计算思维的方法观

计算思维的方法观（精选5篇）

计算思维的方法观 第1篇

2016年1月28日, 一则谷歌新闻刷爆朋友圈:谷歌旗下Deep Mind公司研发的围棋程序Alpha Go击败了法国国家围棋队总教练、欧洲围棋冠军樊麾, Alpha Go五战全胜。这是人工智能领域的重要进展。 (截至发稿, Alpha Go与李世石的围棋大战落下帷幕, 人工智能以4:1赢得了胜利——编者注)

计算机和人类在棋类中的较量已不罕见, 在三子棋、跳棋和国际象棋等棋类上, 计算机都先后完成了对人类的挑战。值得一提的是, 1997年的人机大战, 当时IBM公司研发的超级计算机“深蓝”战胜了国际象棋冠军卡斯巴罗夫。不过国际象棋的算法要比围棋简单得多, 国际象棋中取胜只需“杀死”国王, 而围棋中则用数子或比目的方法计算胜负, 并不是简单地杀死对方棋子。

Alpha Go的获胜震惊了围棋界, 对拥有2500多年历史的围棋而言, 计算机在此之前从未战胜过职业棋手。Alpha Go的获胜也震惊了计算机人工智能领域, 围棋看起来棋盘简单、规则不难, 纵横各19条等距离、垂直交叉的平行线, 比赛双方交替落子, 目的是在棋盘上占据尽可能大的空间, 但围棋比起国际象棋的困难点在于, 它要求学会察觉棋盘上布局的微妙模式, 而不是仅仅计算不同棋局状态下的权值。Deep Mind公司宣称其采用了政策网络 (policy network) 和价值网络 (value network) 两种深度神经网络, 支持机器深度学习, 人工智能变得更强大了。

计算机技术正在节节逼近拥有高级智慧的人类。然而, 大多数人至今仍在怀疑计算机是否真的能“看清”摄像头前形形色色的真实世界, 或者通过麦克风“听懂”说话声。尽管计算机处理数据的速度极快, 但对外界的感知能够与有意识的人类一样吗?

“深蓝”计算机可以战胜国际象棋大师卡斯帕罗夫, Alpha Go可以战胜欧洲围棋冠军樊麾, 但是, 这些计算机不一定能够对我们生活中习以为常的现象进行合理的判断。例如, 让计算机“看”一幅蓝鲸蹲在东方明珠塔顶的图片, 它不一定能及时发现错误。而这些问题对一个学龄前儿童来说, 却不是一个难题。

这就说明, 人的意识及其对应的思维活动与计算机所采用的方法有很大的不同, 计算机并不能具备意识, 远没有达到能够思维的程度。计算机所表现出来的智能, 是靠人类赋予它的方法来实现的。

人类具有意识和思维。街上走着一位美女, 男士一般都会回头多望几眼, 这种行为往往是不由自主的, 是一种本能, 也是一种潜意识。这种潜意识是非常直接的, 一般不经过大脑思考, 是由感知造成的第一反应。潜意识的形成来自于人的自然属性, 是物种进化与长期文化认同后内化的结果。当外部环境造成的刺激直接迎合上自身内在的需求与认同时, 脑部有关神经元放电刺激行为神经与内分泌神经, 后面的行为便自然产生了, 其反应时间几乎为零。

除了潜意识外, 人类还具有后建意识, 就是高层次的理性意识, 这是与地区文化背景和本人知识储备有关系的。例如, 一个人在商店里买一件衣服, 首先要选喜欢的颜色、式样, 这是审美问题, 其次要看价格是否能承受得起、是否合身等, 这里面有一整套思维模式, 包括辩证取舍、价格比较、购买缘由等, 到最终决定是否购买再到执行。这一过程是理性意识支撑下的思维决策过程。可以想象, 人的思维决策系统是一个立体网状结构, 也可以比喻成知识体系的信息通道。当人根据目的开始建立理性意识时, 思维系统就高速运转, 像计算机的CPU一样开始在硬盘里搜索需要的信息, 即在个人的知识体系中不断比较筛选后建立起意识, 在符合心理认同后开始执行。这里, 心理认同是很重要的一个环节, 当心理不能认同时, 这种意识只能成为一种一闪而过的意念, 不会付诸行为。

现在回到计算思维。从对Alpha Go的讨论可以发现, 计算机并不具备意识和思维, 但Alpha Go的出现之所以在业界引起震惊, 正是因为它采用了深度学习技术, 向着人类的意识与思维逼近, 其表现更为接近人类的实际问题解决方法, 尽管这与“人类级别的人工智能”还相距甚远。而从有关人类的意识与思维的讨论中, 我们可以发现, 计算思维应该是人类的思维, 是一个人储备了计算学科相关知识以后在理性意识支撑下的活动。

计算思维方法:计算思维教育的内容

人们很难描述自己的思维。在完全清醒的时候, 我们通过大脑考虑一些事情, 这是在思维;当我们睡着的时候, 有些事情也仍会萦回脑际, 我们把这种现象称为梦境;我们也会做白日梦, 是一些杂乱无章的思绪;或者有时候在我们头脑中出现不能控制的一系列观念或想法, 这是不是思维, 却很难讲。

杜威在《我们怎样思维》一文中提出反省思维 (reflective thinking) , 这种思维是对某个问题进行反复的、严肃的、持续不断的深思。其一, 反省思维是由一系列连续的被思考的事情组成的, 反省思维是一个过程, 这些事情不是偶发的, 而是有前后关系的, 前者事件决定后者, 后者是前者正当的结果, 受前者的制约;其二, 反省思维所涉及的事情通常不是对事物的看见、听到、触摸等直接观察记录, 而是通过思考获得的, 这也符合思维间接性的特征;其三, 反省思维不只是在头脑中反映一系列的虚构故事, 而是有目的的, 它必须得出一种结论, 这一结论必须是通过思考得以证实。通过专心的思考, 把一团乱麻似的思考弄得顺理成章, 把含混不明的思绪弄得一清二楚。

那么, 思维是如何在大脑中形成一系列的事情, 从一件事情连接到另一件事情的呢?这就需要方法。方法是人类认识客观世界和改造客观世界应遵循的某种方式、途径和程序的总和。在思维过程中运用的方法可称为思维方法, 是人们通过思维活动为实现特定思维目的所凭借的途径、手段或办法, 也就是思维过程中所运用的工具和手段。例如, 三角形内角之和, 我们反复测量不同形状三角形的内角, 发现三个角之和约等于180度, 我们可以推断出:任意三角形的内角和可能都等于180度。这里, 大脑使用的方法是归纳法, 是从个别事实推演出一般的逻辑思维方法。如果我们要严格证明“任意三角形的内角和等于180度” (如下图) , 需要采用演绎的证明方法, 运用已知的定理, 先证明“∠1=∠A”、“∠2=∠B”, 从而一步一步推演证明“三角形内角和等于180度”。

