Datalogiskt tänkande och formaliseringens fallgropar

Åtminstone sedan 1976, då John Nevinson myntade termen ”computer literacy”, har olika begrepp för att försöka fånga de kunskaper och kompetenser vi behöver för att hantera ett samhälle med digitala teknologier diskuterats. Ett nytillskott i den svenska diskussionen är termen ”datalogiskt tänkande”, en översättning från engelskans ”computational thinking”. Denna term skiljer sig från många andra förslag då den innehåller ordet ”tänkande”, snarare än varianter av ”kompetens” eller relaterade termer. Just denna egenskap hos begreppet gör det speciellt. Av denna anledning vill vi ägna denna andra bloggpost i vår serie kring programmering i skolan åt datalogiskt tänkande. Ett problem är att termen lånar sig till en betydelseglidning; från tillämpning av datavetenskapliga ämneskunskaper och principer till något betydligt mer generellt och obestämbart. Begreppet utgör därmed en projektionsyta för fascinerande bilder av lärande och framtidens samhälle samtidigt som forskningsbasen är svag. För att klargöra dess konsekvenser för diskussionen om skolans digitalisering är det nödvändigt att göra en djupare analys av dess ursprung och användning.

I ett nyligen publicerat program och en serie blogginlägg fokuseras datalogiskt tänkande i Utbildningsradions ”Lärlabbet”. I den engelskspråkiga världen har den motsvarande termen computational thinking diskuterats under ett decennium. Termen kan spåras till matematikern Seymour Papert (se föregående inlägg i denna blogg) men tillskrivs ofta datavetaren Jeanette Wing, numera högt uppsatt inom Microsoft. Sedan hon föreslog termen i en artikel skriven 2006 har den fått stor spridning och kommit att stå för en slags metaagenda bakom programmering i skola och utbildning. Men vad är det då för tänkande som kan anses vara datalogiskt?

Man stöter till att börja med på en del språkliga problem när man försöker översätta den engelska termen computational. Engelskans ”computer” betydde ursprungligen en person som utför matematiska beräkningar. Med datorns intåg blev det möjligt att automatisera beräkningar och innebörden skiftade till dagens. Alfred Ahos kärnfulla definition av computational thinking fokuserar, i linje med detta, formulerandet av problem så att ”deras lösningar kan representeras som beräkningsbara (computational) steg och algoritmer” (s. 834-835, vår översättning). På svenska tenderar beräkningsaspekten att försvinna, vilket kan innebära att termen får en förändrad innebörd.

I den svenska diskussionen har inte minst datavetaren Fredrik Heintz varit aktiv med att föreslå definitioner. På lärlabbets blogg använder han denna (vilken vi också kommer att utgå från i den vidare diskussionen):

”Datalogiskt tänkande är ett samlingsbegrepp för förmågor, färdigheter och förhållningssätt för att beskriva, analysera och lösa problem med tekniker från datavetenskapen så att datorer kan hjälpa till. Grunden är att skapa program och algoritmer med detaljerade steg-för-steg instruktioner bestående av sekvenser, alternativ, repetitioner och abstraktioner (SARA). Viktiga tekniker för att skapa dessa program är att bryta ner problem i mindre delar samt att hitta mönster och skapa abstraktioner utifrån dessa.”

Tre saker är viktiga att ta fasta på i denna definition: För det första framstår kärnan som att lära sig hantera abstraktion och problemlösning som bygger på formalisering. För det andra tycks definitionen förutsätta en viss relation mellan människa och dator, där datorns roll blir att ge problemlösningen den databehandlingskraft (och kanske artificiella intelligens?) som människan saknar. För det tredje är det värt att notera de generaliserande anspråken gällande kunskapernas tillämpbarhet. Det kan noteras att Fredrik Heintz i en intervju menar att om elever ”får lära sig datalogiskt tänkande kommer de ha verktygen för att verkligen dra nytta av alla de fantastiska möjligheter som digitalisering medför”. Jeanette Wing menar i sin tur att det rör sig om “a way that humans, not computers, think”, “for everyone, everywhere” (s. 35).

Forskningsläget

Dessa framtidsförhoppningar kring datalogiskt tänkande fascinerar. Karin Nygårds pekar samtidigt i ett av blogginläggen på Lärlabbet ut avsaknaden av forskning kring datalogiskt tänkande i skolan. Hur ser då den vetenskapliga basen ut?

