計算思維的層級加工理論假說及教育啟示

[摘" "要] 計算思維是21世紀人才必須具備的一項關鍵問題解決技能。當前關于計算思維的認知本質尚不清楚，給教育實踐帶來一系列挑戰，如缺乏統一的教學框架和明確的評估準則等。為此，研究從已有理論共識和觀點出發，基于算法與問題解決的相關理論，深入分析了計算思維問題解決的層級加工特性。在此基礎上，借鑒層級加工的相關認知理論，進一步提出計算思維層級加工的理論假說，其核心觀點是，計算思維的認知本質在于對不同抽象層級的信息或子問題及其之間的關系進行加工。從認知與神經機制來看，計算思維層級加工需要卷入不同的認知控制模式來調控工作記憶對層級信息進行持續性維持和選擇性更新，在神經機制上導致大腦認知控制腦區的持續性和瞬時性高激活。伴隨這些信息加工活動對認知資源的消耗，將導致認知負荷，引起大腦默認網絡腦區的抑制程度增強。這些理論觀點將為計算思維的認知、教學與測評提供啟示，并可在后續實證研究中采用交叉學科的研究范式進行檢驗。

[關鍵詞] 計算思維； 問題解決； 層級加工； 認知控制； 認知神經機制

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 郝曉鑫（1994—），女，山西長治人。博士，主要從事計算思維、教育神經科學研究。E-mail：yezishangu@zju.edu.cn。耿鳳基為通信作者，E-mail：gengf@zju.edu.cn。

一、引" "言

隨著人工智能時代的來臨，計算思維被視為繼閱讀、寫作和算術之外的另一項基本素養[1]。當前，許多國家和機構正積極投入大量的人力和物力資源，致力于培養個體的計算思維。例如，多個國家將編程教育納入K-12階段的課程標準中，各種編程學習平臺（如Scratch）如雨后春筍般涌現，計算思維競賽活動（如Bebras）正在全球范圍內蓬勃開展[2-3]。

在過去的十幾年里，研究者在計算思維的教學與測評實踐領域積累了豐富的研究成果，但是仍然無法很好地回答如何認識、培養和評估計算思維的問題[4]。具體表現為：存在眾多的計算思維定義、缺乏統一的計算思維教學指導框架、未能建立明確的計算思維評估標準以及計算思維科學研究的信效度難以檢驗等[5]。越來越多的研究者意識到，為了更好地應對這些挑戰，必須深入探索計算思維的核心認知基礎，回答涉及計算思維認知本質的關鍵問題[6-7]。

二、計算思維的內涵及理論觀點

當前，關于計算思維的內涵存在不同的解讀視角。其中有一類代表性的觀點將計算思維視為一種問題解決的思維方式，強調通過抽象、分解和算法思維等心理過程來生成一系列算法步驟。

（一）問題解決視角下的計算思維

計算思維一詞最早出現在1980年Papert的著作Mindstorms： Children， Computers， and Powerful Ideas中[8]。他在書中強調，在Logo編程環境中，學生通過測試和調試代碼來發展對學習和思考的理解，這被認為是對計算思維概念的最初闡釋[9]。2006年，美國卡耐基梅隆大學的周以真教授明確提出計算思維是人類解決問題的一種方式，而非讓人類像計算機一樣思考[10]。在借鑒吸收了其他學者的觀點后，她進一步將計算思維界定為構思問題，并以能被智能代理（人或計算機）有效執行的方式來形成問題解決方案的思維過程[11]。美國國家研究委員會（NRC）將計算思維定義為將復雜問題分解成一系列在功能上相互獨立且更為簡單的子問題，以便使用高效自動化的解決方案來處理這些子問題的思維過程[12]。此外，國際技術教育協會（CSTA）和計算機科學教師協會（ISTE）提出的操作性定義中詳細描述了計算思維所涉及的問題解決過程和步驟[13]。

（二）計算思維的關鍵在于處理層級抽象

在眾多認知要素中，“抽象”被廣泛視為是計算思維的基石。一方面，當前關于計算思維的定義幾乎都涉及了抽象要素。抽象是計算思維的心智工具[14]。計算思維的關鍵在于創建抽象對象并定義它們之間的關系[15]。另一方面，作為一種認知過程，抽象能夠有效支持計算問題的解決。例如，Muller和Haberman將算法問題解決中的抽象描述為模式識別、黑盒化和結構識別三個過程[16]。