抬起头, 观察天空, 从云朵的变化可以推测天气的变化。作为探索活动, 通过观察, 然后对观察的数据进行分析, 这是经典物理最常用的方法。例如, 开普勒通过长期天文观察和数据分析, 发现了火星的运动规律:火星画出一个以太阳为焦点的椭圆 (开普勒第一定律) ;由太阳到火星的矢径在相等时间内画出的面积相等 (开普勒第二定律) 。

回到日常生活中的一个平凡的事例:当一个不熟悉当地道路的旅行者走到道路的分岔口时, 犹豫不决, 究竟走哪一条路才对呢?他有两种办法可以选择:观察周边环境, 作出判断, 选择一条路径;或者从左到右依次对每条岔路进行尝试, 发现错误, 退回来探索下一个岔口, 从而找到正确的路径。第一种方法依据预判断, 有一定的运气成分。第二种方法是一种典型的回溯搜索法, 在计算机中经常应用, 尽管可能花费更多的精力, 但可以保证得到正确的或者最佳的答案。第二种方法还蕴涵了这样一个核心思想:给出一个从左到右的搜索规则, 经过有限次的操作, 一定能得到最终结果, 这就是计算的思维方法。

大部分思维, 特别是科学类思维, 都是由以下两种方法支持其思维活动的:一种是基本方法, 即逻辑, 这是推演思维活动的最基本工具, 否则, 人们就可评价说“思维不合逻辑”, 即推演是不合理的;另一种就是其对应的学科方法。计算思维体现的是机械计算, 是人脑对实现机械计算的计算装置及其计算实现过程的反映。人脑对计算实施原理与过程的思考, 必定需要由计算的方法来规范, 这样, 人们才能理解计算, 并运用计算来设计系统、解决问题、指导人们的行为, 这就是计算思维。而方法是计算思维的具体内容表达, 方法学习是计算思维教育的有效途径。

构造与简洁:计算思维方法的特征

人类能够通过文字、音乐以及计算机等信息载体把获得的知识和经验储藏在外界环境中, 再以学习的形式把这些信息转化为储存在大脑中的记忆并加以利用。目前的计算机鲜有主动的学习功能, 也不可能主动将储藏在外界环境中的知识和经验转化为可记忆的信息。

Alpha Go的出现之所以在业界引起震惊, 还在于它具有自主学习方法的雏形。目前的计算机几乎完全依靠机械方式把信息精确地记录下来, 而不善于利用记忆的信息自发地进行归纳推理等信息活动。因此会有这样一种情况出现, 人们要记住一张脸, 通常要比记住一个外语单词容易, 而计算机则相反, 计算机识别、记忆一张人脸要比记住一个城市的电话簿还要困难, 这是因为机械般的精确记忆是计算机的强项。因此, 把握计算思维的方法, 首先需要理解基于机械计算的方法特征。

计算思维方法的特征之一是构造性。构造性主要体现在两个方面。

其一, 方法是可以表达的, 并且是准确的、无歧义的表达, 能表达出明确的操作, 其对应的方法就是“形式化”, 用约定的格式、文字或语法表达计算操作。形式化表达有不同的层次, 在计算装置内部核心, 用电流、电压讯号或者字符“0”和“1”表示;在计算机开发应用层次, 人们可以用操作命令、计算机语言来表示;对于系统开发人员, 还可以用流程图来表达, 这一层次只是用于表达开发人员的设计思想, 规范设计行为。从外向内, 从人向计算机, 每一层次的形式化表达都可以向内层转换。每一层向内层的转换都需要经历抽象和形式化, 即将外一层的功能描述经抽象以后, 按当前层的格式要求形式化表达。例如, 开发人员可以将用户需求经抽象之后用例图或流程图表示;计算机可以将程序设计高级语言转换为机器语言执行。其二, 每一个操作环节构成的操作步骤是相关的, 即每一步操作都是有目的的, 前一步操作为后一步操作提供依据, 所有操作组合在一起, 完成一个特定的算法, 并且是在有限次的操作中完成的。当我们把一系列设定的操作递交给计算机以后, 计算机可以以此序列执行, 类似于人脑的思维是由一系列有序的事情组成, 我们也可以说计算机也在“思维”, 显然这种思维不是真正的思维, 而是计算机执行固定的操作序列。不同的操作序列组合, 实现了不同的算法, 如枚举法、冒泡排序法等, 体现的是不同的计算方法和计算目标。上例中的旅行者, 采用从左至右有规律地依次尝试每一种道路的走法, 并保证一定能够得到最终解, 就是典型的构造特性。

简洁是计算思维方法的另一特征, 它也体现在两个方面。其一, 基本操作尽可能简单, 复杂操作可以转化为简单操作执行。例如, 乘法操作可以用若干个加法操作来完成。实际上, 实现机械计算的计算机并不“聪明”, 只适合做简单的工作, 只是以它的速度优势, 通过快速处理简单的事, 来完成复杂的工作。因此, 机械计算是适合做简单操作的重复执行, 这也是计算思维的方法特征。其二, 简洁同样体现在形式化表达方式上。用循环结构表示重复执行操作, 不仅可以节省大量的表达空间, 而且简单明了, 是人脑思维概括性和间接性的典型表现。按功能划分模块, 是结构化程序设计的基本思想, 对写入的程序使用逻辑结构, 使得理解和修改更有效、更容易。至于面向对象的方法, 将数据和操作封装在一起, 将接口与实现分离, 可以将现实世界以对象的形式进行更简洁和直观的表达。

理解本质:计算思维方法教育的核心

计算思维是人的思维, 是人指示计算机工作的思维。计算思维的方法指导着思维过程与走向, 因此, 对方法的学习, 是计算思维教育的有效途径。

从计算思维对应的计算学科来看, 是源于数学, 同时又有工程属性。因此, 计算思维的方法可以从两个维度描述:数学方法和工程方法。计算思维的数学方法包括抽象、构造、递归、形式化等, 计算思维的工程方法包括系统方法、分治法、结构化方法、面向对象方法等。

计算是为了数据处理。从数据处理角度来看, 计算思维的方法有三类:其一, 物理世界与计算机世界数据转换的方法, 如用二进制数对物理世界和现象进行编码以便计算处理, 用可视化的方法表示各种对象等。其二, 数据的管理方法, 如先将信息聚焦成“库”, 再对基于“库”所聚焦的大量信息进行管理、分析与研究。其三, 数据加工的方法, 如用算法的思维确定数据加工的有效步骤。