I den engelskspråkiga litteraturen finns en relativt omfattande diskussion kring begreppet. I en grundlig översikt över litteraturen publicerad 2014 diskuterar Shuchi Grover och Roy Pea det samlade läget och noterar att forskningen i huvudsak fokuserat frågor kring begreppsdefinitioner. De menar att mycket återstår att göra innan något allvarligt försök att införa datalogiskt tänkande i skolan kan göras. Både teoretisk och praktisk förståelse av elevers utveckling av kunskaper och kompetenser inom området saknas. Grover och Pea menar att den mest centrala, obesvarade frågan är “vad kan vi förvänta oss att barn ska veta eller göra bättre när de väl deltagit i undervisning designad för att stödja utvecklingen av datalogiskt tänkande och hur kan detta utvärderas?” (s. 42, vår översättning). Det kan alltså konstateras att bevisläget kontrasterar kraftigt mot retoriken. Värt att notera är att Roy Pea var en huvudperson i utförandet av de (i förra bloggposten nämnda) kritiska 80-talsstudierna av Logo-programmering. Grover och Pea är dock i detta fall inte negativa till programmering eller undervisning i datalogiskt tänkande i sig, utan syftar till att bidra till forskningen genom att ge en samlad, nyanserad bild av läget.

De underliggande idéerna

I brist på empirisk forskning vill vi här vidare diskutera de underliggande idéerna och dess relevans för skolan i relation till den föreslagna definitionen ovan. Vad gäller abstraktioner och formaliserad problemlösning: att förstå hur en dator fungerar är en viktig allmänbildningsfråga, men i vilken omfattning behöver man lära sig tänka som en datavetare? Är formalbildning i datavetenskap vägen att gå för skolan?

Det finns tidigare försök att föra in formalistiska modeller i undervisningen i Svensk skola. Här utgör historien om läromedelsserien Hej Matematiks uppgång och fall på 1970-talet – införandet av mängdlära, boolsk algebra och matematisk logik på skolschemat – ett illustrativt och ämnesmässigt inte särskilt avlägset exempel. Denna beskrivs av Mats Karlsson i en artikel i Forskning och Framsteg. Karlsson konstaterar bland annat att mängdläran drevs igenom med motiveringen ”att utbildningsväsendet var föråldrat och oförmöget att ge eleverna de kunskaper som fordrades i en mer tekniskt avancerad, automatiserad och föränderlig värld”. Det är inte svårt att dra paralleller till dagens diskussion. Nu kan man förstås hävda att boolsk algebra och logik är rimligare i dagens situation, när digitala teknologier omger oss, än på 70-talet. Förståelse av datorers funktion, algoritmer och liknande är viktigt, men innebär det att datalogiskt tänkande ska tränas som en utgångspunkt för kunskaper som har med digitala teknologier att göra?

Det finns röster inom datavetenskapen som vänder sig mot den gängse tolkningen av begreppet. I ett tämligen provocerande men intressant blogginlägg frågar sig exempelvis datavetaren Lorena Barba om inte begreppet datalogiskt tänkande systematiskt tolkats på ett helt annat sätt än vad Seymour Papert ursprungligen avsåg i och med genomslaget för Jeanette Wings datavetenskapliga perspektiv. Barba menar att utgångspunkten i abstraktion innebär en ytligare och mindre kraftfull idé än Paperts ursprungstanke, i vilken den formella förståelsen alltid är sekundär till principen att ge barn makten att skapa med hjälp av datorer.

Här kommer vi in på den andra punkten vi vill diskutera, relationen människa-teknik. Om man utgår från att abstraktion och formaliserad problemlösning är utgångspunkten för interaktion med tekniken sker en anpassning till vissa tekniska och beräkningsmässiga perspektiv. De brittiska forskarna Avril Loveless och Ben Williamson pekar i boken Learning Identities in a Digital Age ut systemtänkande som gemensam rational bakom en rad ansatser till införandet av teknik i skolan, från 1980-talets Logo-programmering och framåt. Kodning tas i denna tradition som modell både för lärande och för eleven (vissa har beskrivit detta som en dold läroplan bakom programmering på schemat; en läroplan där elevdriven problemlösning sätts i centrum och där fokus hamnar på logiska problem och resonemang). Datalogiskt tänkande kan ses som det tydligaste uttrycket för denna agenda. Vad innebär detta för andra kunskaper som också kan ses som relevanta inom det digitala området? I vilket mån hjälper oss exempelvis (vilket även Karin Nygårds frågar sig) datalogiskt tänkande till kritiska perspektiv? Detta är frågor av stor praktisk betydelse för skolan. Vi menar att det är viktigt att barn lär sig förstå principer för hur datorer fungerar och bearbetar information. Frågan är dock om detta kommer ur en formalbildning i datavetenskap eller om det snarare gradvis växer fram ur skapandet av produkter, kritiska diskussioner och ifrågasättande samt erfarenhet av olika exempel på hur digitala system fungerar.

