In diesem Beitrag beschreibt Andreas Haupt, was er über Computational Thinking herausgefunden hat:

Computational methods and models give us the courage to solve problems and design systems that no one of us would be capable of tackling alone. Computational thinking confronts the riddle of machine intelligence: What can humans do better than computers? and What can computers do better than humans? Jeanette Wing

In computational thinking, the students demonstrate the ability to identify a problem, break it down into manageable steps, work out the important details or patterns, shape possible solutions, and present these solutions in a way that a computer, a human, or both, can understand. Computational thinking can also involve structuring and manipulating data sets to support the solution process. IEA 2018

Computational Thinking, teilweise auch Computer-Based Thinking soll Menschen darin trainieren, Aufgaben zu erkennen, die sie tatsächlich besser können als Rechner.

Maschinen werden immer besser, auch in den Kompetenzen, die viele SuS in der Schule erwerben. Wolfram Alpha ermöglicht etwa die Lösung von Mathematikaufgaben, die in Realsprache eingegeben werden.

Leider haben nichtsdestotrotz Computer im Mathematik, geschweige denn im Wirtschaftsunterricht, kaum ein Gewicht. Dieses Video zeigt etwa, wie mechanisch Mathematikunterricht häufig sein kann (“Rechen-Klausuren”). Wenngleich Rechenklausuren Lehrkräften und SuS Sicherheit geben, abprüfbare Kompetenzen zu haben, werden sie oft ihrem Anspruch nicht gerecht echtweltliche Anforderungen zu modellieren.

Die Roboterhaftigkeit menschlichen Rechnens zusammen mit der zunehmenden Kompetenz von Maschinen lässt die produktive und richtige Nutzung von Maschinen für Menschen in den Fokus rücken. Dies ist der Kern von Computational Thinking im engeren Sinn, welches Lernende darin trainieren soll, zu identifizieren, welche Teile einer Aufgabe am besten von Maschinen erledigt werden.

Das IEA-Zitat legt einen Ablauf des Problemlösens in fünf Schritten nahe.

1. Abstraktion/Definition: In einer Fragestellung die “richtigen” Details weglassen

2. Zerlegung/Modularität: Fragestellungen in kleinere Fragestellungen zerlegen, die am besten eindeutig beantwortet werden können

3. Pattern Recognition/Repräsentation: Für jede Teil-Fragestellung Darstellungen der echten Welt zu wählen, so dass einfach mit ihnen gearbeitet werden kann

4. Algorithmen: Eine Lösung eines Teilproblems eindeutig aufschreiben.

5. Implementierung: Diese eindeutige Formulierung in computergerechte Sprache übersetzen.

Für Ihren Unterricht können diese fünf Schritte eine Blaupause für Ihre nächsten Text- oder Implementierungsaufgaben sein, oder auch für eine komplexe Fragestellung im gesellschaftswissenschaftlichen Bereich eine Aufgabe für die ganze Klasse sein.

Andreas Haupt

Webseite: https://indraos.github.io/