计算机原理以及相关计算方法的学习, 是计算思维教育的有效途径。计算思维的方法教育不能仅停留在利用计算机解决问题上, 而应该通过方法理解人与计算机的关系。算法与计算机有着不可分割的关系, 计算机无法独立于算法而存在, 算法却不一定要依赖计算机才能存在, 但离开了计算机, 算法的实际作用就要大打折扣。以枚举法为例, 逐个考察了某类事件的所有可能情况, 因而得出一般结论, 这是枚举法的基本教学要求, 并在此基础上构造循环结构。但是, 如果不阐述枚举法是通过牺牲时间来换取答案的全面性, 学生也就没有进一步思考的动力, 包括思考计算机的速度优势, 枚举法的进一步优化, 等等。

计算思维的方法教育要体现计算的核心思想, 而不能流于形式。以递归为例, 递归是一个重要的概念, 也是教学难点, 一层层的嵌套调用会让初学者犯晕。“从前有座山, 山里有座庙, 庙里有个老和尚给小和尚讲故事:从前有座山, 山里有座庙……”老师们通常都用这个古老的故事来帮助学生理解递归, 这其实是对递归的一种误读, 最多只是让学生在形式上有想象, 但会陷入到无限的循环之中, 与计算学科解决问题能行性是不一致的。从递归所体现的核心思想来看:其一, 反映了将一个复杂的问题简单化处理方式, 这反映了计算思维简洁的特性;其二, 每次简单化后的问题表达方式与原方式是一致的, 这也反映了计算思维简洁的特性;其三, 是有终止的, 问题简化到一定程度, 一定是可以解决的, 这反映了计算思维的构造特性;其四, 递归是一种漂亮的形式化表达, 可以用有限的步骤描述实现近于无限功能的方法。最后需要说明的是, 在计算学科递归应用相当广泛, 程序的自我调用只是其中之一。

结论

Alpha Go的出现, 不仅反映了计算机人工智能专家在机器学习方面的研究逼近人类智慧的努力, 同时也引发了哲学家们对计算机发展到何等水平才能算是拥有意识与思维的讨论。对于人类而言, 在简单记忆和机械计算方面明显不如计算机的情况下, 人们的学习重点不应放在简单知识的记忆和方法的模仿, 而应是通过知识与方法的学习形成思维与意识。

我们无法凭空开展计算思维教育, 计算学科的基础知识和基本方法是计算思维教育的基石, 尤其是计算思维方法, 是计算思维的一种外显形式。所以, 通过计算思维方法的教学是开展计算思维教育的有效途径。但是, 计算思维方法的学习, 不是计算思维教育的根本目标, 而是应该通过对方法的学习, 形成计算思维及相关意识。因此, 在计算思维方法的教学中, 一定要把握计算思维方法的特征和本质, 而不是方法的形式。

在中小学, 与算法相关的方法教学已实施多年, 计算思维的提出, 对相关方法教学提出了新的要求。同时, 依据不同学段学生的年龄心智特征, 梳理计算思维的方法教育内容, 是一项有意义也有挑战性的工作。

参考文献

[1]焦李成, 等.神经网络七十年:回顾与展望[J].计算机学报, 2016 (1) .

[2]约翰·杜威.我们怎样思维——经验与教育[M].姜文闵, 译.北京:人民教育出版社, 2005.

[3]王荣良.计算思维教育[M].上海:上海科技教育出版社, 2014.

方法论视野下的计算思维 第2篇

关键词：计算模型；学习模型；PAC方式；归纳推理；关联关系；大数据

随着信息技术的快速发展，大数据、云计算、互联网这些名词已经越来越频繁地进入我们的日常生活，并对整个社会结构和运行秩序产生了深刻的影响。这种情况也毫不例外地影响着计算机科学和工程的教学改革，其中对于这些科学与技术发展背后带来的思维模式的特点显得尤为突出和重要，培养计算思维能力是当前计算机基础课程改革的目标。但是对于计算思维的内涵究竟是什么，它与我们熟悉的实证思维和逻辑思维之间有什么不同，它的内容和形式有什么特点，仍然是一个需要继续探讨的问题。这些探讨将进一步理清计算思维的内涵以及应用范围。本文通过计算模型与物理模型和数学模型的比较，解释了计算思维有别于实证思维和逻辑思维的不同之处，从方法论角度论证了计算思维是并列于实证思维和逻辑思维的第三种科学思维模式。

一、物理模型与数学模型

分析问题和解决问题的第一步是对问题的抽象，抽象的过程是略去与问题无关的部分，而关注于问题的本质。抽象最常见的结果是模型，一个适当的模型反映了问题的因果关系或者数量关系。从而可以采用已有的理论或者技术来分析模型，解决其中的问题。这种建模的方法是所有科学研究中的通用的原则，根据模型的不同，一般分为物理模型和数学模型，物理模型通过模拟物理运动来揭示因果关系，数学模型通过数学方程来揭示逻辑关系。在现实的处理问题的方法中，由于计算机的出现，人们似乎更加偏爱采用数学模型。

物理建模是抽取对象的本质属性，在实验室建立简化的系统，研究物体在这个简化世界中的行为，以确定因果关系。伽利略著名的斜坡实验是自由落体的物理模型，通过斜坡稀释了时间，使得观察和比较成为可能。

数学建模是通过抽取本质属性，建立属性之间的逻辑关系（数学关系），通常以方程的形式加以描述。借助方程解的形式来解释自然现象或者社会现象。

无论是物理模型还是数学模型，都需要把问题理想化和简单化。面对自然现象和社会问题，各种因素的影响纵横交错，其中的关系也是错综复杂，因此在抽象的过程中，一般需要预设结论，提出其中的因果关系假设，并为此设计一个模型系统，其中只有预设的因素而排除了其他因素，在这个简化的物理模型中，观察因素之间的相互作用。在数学模型中，则通过简化的数量形式，建立相应的数学方程，借助解的形式与性质来获取问题的解决。理论上说，任何建模的方法都不可能涵盖所有的客观因素，只能根据假设，提炼部分因素进行抽象，其中还不乏对于一些关系的理想化处理。

一般而言，物理模型和数学模型都属于“确定性”模型，即通过模型得到的结论是完全确定的，因果关系是确定的，逻辑关系也是确定的，其结论具有非此即彼的性质。即使对于统计模型（数学模型的一种），虽然结论具有某些不确定性，但是这种不确定性是建立在确定数学公理上的，它是一种由确定性导出的不确定性，本质上仍然属于逻辑关系。

所有这些模型以及其背后的依据和逻辑，已经发展成为系统的方法，有建模的步骤和程式，模型的建构，以及如何从模型得到结论的准则等。我们从小学到大学已经被无数次训练，对于这些方法也是烂熟于胸，熟悉的似乎已经是天经地义，无可怀疑。但是大数据的出现，对这一切都提出了严峻的挑战，为我们展示了一种崭新的认知世界的新方法和新观点。在物理模型和数学模型之外，出现了新的模型形式和建模方法，这就是计算模型。