Transferproblemet

När det kommer till den tredje punkten, de generella anspråken enligt vilka datalogiskt tänkande beskrivs som något som kan komma till nytta i en rad sammanhang, är de svåra att bemöta. Det är ytterst vaga och oklara löften som ges. Det är dock viktigt att skilja på om man med datalogiskt tänkande avser datavetenskapliga metoder för att lösa specifika problem eller en starkare tolkning som innebär en generell problemlösningsförmåga med bred tillämpbarhet. En idé som cirkulerar i olika sammanhang och som bygger på den senare, starkare tolkningen är att programmering i grundskolan ska ses som ett medel för att träna upp det datalogiska tänkandet, inte ett mål i sig. Tankefiguren är här att det finns ett renodlat och avgränsat datalogiskt tankesätt, en problemlösningsförmåga som borde vara ett mål i sig i skolan. Denna problemlösningsförmåga kan man sedan ta med sig och tillämpa i en rad olika situationer för att lösa en rad olika typer av problem. De konkreta programmeringskunskaperna är alltså sekundära från denna utgångspunkt.

Här kommer vi in på en tämligen komplex vetenskaplig diskussion som är viktig att uppmärksamma i detta sammanhang (med reservation för att det är omöjligt att i detalj redogöra för den i ett blogginlägg), nämligen frågan om transfer. I slutet av 80-talet fick socialantropologen Jean Lave stort genomslag för sin kritik av tanken på matematiska kunskaper som ett slags verktyg som kunde transporteras och tillämpas på samma sätt i olika situationer. Hon visade utifrån observationsstudier att matematiska problem i vardagssituationer (exempelvis ”vilket är det bästa köpet i mataffären”) tenderar att lösas med helt andra metoder än de formella beräkningar som lärs ut i skolan. Laves studier markerade på många sätt starten för 1990-talets utveckling av situerade och kontextuella perspektiv och en mer genomgripande teoretisk omvärdering av synen på skolkunskapers tillämpning. I och med denna utveckling kom man inom forskningsvärlden allt mer att problematisera tankefiguren att man på ett direkt sätt kan hämta problemlösningsstrategier som lärts i skolsammanhang och tillämpa dem i andra situationer. I det svenska sammanhanget fick dessa tankar genomslag i och med framväxten av det sociokulturella perspektivet, i vilket man betonar betydelsen av sociala praktiker och kulturella redskap för problemlösning. Det förtjänar dock att nämnas att kritik mot tanken på generella problemlösningsförmågor också hörs från andra vetenskapliga discipliner, inte minst från förespråkare för teorin om kognitiv belastning (cognitive load) och forskning om lärande och minne inom den kognitiva psykologin. Från detta håll betonar man vikten av djupgående, specifika domänkunskaper vid problemlösning snarare än generaliserbara tankesätt.

Idén om generella kognitiva förmågor eller transfer av ”tänkande” är helt enkelt inte särskilt gångbar inom forskningsvärlden och har inte varit det under tämligen lång tid. Av någon anledning är dock fortfarande idén att skolans roll är att träna upp generella kognitiva förmågor utbredd. På denna punkt återstår mycket att klargöra för förespråkarna för datalogiskt tänkande.

Slutsats

Slutsatsen av denna analys är att det finns en rad frågor att besvara kring hur termen datalogiskt tänkande ska tolkas, vilka lärprocesser som avses och hur de utpekade kunskaperna kan passa in i skolan. Vi ifrågasätter inte att det finns ett värde i utbildning som involverar aspekter av det datavetenskapliga kunskapsområde som pekas ut av begreppet datalogiskt tänkande. Att begreppet skulle kunna vara själva utgångspunkten för skolans arbete med digitala redskap och det digitala kunskapsområdet mer generellt är dock ett betydligt mer problematiskt ”tänkande”.

Patrik Lilja, universitetslektor
Catarina Player-Koro, universitetslektor
Anna-Lena Godhe, universitetslektor
Thomas Hillman, universitetslektor