci počítače, můžete čerpat například na imysleni.cz. Jedná se o web o informatickém myšlení, který je výsledkem projektu zaměřeného na inovaci vzdělávacího obsahu Informatika a ICT. Je možné zde najít články k tématu, tipy na offline i online aktivity pro žáky základního i středního vzdělávání, vzdělávací materiály pro učitele i například učebnice
Závěrem
Cílem tohoto příspěvku bylo ukázat, že má smysl se snažit naučit informatickému myšlení i humanitně zaměřené studenty. Je mnoho možností, jak jej mohou využít, stejně tak jako variant, jak jej učit a překonat problémy v motivaci, například jeho demonstrování na oblasti zájmu žáků či studentů.
Bývá uváděno, že informatické myšlení je klíčovou kompetencí pro život v dnešním světě. Toto tvrzení je často odůvodněno výrazným podílem počítačů a jiných technologií na našem životě a nutností s nimi umět komunikovat. Domnívám se však, že toto není nejpodstatnější důvod, proč se informatickému myšlení učit. Informatické myšlení vidím jako soubor schopností či myšlenkových procesů, které umožňují snazší orientaci ve fyzickém světě. Může jít například o schopnost rozložit si větší problém či úkol na menší, zvládnutelné kousky (dekompozice), odnavigovat někoho po telefonu, aby našel něco ve vašem pokoji (algoritmizace) nebo odfiltrovat příliš vzdálené informace nerelevantní k diskutovanému tématu (abstrakce). Tento pohled částečně podporuje i fakt, že, jak už bylo popsáno, lze učit informatické myšlení i bez počítačů či technologií.
Zdroje
Bell, T., & Vahrenhold, J. (2018). CS unplugged — How is it used, and does it work? In Adventures between lower bounds and higher altitudes (pp. 497–521). Springer. https://doi.org/10.1007/978-3-319-98355-4_29.
Brdička, B. (2014). Informatické myšlení jako výukový cíl. Metodický Portál RVP.cz. Dostupné 14 červen 2022, z https://spomocnik.rvp.cz/clanek/18689/INFORMATICKE-MYSLENI-JAKO-VYUKOVY-CIL.html
Busuttil, L., & Formosa, M. (2020). Teaching Computing without Computers: Unplugged Computing as a Pedagogical Strategy. Informatics In Education, 19(4), 569–587. https://doi.org/10.15388/infedu.2020.25
Čápka, D. Lekce 1 — Úvod do teorie algoritmů. Dostupné 14 červen 2022, z https://www.itnetwork.cz/algoritmy/teorie/uvod-do-teorie-algoritmu-definice-casova-slozitost-stabilita
Česká školní inspekce (2019): Rozvoj informačních gramotnosti na středních školách ve školním roce 2018/2019. Tematická zpráva. Dostupné 14 červen 2022, z https://www.csicr.cz/Csicr/media/Prilohy/PDF_el._publikace/Tematick%C3%A9%20zpr%C3%A1vy/TZ_informacni-gramotnost_2018-2019.pdf
de Paula, B. H., Burn, A., Noss, R., & Valente, J. A. (2018). Playing Beowulf: Bridging computational thinking, arts and literature through game-making. International Journal Of Child-Computer Interaction, 16, 39–46. https://doi.org/10.1016/j.ijcci.2017.11.003
Güven, I., & Gulbahar, Y. (2020). Integrating Computational Thinking into Social Studies. The Social Studies, 111(5), 234–248. https://doi.org/10.1080/00377996.2020.1749017
Karl Beecher. (2017). Computational Thinking: A Beginner’s Guide to Problem-solving and Programming. BCS.
Katai, Z. (2020). Promoting computational thinking of both sciences- and humanities oriented students: an instructional and motivational design perspective. Educational Technology Research and Development. https://doi.org/10.1007/s11423-020-09766-5
Kite, V., Park, S., & Wiebe, E. (2021). The Code-Centric Nature of Computational Thinking Education: A Review of Trends and Issues in Computational Thinking Education Research. Sage Open, 11(2). https://doi.org/10.1177/21582440211016418
Moreno-Leon, J., Robles, G., & Roman-Gonzalez, M. (2020). Towards Data-Driven Learning Paths to Develop Computational Thinking with Scratch. Ieee Transactions On Emerging Topics In Computing, 8(1), 193–205. https://doi.org/10.1109/TETC.2017.2734818
MŠMT (2021). Rámcový vzdělávací program pro základní vzdělávání. Část C. Dostupné 14 červen 2022, z https://revize.edu.cz/files/informatika-2021.pdf
Sphinxter, C. (2020). Blog and Lecture Series About Lectures & Events Wyrd/Patchwork Blog Contributors Projects Digital Garden Lab VR Network sdbs Punctum Display Alienists Xenogoth Libertarian Ideal Vast Abrupt D-Zona Computational Thinking Through the ‘Digital Humanities Stack’. Diffractions Collective. Dostupné 14 červen 2022, z https://diffractionscollective.org/computational-thinking-through-the-digital-humanities-stack/