二、计算模型

由于信息技术的发展，人类获取数据的能力较之过去有了飞速的进步。现在每天都要产生数以E比特量的数据，大量的数据带给我们的不仅仅是量的增加，更重要的是带来了一种新的认知观。这就是从观察数据中获取知识的新的途径。

实际上，从人类认知的历史来看，最早了解自然规律的手段就是观察和归纳，人类最早就是从数据中获取知识的。只是到了17世纪之后，由伽利略等逐步开创了现代实证主义研究的手段，观察研究就让位于实验。除了少数无法进行实验的学科（例如宇宙学），在绝大多数自然学科中，实验成为形成结论的标准手段，任何结论必须在实验室里面被验证，仅仅在自然界被观察到是不够的。在现代科学体系中，通过观察获取知识的方法被边缘化，究其原因，还是因为过去的观察手段比较落后，难以获得大量数据，而建立在小数据基础上的分析，其结论往往是不准确的，得到的结论也缺乏说服力。既然过去是受限于数据的不足，使得人们研究自然问题的方法主要依赖于实证主义的实验方法，那么现在随着信息技术的发展，获取数据的能力有了极大提高，进入了大数据时代，我们是否可以重新回到先辈那里，采用观察的方法来研究问题，获取知识。特别是在人文科学和社会科学等无法采用实验方法研究的领域，通过观察设备（传感器）作用于各种自然现象，社会活动和人类行为，产生了大量的数据，分析和处理这些数据，并且进行归纳和提炼。人们研究科学又可以重新回到了观察这个最原始和最基本的手段，但是这一次的回归是螺旋式上升，从古代依靠人的感官来观察现象，到现在依靠传感器来观察现象，数据的密度、广度、准确性和一致性已经不能同日而语了，因此观察这种研究手段在大数据时代焕发了新的生命力，成为新时代的新的科学研究方法。

《大数据时代》的作者舍恩伯格写道：“大数据标志着‘信息社会终于名副其实。我们所收集的所有数字信息现在都可以用新的方式加以利用。我们可以尝试新的事物并开启新的价值形式。但是，这需要一种新的思维方式，并将挑战我们的社会机构，甚至挑战我们的认同感。”这个新的认同感是什么？由于大数据进入我们的社会只有短短的历史，现在还不能做出最终的结论。舍恩伯格继续写道：“大数据时代对我们的生活，以及与世界的交流方式都提出了挑战。最惊人的是，社会需要放弃它对于因果关系的渴求，而只需关注关联关系，也就是说，仅需要知道是什么，而不需要知道为什么。这就推翻了自古以来的惯例，而我们做决定和理解现实的最基本方式也将受到挑战。”如果舍恩伯格所言为实，那么这种新的认知观和对于世界的新的解释就是建立在关联关系，而不是传统物理学所强调的因果关系，或者数学所强调的逻辑关系。实际上，近期一些借助大数据得到的重大甚至具有里程碑意义的成果都说明，上述的预言正在成为一种新的世界观和方法论，当采用大数据的分析方法和处理手段来解决问题，或者当采用关联关系来解释世界时，我们得到了一系列对于世界的新认知，极大地提高了我们认识能力，也丰富了我们的知识体系。这些成果包括AlghaGo、语音识别、图像判断、自动驾驶等领域。

现在我们回到方法论的问题上来。既然大数据提供了一种新的不同于物理学和数学的观点，自然也就带来了研究问题的不同于物理学和数学的方法。这种方法是关注于现象之间的关联关系而不是因果关系或者逻辑关系，因此必然要有与之相应的新的理论、技术和工具。也就是说，我们不仅关心大数据给我们带来的关联关系的新视角，更加关心如何来获取这种关联关系，即计算模型和如何构建计算模型的问题。

从计算机科学的角度，大致上可以分为三类模型，分别是指称模型，算法模型和学习模型。第一类指称模型包括各种文法系统、重写系统以及演算系统，主要是建立各种符号变换之间的层次关系、顺序关系、或者替代关系，是计算或者系统形式化的抽象模型。第二类是算法模型，包括各种算法，其中既有确定算法，也有非确定算法，还包括近似算法、随机算法以及演化算法等。算法构成了计算机科学的主要组成部分，通过建立算法模型是计算机解决问题的常用途径。第三类就是最近比较活跃的学习模型。实际上，指称模型建立了符号之间的变换，严格说这些变换纯粹是一种形式转换，它只是被指称所约定，并不关心这些符号之间是否有因果关系和逻辑关系，因此是一种关联关系的建立。算法模型中有一类是经过严格数学证明的，这类算法其输入和输出之间是有着逻辑关系的；但是也有一类算法，它的过程中有一些策略是依据实际情况变化的，是一种“就事论事”的方法，其结果的正确性不能逻辑上予以证明，这类算法的输入和输出之间是一种关联而不是逻辑。指称模型和算法模型已经有了很多研究，不在本文的讨论范围，本文主要讨论近年来随着大数据一起受到重视的学习模型。

一个学习模型是一个结构（装置），连同一个算法，通过对于大量数据的训练或者分析输出相应的结论。常见的学习模型有支持向量机（SVM，Suppog Vector Machine）、人工神经网络（ANN，Artificial Neural Network）、聚类分析（CA，Cluster Analysis）、邻近分类（kNN，k-NearestNeighbor）等。不同的模型有着不同的获取结论的理论和方法。机器学习是利用学习模型获取结论的过程。机器学习需要有一个预设的任务T，以及衡量指标P，通过选取合适的模型和数据E，以P的要求完成任务T。这里数据E即包括观察的数据，也包括诸如规则和经验这样的先验知识。以二分类问题为例，二分类问题定义了一个目标函数h：X→{0，1}，其中X是所有实例的集合，h是一个客观存在分类函数。数据被表示为特征的向量，所有的特征称为数据的特征空间。现假设我们有X的一部分数据，称为样例集合S。由于我们只有部分样例，而没有关于h的确切信息，因此事先并不知道h的准确定义。学习问题就是选取合适的模型和算法，使得从这些样例集合S得到一个函数g，g称为期望函数。学习目标就是获取与h尽可能一致的期望函数g。一方面，显然样例个数越多，越可能接近这个函数；另一方面，如果没有所有的实例信息，仅凭不完整的部分信息，理论上是不可能确切地得到h。对于不同的任务，需要选择不同的学习模型，这样才能达到快速高效完成任务的目标。

机器学习是当前计算机领域发展十分迅速的内容，原来通过传统数学或者物理的方法难以解决的问题，借助机器学习的方法获得了突破性的进展。

三、归纳学习与PAC原则

学习模型的目标是从大量的数据中获取结论，或者更具体的是获取期望函数。因此从总体上讲，学习模型是一种归纳学习的方式，尽管有些技术采用了分析学习，但是绝大多数的应用是以归纳学习为主。这是学习模型的本质特征，仅从这一点就可以看出学习模型与物理模型和数学模型的不同。