在計算機科學領域，抽象是通過信息隱藏的方式來實現的，由此引入了“層級”的概念。周以真指出，“像計算機科學家一樣思考”需要在多個抽象層級上處理信息[14]。計算思維的關鍵在于定義和處理不同層級的抽象及其之間的關系[14]。然而，這一理論觀點在后續研究中未能得到進一步檢驗。其中一個可能的原因是，周以真對于層級抽象的探討是在整個計算機科學的范疇下進行的，未能明確闡釋層級抽象在計算思維問題解決情境中是如何體現的。

三、算法與問題解決的層級理論

計算思維涉及理解和生成一系列算法步驟來解決問題。算法的層級抽象模型明確了算法方案在不同抽象層級的體現。其中，在問題層和程序層，本研究基于問題空間理論和計算機程序的層級抽象框架，詳細分析了計算思維問題解決的層級加工特點。在此基礎上，層級復雜性理論為探測和量化計算思維的層級加工過程提供了理論依據。

（一）算法的層級抽象模型

算法的層級抽象模型描述了算法概念在不同抽象層級的表現形式[17]。具體而言，在問題層，算法被視為一種問題解決的方法或策略，通過分析問題的特性、目標和約束條件，以確定合適的解決方案；在對象層，算法被視為一個獨立的實體對象，其內部實現過程被封裝成一個黑盒子，從而隱藏了算法實現的具體細節；在程序層，算法被視為一個具體可執行的過程，表現為基于不同編程語言的計算機程序；在執行層，計算機程序被進一步轉化為計算機硬件可理解和執行的機器語言。

（二）問題空間理論

根據問題空間理論，當問題的初始狀態和目標狀態被明確定義時，問題求解可以被看作在一個抽象的問題空間中不斷搜索中間狀態的過程。相應地，人們通過一系列操作來實現不同問題中間狀態的轉換。這些操作就形成了問題解決方案。Knoblock指出，層級分解是一種有效搜索問題中間狀態的方法[18]。通過層級搜索，可以將復雜問題逐步分解為更小、更易處理的子問題，并通過解決每個子問題來逐步逼近最終的任務目標。基于該理論，計算問題解決可以被視為將復雜問題分解為一系列具有不同抽象層級的子問題，并為這些子問題提供相應算法解決方案的過程。

（三）計算機程序的層級抽象框架

類似于自然語言，計算機程序是按照層級語法規則進行組織的[19]。為了更好地理解和教授計算機程序中廣泛存在的層級結構，研究者提出計算機程序的層級抽象框架[20]。該框架從結構（包括文本和算法結構）和功能兩個維度描述了計算機程序中逐漸復雜的層級抽象。從文本結構來看，存在單個語言元素（如變量名）—完整的語義單元（如賦值語句）—程序塊（如循環體結構）—完整的程序文本等不同粒度的層級結構；從算法結構來看，程序始于每條指令所實現的算法操作，多條指令被封裝為方法或函數，這些函數或方法之間可以相互調用和訪問，從而實現更為復雜的算法表達。此外，該模型還考慮了計算機程序的結構—功能二元性。這意味著計算機程序不僅在語法結構上是按照層級組織的，而且在功能實現方面，不同粒度的程序結構也存在層級調用關系。例如，主函數可以通過調用子函數來實現特定功能。

（四）層級復雜性理論

任意一個復雜任務都可以被分解為一系列具有明確層級關系的子任務。為了描述這些子任務之間的關系，研究者區分了任務的水平復雜性和層級復雜性[21]。具體而言，水平復雜性僅與子任務的數量有關，而與執行順序無關；相反，層級復雜性被定義為高層級任務遞歸協調低層級子任務的次數。層級復雜性的增加源于高層級任務以一種特定而非隨意的方式來協調和組織一系列低層級子任務。這里，我們以計算機程序中廣泛存在的嵌套和序列結構為例，并借用圖論中“節點”和“邊”的概念來直觀呈現這兩種程序結構的層級表征。在本文中，嵌套結構是指將一個重復控制結構放置于另一個重復控制結構內部。與之相對應，當兩個重復控制結構被上下放置時，就形成了序列結構[22]。如圖1所示，當程序片段中包含相同數量的指令時，嵌套結構相較于序列結構具有更大的層級復雜性，表現為前者需要跨越更多抽象層級來組織代碼指令，并且在指令執行過程中涉及更多的迭代跳轉。相反，在特定的抽象層級上，序列結構相較于嵌套結構具有更大的水平復雜性。