从观察数据中获取结论，这种研究方式在古代就已有之。早期的人类主要是通过观察自然现象归纳总结出相应的认识，形成知识内容和科学体系。但是由于观察手段的简陋，数据量不足，只能从小数据中得到结论，这需要极大的智慧和运气，而且说服力不足，科学知识难以普及和应用。因此在历史的发展中，逐步被现代科学方法所边缘化。随着技术的进步，现在我们具备了大量获取数据的能力，无论是处理数据的能力还是分析数据的手段都有了过去无法想象的提升，从而通过归纳学习的方法再次进入人们的视野，通过这种焕然一新的古老方法开辟一条新的获取知识的途径。但是在现代科学的背景下，使用学习模型进行归纳学习需要回答以下的问题：

（1）从一个学习模型出发，有多大把握学习到期望函数？

（2）学到的期望函数与目标函数之间的误差是多少？

（3）学习复杂度是多少？

（4）至少需要多少数据才能达到学习目标？

（5）学习稳定性如何，即如果换一组数据是否还能学到相同性能的期望函数？

只有回答了这些问题，学习模型作为一种方法论才具备科学的基础，获取的结论才具有说服力。因此我们现在重提归纳学习，并不是回到过去那种需要凭借天才的猜测和联想的研究方法，而是在现代科学体系架构下的，经过严格证明和规范标准的新方法。这种方法与实验方法和推理方法都具有可重复性，可应用性和可检验性。

由于学习模型和机器学习的发展历史不长，现在还无法深入回答上面的5个问题，但是学习理论已经对这些问题做了很有意义的探索，至少对于其中的一部分有了较为清晰的答案。

学习模型的本质是归纳学习，通过部分数据获取结论，因此和所有归纳推理一样，理论上得到的结论只能是相对正确。为了准确刻画这种相对正确性，学习模型引入了一个很重要的原则，即可能近似正确（PAC，ProbablyApproximate Correct）。它的定义是16]：

设L是一个学习模型，如果对于任意给定的0<δ，ε<1，L能够以1—δ的概率获取期望函数g，g与目标函数h的误差不超过ε。则称L以PAC方式获取函数h。

PAC方式有两个不确定性，一个是获取结论的不确定，一个是结论本身的不确定。这与我们熟悉的物理学通过实验获取结论，或者数学通过推理获取结论有本质的区别。事实上，所有通过部分数据获取结论的归纳方法都具有PAC性质。PAC方式是一种新的认知世界的模式，它的不精确性可能不是缺点，反而是一个优点。对此舍恩伯格有精辟的论述：“当我们掌握了大量新型数据时，精确性就不那么重要了，我们同样可以掌握事情的发展趋势。大数据不仅让我们不再期待精确性，也让我们无法实现精确性。然而，除了一开始会与我们的直觉相矛盾之外，接受数据的不精确和不完美，我们反而能够更好地进行预测，也能够更好地理解这个世界。”从这段论述看出，无论采用确定的方式获取结论还是以PAC方式获取结论，都只是一个习惯问题，也许在大数据时代，我们需要逐步适应使用PAC方式来思考问题和解决问题，这也构成了计算思维的重要内容。PAC方式拓宽了人类获取知识的途径，丰富了我们的科学体系和文化内涵，并且与传统的确定方式共同组成了人类认知和理解世界的方法。

在上面关于PAC的定义中，δ和ε可以任意逼近0，当两者都等于0时，就是确定性的算法和结论。作为物理发现，要求δ和ε都非常小。对于一般地应用而言，不需要如此苛刻的条件。一些行业规定了产品要求或者企业管理的标准，基本上达到3σ就可以，也就是合格率（正确率）达到99.73%。就一般问题来说，达到2σ也能满足要求，即置信度为95%。因此可以根据实际问题来设置δ和ε，使其符合应用需要即可，这个性质刻画了学习模型的学习性能。

四、学习模型与大数据

学习模型分为许多类，每一类都有严格的结构定义和相应的算法描述。从方法论的角度，对于给定的任务，选择合适的学习模型和恰当的算法，使之能够完成学习任务。虽然这些模型和算法大多都有严格的证明和描述，但是学习模型的一个神奇之处就是当启动学习过程后，可能完全不知道最后学出来结果是什么。我们只能从模型输出结果来判断是否达到要求，但是无法获知其中的因果关系和逻辑关系。即使能够得到模型最终的参数，也无法得知这些参数究竟表示何种意义。就许多学习模型而言，相对于我们就是一个黑箱。一个典型的例子是AlphaGo，尽管其结构和算法都是人们事先给定的，但是在通过大量的训练之后，已经无法对它的行为进行预测。这种不确定性正是学习模型的特殊之处，也是区别于物理模型和数学模型的分野。

学习模型是通过大量的数据进行归纳来产生结论的，因此数据对于学习模型来说是根本性的。作为方法论的描述，对于数据采集、储存、清洗和处理都有很多理论和技术，也开发了一些工具。同时对于如何选择学习模型也有了一些准则和经验，这些都构成了学习模型方法论方面的内容，根据这些方法，人们可以根据任务要求，通过学习模型的建模和运行，达到解决问题的目标。比如说，下面这个定理就描述了对于具体的任务，需要多少数据就可以产生期望的结论：

定理（Blumer et al，1989）：设X是实例的集合，S是样例的集合，h是目标函数，如果：

（1）S与X具有相同的分布；

（2）h是一个二分类函数；

（3）h在算法A的假设空间中；

那么，对于任意给定的δ和ε，当数据量N满足

由于篇幅限制，这里不讨论该定理的推导和一些符号的含义。另外前面提到的学习复杂度问题，学习稳定性问题，以及学习可靠性问题都是学习方法的理论基础，我们也不再讨论。只是说明，在一定条件下，对于通过学习模型得到期望的函数已经有了一些较为深刻的结果。比如该定理就明确指出为了完成学习任务所需要的数据量。这个量依赖于给定的精度要求δ和ε，并且与学习模型的假设空间的VC维数有关。尽管这些结果仍是初步的，但是足可以说明在大数据时代，人们对于学习模型和归纳学习的理解已经远远超越了古代，大数据学习是在现代科学的起点上发展这一古老的理论和技术。

学习模型表现出一些良好的性质，它是通过大数据来获取对于规律的认知；通过数据交互的方式，逐步加细认知精度；以及学习结果可以任意逼近需要的精度。相比于物理模型和数学模型，学习模型不需要精确分析或者实验室工作，建模成本较低或者可以分解成本。同时学习模型可以充分利用已有的案例和经验进行归纳，这在资源利用和解题思路上是合理的。最后，学习模型通过计算机运行，因此模型的可维护性好，修改模型也较为容易。

五、教学启示和结论

计算模型，特别是学习模型，为我们提供了新的认识世界和理解世界的方法。舍恩伯格认为，在大数据时代，这些新的分析工具和思路为我们提供了一系列新的视野和有用的预测，我们看到了很多以前不曾注意到的联系，还掌握了以前无法理解的复杂技术和社会动态。但最重要的是，通过探求“是什么”而不是“为什么”，关联关系帮助我们更好地了解了这个世界。关联关系很有用，不仅仅是因为它能为我们提供新的视角，而且提供的视角都很清晰。而我们一旦把因果关系考虑进来，这些视角就有可能被蒙蔽掉。关联关系是学习模型的精髓，正像因果关系之如物理模型，逻辑关系之如数学模型。因此从教学的角度也为我们提出了新的问题：

（1）正确把握计算思维的内涵和核心概念。上面的讨论可以看出，仅仅从方法论的角度，计算思维的内容已经具有了广泛的新颖性和特色性。而且对于我们认识社会和自然的观点与方法也带来深刻的启蒙。

（2）建立基于大数据的分析方法和认知手段。大数据给当今社会带来的影响仅是开始，今后会越来越深刻，而且将融入社会的方方面面，因此通过学习模型来处理问题，并且通晓它的基本原理和技术是十分必要的。

（3）克服对于物理模型和数学模型的依赖性，培养计算模型的意识和能力。加强学生在这方面的训练实有必要，特别是养成借助学习模型解决问题的能力。

（4）处理好应用能力与思维意识的关系，建立和养成PAC方式解决问题的习惯。革新思维意识，提升应用能力。通过对于计算模型的理解与学习，掌握好机器学习这一有效技术，从新的视角分析和解决复杂问题，培养真正的创新竞争力。

最后，我们提出三点作为本文的结论：

（1）计算思维不仅仅是对于已有方法和技术的诠释，更是蕴含新方法和新技术的丰富矿藏。通过学习模型来分析和解决问题就是一个广阔的崭新领域，由于机器学习本质上是通过观察来获取结论，获取的结论具有某些不确定性，这正是学习模型与物理模型和数学模型的不同之处，也是学习模型的引人入胜之处。正如舍恩伯格所说，这种不确定性不是表示学习模型不如物理模型和数学模型，而是说明大数据提供了一种新的认知世界的模式。

（2）学习模型并不排斥传统的物理学和数学的研究模式，相反，学习模型建立的关联关系可以为因果关系和逻辑关系的研究提供佐证和启示。巴拉巴西（Albert-Laszlo Barabfisi）在《爆发：大数据时代预见未来的新思维》一书中，对此有深刻的阐述：“关联关系分析本身意义重大，同时它也为研究因果关系奠定了基础。通过找出可能相关的事物，我们可以在此基础上进行进一步的因果关系分析，如果存在因果关系的话，我们再进一步找出原因。这种便捷的机制通过严格的实验降低了因果分析的成本。我们也可以从相互联系中找到一些重要的变量，这些变量可以用到验证因果关系的实验。”

（3）因此在教学上，要通过案例引导学生关注大数据给我们带来的影响，这种影响不仅表现在一些日常行为分析、商品推销、服务推送方面，更重要的是表现在对于世界认识的方法和手段。这些内容极大地开拓了理解世界和考虑问题的思维空间，可以解决以前无法解决的问题，达到以前无法想象的新的技术高度。就像汽车自动驾驶、语音识别技术、AlphaGo给我们带来的震撼一样。

分析计算思维与计算机方法 第3篇

1.1 计算机思维

计算机思维的概念最早于2006年三月, 在《Communicationsof the ACM》杂志提出 (作者:周以真) 。里面所述的计算机思维主要是用计算机这基础, 来帮助完成如人类行为、系统设计等一些思维活动。其本质有两点, 第一自动化;第二, 抽象化。这种抽象是更为空间的一种抽象, 包括了数据抽象, 也包括了物理、化学等学科的特点。实际上, 计算机思维可以说是与每个人的生活都息息相关的。用举例法就可以很明确的明白计算机思维的意义所在。例如, 当一个白领去上班时, 她每天将所需的物品放进提包, 就等于是计算思维的缓存、预置过程;一个人不小心掉了钱包, 会按原有路线去找, 这就类似一个过程;当不用租用房子, 而是自己购买一套就像是计算思维中的在线算法。

所以说, 计算机思维是有着自己特有的特点:

第一, 非程序化。计算机科学可进行多层次的思维运算, 不并只局限于计算机;

第二, 灵活化。计算思维并不枯燥的, 因为人类本身就充满想像力, 发挥其想像力给计算机添上活力;

第三, 是一种思想。人类所生产的各类软件、硬件等物体以物理形式呈现, 同时影响着我们的日常生活, 计算思维是一种思想, 被利于用在日常的生活与管理中。

1.2 计算机方法

这里所指的是计算机方法是一个论点, 简称计算机方法论。于2002年提出的, 是计算机科学与技术的方法论点。计算机方法论是系统的研究学问, 主要是在计算领域的初中过程中, 对一般方法、特点、内有联系、发展过程进行系统地研究, 是计算学科认知领域的一种理论体系。计算学科一般包括抽象、理论、设计三个过程, 在其知识体系中, 反映了计算领域中, 人们的认识是从感性到理性的过程, 再从理性转向设计中的一种科学思维方式。

此三过程有内在联系, 也有自己的发规律, 内容是计算机科学与技术方法中的重要内容。所以计算学科基本原理不归入这三者中的任务一类。期间, 更重要的原因还在于三个过程间的互相作用, 可推进计算学科以及其他领域的发展。同时, 这三者同时还包括学科中各种问题。将人对世界认识即在提出问题、解决问题过程中所产生的, 这种过程可以是抽象、理论、设计三过程的作用。同时还要注意的是, 计算机方法论实际上还存在着经度方向的关系, 那是各个主体领域所共有的可反映不同领域内在联系的思想与方法本质。其可反映不同领域间的共性问题, 同时又有利于人们去认知计算学科, 有利于人类更好运用方法论中思想从事计算领域工作。

2 两者关系解析

从总体进行分析, 计算机方法论与思维的相关研究就等于是研究数学思维与方法论一样。一般而言, 我国研究重点集中在了对学科方法论的研究当中。与国外相比, 对计算机思维的研究琮是不足的。和数学的研究进行比较, 虽然计算机方法论研究还是比较简单的, 目前数学方法理论体系构建基本已完成。同时计算思维与方法论研究内容也是有基础的。如, 世界著名计算机组织ACM及IEEE-CS研究的基础上, 且与国外计算思维方面研究可有机融合, 吸收先进成果。就算在角度有所一同, 但计算思维和方法集结都是重视计算学科的最基本的内容。计算思维是由学科思维的简单层面进行分析、讨论的一个方式, 而计算机方法论则是从“方法论”的角度去讨论学科的本质及问题。