四、層級加工的相關認知理論

在計算思維的層級問題解決過程中，不同的認知控制模式將調控工作記憶，以實現對層級信息的持續性維持和選擇性更新。伴隨這一認知過程對認知資源的消耗，會導致認知負荷的產生。在神經機制上，這些認知活動將引起大腦認知控制網絡和默認網絡的廣泛參與。

（一）認知控制的雙重機制模型

認知控制是個體調控自身行為和心理過程來實現目標導向的認知活動。根據雙重機制模型，存在前瞻性和反應性兩種控制模式[23]。其中，前瞻性控制是在目標刺激出現之前，個體以持續性和預期性的方式主動維持與任務相關的信息，并利用這些信息進行早期選擇和準備。與之相對，反應性控制作為一種“延遲糾正”機制，僅在外界環境發生變化時被調動，以支持個體根據當前情境做出靈活反應和及時調整。認知神經科學領域的研究表明，在執行目標導向的問題解決任務時，大腦的認知控制網絡，包括背外側前額葉和后頂葉皮層構成的額頂網絡、以島葉前部和前扣帶回作為核心區域的突顯網絡以及丘腦和基底神經核等皮層下結構（如圖2a的深色區域所示），會參與其中[24]。這些認知控制腦區的持續性和瞬時性激活模式分別承擔了前瞻性和反應性控制的認知神經基礎[25]。

（二）層級加工的工作記憶計算模型

O'Reilly和Frank提出層級加工的工作記憶計算模型[26]。該模型基于大腦前額葉和基底神經節之間的功能交互，揭示工作記憶系統處理層級信息的三種認知機制。具體而言，快速更新機制支持個體將低層級的任務信息快速編碼到工作記憶中；穩健維持機制支持個體將高層級任務信息持續維持在工作記憶中，并避免受到低層級任務信息或無關刺激的干擾；選擇性更新機制支持個體在特定時刻更新工作記憶中的某些信息，而保持其他信息不變。從神經基礎來看，快速更新和穩健維持兩種認知機制對前額葉的調用是沖突的，因此，依賴基底神經節的動態門控機制來實現兩種操作模式之間的靈活轉換[27]。

（三）認知負荷理論及其神經基礎

認知負荷理論關注如何利用人類的工作記憶和長時記憶系統來有效處理信息。該理論的提出基于一系列信息存儲、重組、處理和提取原則。根據資源消耗原則，任務執行過程中會消耗大量的認知資源，從而導致認知負荷[28]。因此，認知負荷被定義為個體在執行任務時所需要付出的心理努力或消耗的認知資源。研究表明，隨著任務層級復雜性的增加，個體所產生的認知負荷也隨之增大[29]。

在認知神經科學領域，研究者通過監測大腦默認網絡的活動水平來評估認知負荷[30]。默認網絡包括內側前額葉皮層、后扣帶回以及楔前葉等腦區（如圖2b的深色區域所示）。這些區域在休息、思維漫游或未專注于任務時表現為正激活狀態，而在任務執行過程中被抑制。默認網絡的負激活水平越高，說明執行特定任務消耗的認知資源越多，認知負荷越大。

五、計算思維層級加工理論假說

本研究從計算思維的問題解決視角及其關鍵在于處理層級抽象的理論觀點出發，以算法與問題空間理論以及層級加工的相關認知理論為基礎，提出計算思維層級加工的理論假說。該假說旨在深入分析計算思維層級加工的認知本質及其背后的認知機制，并可通過認知神經科學的證據進行檢驗。

（一）計算思維層級加工假說的理論基礎

計算思維是個體通過生成算法步驟來解決問題的思維過程。算法方案可以在不同抽象層級上表征。在問題層，個體通過層級搜索將復雜問題逐步分解為子問題以形成算法方案，這需要對不同抽象層級的子問題及其之間的關系進行處理。在程序層，算法方案被表征為按照層級結構組織的計算機程序，理解這些計算機程序需要對不同粒度的程序結構及其功能進行處理。可見，在計算問題解決過程中，不論是在問題空間中進行層級搜索，還是生成和理解按照層級結構組織的計算機程序，都充分體現了層級加工的特性。此外，將算法封裝為獨立對象并進行調用本身也是層級加工的體現。換言之，無論在哪種抽象水平上，層級加工始終都是貫穿計算問題解決的核心認知過程。這種層級加工反映出信息“計算”的本質，并從問題解決的視角呼應了計算思維的關鍵在于處理層級抽象的觀點。特別是，層級復雜性理論為量化和探測計算思維的層級加工過程提供了理論依據。具體而言，可以通過考查個體生成和理解具有不同層級復雜性的代碼片段來解決計算問題時的層級加工過程。