从某种意义上说, 计算思维重视的是学科思维的本质, 这需要去对这个概念进行深入分析, 通过大量实例去分析和数学、物理的不同, 包括对于强大思维能力对其他科学的影响。

在计算思维课堂教学中, 美国的教师协会认为:计算思维是所有学校所有课堂教学都要采用的一种工具, 会产生以下的问题:计算机与能力的有限性?问题的复杂性, 包括时间与空间的复杂性是什么?问题的判定条件等等。

在研究工作上, 怎么才能运用计算思维, 其研究的问题至少要具有以下的特点:

第一, 指的是一个问题是否可以韬晦之计简单的说明, 即是需要解决什么问题, 或指的是这个问题能不能用模型进行表达。问题只有在清楚的情况下, 才可得到他人的支持、理解。

第二, 解决问题的方法及所取得的成绩是可测的。

第三, 在对问题处理的过程中, 是可分成细致的步骤进行。

而计算机方法、计算思维的研究重点不同。哪些概念是从原有概念中衍生出来的。以科学表述就是计算学科概念认知模型的构建。

3 结束语

综上所术, 虽然计算机方法论、计算机思维有着自己的特点以及原理, 且两者在本质上有一定互补性, 可在某种程度上互相发展、促进, 所以日后的实践、研究当中, 不单要明确这两种的差别, 还更加应该重视两者间的互补关系, 为日后工作提供科学、准确的方法。

摘要：计算机思维与计算机方法论都有着自己的特点, 可相互促进并互补。例如, 计算机思维可以为计算机方法论提供参考依据, 同时通过计算机方法论的学习、研究, 更更好培养出计算机思维。两者各具优势, 是值得相互学习的。本文分析了计算思维与方法论的相关概念, 同时对两者关系进行简单阐述。

关键词：计算机方法论,计算机思维,关系

参考文献

[1]刘建丽.充分利用现有的教师资源搞好计算机基础教学改革[J].计算机教育, 2006 (03) .

[2]李海燕.高校非计算机专业计算机基础教学改革的探讨[J].现代企业教育, 2006 (17) .

[3]孙克忱.高校文科计算机基础教学中有关问题的研讨[J].西南民族大学学报 (自然科学版) , 2005 (06) .

[4]Wing J M.Computational Thinking.Communications of the ACM, 2006, 49 (3)

[5]Wing J M.Computational Thinking and Thinking about Computing[EB/OL].2008.http://www.cs.cmu.edu/~wing/publications/Wing08a.pdf

[6]周以真.计算思维.中国计算机学会通讯, 2007, 3 (11)

[7]王飞跃.从计算思维到计算文化.中国计算机学会通讯.2007, 3 (11)

创新思维提升计算机教学质量的方法 第4篇

一、了解学生的基本情况, 制定科学的教学目标

对于职业中学学生来说, 他们的阅历较浅, 要对他们开展有效的教育教学活动, 必须提出明确的要求, 这样才能吸引他们的注意力, 完成既定的教学目标。在职业中学计算机课堂, 教师一定要明白, 学习的目的不是让学生记忆或者背诵相关的理论知识, 而是通过课堂的学习, 使他们学会基本的计算机应用。目前, 计算机基本上走进了家庭, 在有条件的地方, 每个家庭都有电脑, 但是利用效率较低, 学生主要是用来打游戏, 看视频, 聊天等, 但是电脑的其他可利用价值却没有得到充分运用, 为此, 教师在教学的过程中要引导学生合理使用电脑, 并且熟练掌握计算机操作知识, 对网站设计、计算机系统、办公软件等做到有所了解。在对电脑的认知上, 让学生掌握一些计算机硬件和软件的相关知识, 如开关机、系统优化、软件更新, 等等。

二、革新教学方法, 让学生“操练”起来

职业中学计算机课具有一定的实践性和操作性, 所以在讲授知识的同时, 教师应该创造条件, 让学生可以边学习边操作, 这样才能提升教学的质量。计算机理论知识的掌握是必要的, 但是掌握基础知识的目的是为了更好的操作。换句话来说, 职业中学计算机课应该采取直观的教学方法, 让学生动起来。如果在计算机课堂采取理论讲授的方法, 很容易让他们感到枯燥乏味, 进而出现游离课堂的现象。而直观的教学, 能激发学生的好奇心, 使其积极参与其中。如在学习Word的相关知识时, 对于保存文档, 教师就可以让学生动手操作, 首先打开一个Word, 然后完成打字任务———“班级我最酷, 这是要保存的文档”, 然后按下Ctrl+s或者直接点击左上部的保存按钮, 把保存的路径改为桌面, 文档的名称改成自己的名字。通过这样的操作, 学生就很容易掌握这项操作技能了。

三、创造性地利用计算机教材, 提升教学质量

针对普通职业中学计算机教学面临的困境, 要想改善现状, 首先就应该不断地采取措施, 提升教师的素质和质量。新课改下, 计算机教师应该具备素质教育和新课改的理念, 做到与时俱进, 不断完善自身的教育教学理念和教学策略, 这样才能提升教学质量。在我国现有的教育制度下, 教师的教学方法略显陈旧, 教学内容更多的依附于教材。但是教材往往是整齐划一的, 加上区域的限制, 每一个地方的学生情况是不一样的, 这样就造成了教学和学生学习之间的矛盾。在新课改之后, 一线的职业中学计算机教学对教材的要求也越来越高。根据这一教学实际情况的变化和需要, 职业中学计算机教师必须采取有效的对策, 转变教育教学理念, 根据计算机教学和学生发展的需要适当地拓展教学内容以及整合现有的教材内容, 以此来激发学生的学习兴趣, 优化教学内容, 提升教学质量。作为计算机教材的编写者, 在教材编写过程中应全力做到教材内容符合职业中学生的发展需要, 不让教材内容流于形式和程序;而作为教学一线的职业中学计算机教师, 在使用教材的时候, 应该以职业中学生为中心, 在了解职业中学生的基础上结合实际整合教材, 把繁琐的知识化零为整, 变抽象为具体, 创造性地利用教材, 这样的教学才是有效的, 才是高质量的。

四、巧妙地运用网络学习资料, 对学生开展层次化的教学

对于职业中学学生来说, 由于学习基础、接受能力、学习环境的不同导致学生学习计算机的效果呈现巨大的差异性。而在以往的课堂教学中, 教师面对的是全班同学, 讲授的内容是整齐划一的, 无论是对学习能力强的学生还是基础稍差的学生, 讲授的内容都是一样, 这样就忽视了学生之间的差异性。有效的课堂教学应该做到有教无类, 因材施教, 尊重学生的个性和情感, 实现层次化的授课。网络的发展极大地促进了职业中学计算机课堂教学的发展, 为层次化的教学创造了有利条件。网络教学和学习在一些地区已经成为发展的趋势, 所以在教学目标的设计上可以呈现一定的层次化。教师可以充分利用网上的大量信息, 有针对性地对它们进行整合、分类。在设计练习时, 教师可以利用网络资源设计出适合不同层次学生的活动, 对不同的学生进行不同难度和不同量的训练, 让学生自我控制练习进度, 这样的教学对提升学生的整体探究能力是非常有帮助的。

计算思维的方法观 第5篇

关键词：计算思维,教学模式,“程序流程”教学法

当前计算思维已引起了国内外计算机专业领域、教育领域及其它领域的专家和学者的广泛关注和重视。经过“CT与计算机导论”、九校联盟会议等多次会议, 逐步确立了计算思维在计算机教育中的重要地位, 致使以计算思维为中心的教学模式改革研究正不断深入。

1 计算思维

计算思维是三种重要的科学思维之一[1], 它是运用计算机科学的基础概念进行问题求解、系统设计、理解人类行为等一系列思维活动。计算思维是抽象的人的一种思维方式, 是数学和工程思维的互补与融合[2]。当遇到问题时, 可以运用计算思维, 模仿计算机处理信息的方式, 将问题分解、简化和转化, 采用容易解决该问题的方式, 如递归、并行处理等方式, 解决问题。

计算思维能够改变人的思维方式, 影响人的行为。在当今信息化的社会里, 也仍然需要像运用数学和其它基本常识一样, 运用计算思维来处理事情。大学生在学校期间, 会面临如何提高个人能力和专业技术水平的问题, 可以用计算思维的方式帮助其解决问题。计算机专业的学生掌握计算思维, 更有利于学习、理解与运用计算机相关技术。

2 计算机专业课教学中存在问题

一些本科毕业生的专业技术和个人能力不能满足用人单位的需求, 问题出在哪里?该研究者从教与学的过程分析, 认为在学生培养过程中存在以下问题: (1) 教学形式相对简单, 不能依据教学内容灵活的调整教学思路或方法; (2) 教学模式不能够达到向学生授之以渔的效果; (3) 注重专业技术的讲授, 轻视技术思想的传授; (4) 学生对于专业技术的学习切入角度不能从技术应用的实际出发去学习与掌握; (5) 学生学习缺乏主动性与实践性, 不能够主动学习, 主动尝试应用技术或练习实例。

面对这些问题, 教师可以将计算思维运用到教学中, 注重对学生计算思维能力的培养。

2.1 培养计算思维能力的教学模式

计算机专业课可以依据人才培养类型分为科学型、工程型、应用型[3]相对应的课程。不同类型的课程及其不同部分的教学内容, 可以依据需要选择合理的教学方法。该文提出了“程序流程”教学法进行授课, 培养学生的计算思维。

2.2“程序流程”教学法

“程序流程”教学法是指将程序设计中绘制流程图的思想与教学相结合, 将教学过程依据教学内容讲授的需要, 按照设计程序流程的思想, 安排教学环节。教学的流程同样可以运用程序结构中的顺序、分支、循环结构来实现。运用该教学方法时, 应充分考虑所授课程内容的特点及其类型, 设计教学流程时要使教学内容能够充分展示给学生, 且容易被理解, 各知识点内部要素及知识点之间的衔接要恰当的选用程序结构。

为了便于说明“程序流程”教学法, 以ASP.NET程序设计中验证控件部分的教学为例进行阐述, 该部分内容主要讲授六种验证控件, 包括必填验证、比较验证等控件。采用该教学方法的基本原则: (1) 要从课程的整体出发, 注意教学内容的前后衔接。例如验证控件是用来对输入类控件里的数据进行检验的。授课时, 可以从实际应用出发, 说明对输入类控件使用验证控件的必要性。在设计实例时, 实例的内容要结合输入类控件一起使用。 (2) 教学内容的讲授要由点到面。在讲授知识点时, 要侧重讲解具有代表的内容, 举一反三。例如通过对必填验证控件使用的详细说明, 使学生掌握所有验证控件的公共属性, 再具体介绍每种验证控件所特有的属性。 (3) 教学环节要注重启发学生, 促进学生积极思考, 培养学生的计算思维能力。授课时引导学生思考, 传授技术体系中蕴含的思想或思维方式。技术应用过程中, 要先提出问题, 后给出答案, 对学生的思维方式进行锻炼, 提高其解决问题的能力。可以通过教学实例, 引发学生的思考和兴趣, 促使其主动寻求问题的答案。 (4) 结合其它的教学方法, 加强对学生计算思维能力的培养。依据授课内容和授课对象的实际情况, “程序流程”法可以与案例法、任务驱动法等结合使用, 逐层深入的对学生的计算思维能力进行培养。 (5) 遵循教学规律, 遵循学生认知的心理过程。教师重在正确引导学生学习、思考及独立操作。讲授知识点要由浅入深, 授课内容的讲解要各个击破。

在教学案例中首先引入程序实例, 然后以必填验证控件为重点依次的讲解了各个验证控件的使用方法, 最后通过循环的方式讲授实例, 直到大部分学生理解该部分授课内容。本案例中, 授课的逐步深入, 学生也随之轻松的掌握了各个知识点。

教学实例的选用应注意以下几点: (1) 选用的教学实例要具有代表性和针对性[4], 且不应太难或太复杂。实例应使学生容易将旧的知识和经验迁移到新的知识点中, 易于其掌握。 (2) 知识点与实际的工程应用结合。这样可提高学生的学习兴趣, 使其较容易掌握专业技术在工程中的应用方式及其过程, 培养和运用其计算思维。 (3) 启发学生思考, 激发学生潜能。利用实例促使学生以工程技术人员的角度去思考问题, 设想问题情境, 寻求解决问题的思路和方法, 增强学生的计算思维能力。

在教与学, 理论与实践相结合中, 培养和锻炼学生分析问题、解决问题的能力, 增强其逻辑思维能力, 使其计算思维得到培养。

3 成果分析

该文提出的教学模式经过实践, 学生明确了教师的教学思路, 能够的主动配合教师完成各个教学环节, 认真听讲。专心听讲的人数比例由27.78%上升到55.56%, 学生课堂内掌握所讲内容的人数比例由19.44%上升到41.67%。

4 结语

对于计算机专业的教学, 不仅仅是传授技术, 更重要的是要把运用计算机解决问题的思想或思维方式传授给学生。计算思维的培养应在整个专业教学体系中体现出来, 其培养方式, 也需不断探索与创新。

参考文献

[1]谭浩强.研究计算思维, 坚持面向应用[J].计算机教育, 2012 (21) :45-56.

[2]Wing J M.Computational Thinking[J].Communications of the ACM, 2006, 49 (3) :33-35.

[3]教育部计算机科学与技术教学指导委员会.高等学校计算机科学与技术专业发展战略研究报告暨专业规范 (试行) [S].高等教育出版社, 2006.