為了進一步分析計算思維層級加工的心理認知機制，我們借鑒了其他領域關于層級加工的相關理論。其中，認知控制的雙重機制模型和層級加工的工作記憶計算模型啟示我們，計算思維問題解決過程中，個體需要調用前瞻性和反應性兩種控制模式來調控工作記憶，以支持對高層級子問題的持續性維持以及不同層級子問題的選擇性更新。在神經機制上，大腦認知控制網絡的持續性和瞬時性激活模式將為此提供支持。同時，伴隨信息處理操作對認知資源的消耗，會導致認知負荷的產生，在神經機制上引起大腦默認網絡的抑制程度增強。

綜上所述，如圖3所示，本研究在計算思維的問題解決視角以及處理層級抽象觀點的基礎上，結合算法與問題解決的層級理論，深入剖析了計算思維的層級加工特性。在此基礎上，層級加工的相關認知理論為分析計算思維層級問題解決的心理認知機制及大腦神經基礎提供了理論依據。

（二）計算思維層級加工假說的基本內容

1. 計算思維問題解決的層級加工本質

Turing指出，如果人類的思維（信息）能夠被分解為可計算的基本單元，那么計算機將有能力像人類一樣解決問題[31]。這種信息的可計算屬性支持人腦和計算機以類似的方式來處理信息，本質上是對信息的層級加工，即將信息組合成更大的信息結構或分解為更小的組成部分。類似地，在問題解決領域，現實世界中的大多數問題都可以被不斷分解為更小的子問題，形成層級結構。計算思維涉及運用一系列的心理工具，如抽象和分解，在問題空間中高效地搜索問題中間狀態及其解決方案。這些問題中間狀態對應于不同抽象層級的子問題。其中，分解有助于將復雜問題轉變為一系列更具操作性的子問題；而抽象則強調通過隱藏和過濾無關細節，形成對每個子問題的抽象表征。這種抽象和分解過程不斷進行，最終形成包含多個抽象層級的問題空間。通常，高層級的子問題數量較少、持續時間較長且更加抽象；相反，低層級的子問題數量較多、持續時間較短且更為具體可執行。在解決計算問題時，個體需要在同一層級上按照既定順序依次處理各個子問題，并跨越不同抽象層級來協調子問題之間的關系，以便有效整合各個子問題的解決方案來解決整體問題。

對于給定的計算問題，可以采用具有不同層級復雜性的算法方案來解決，并生成相應的代碼片段。為了說明這一點，讓我們考慮圖4a中所示的計算問題。該任務的總體目標是編寫指令來引導蜜蜂移動并采集所有的花蜜。為了解決這個問題，我們設計了三組不同的算法方案，并展示了這些算法方案在問題空間中的層級表征（如圖4e～g所示）以及所對應的代碼片段（如圖4b～d所示）。在圖4e中，所有代碼指令都按順序列出，各指令之間沒有層級關系。相比之下，在圖4f中，我們使用“重復4次”控制結構作為更高層級的指令來協調多個低層級的具體指令，如“向前移動”“采花蜜”“向右轉”等。類似地，如圖4g所示，這些低抽象層級的具體指令還可以進一步形成層級結構。對比這三組代碼片段可以發現，圖4d中的代碼片段具有最高的層級復雜性，但是由于涉及更少的代碼指令，因而比圖4b和4c中的代碼片段具有更高的效率。

實際上，計算思維層級加工的特性已經在當前關于計算思維的教學與測評實踐中有所體現。在編程學習過程中，初學者通常使用簡單的序列結構來組織代碼命令。隨著編程學習經驗的積累，他們逐漸掌握了更為復雜的編程概念，通過層級方式來組織代碼指令以提高問題解決效率。舉例來說，Code.org編程學習平臺（https：//studio.code.org/s/express-2019）涵蓋了序列、循環、條件、函數、變量以及計數循環等不同抽象水平的學習單元。在變量單元的學習中，學習者通過定義變量而不是直接賦值的方式來動態改變嵌套循環的重復次數，從而引入了更高層級的抽象。另外，許多計算思維測評工具評估了個體理解和編寫包含多個抽象層級的代碼片段的能力。例如，盡管并非有意設計，計算思維測試題目在層級復雜性上仍存在差異。實證研究結果表明，兒童在層級抽象水平較低的題目上的正確率顯著高于層級抽象水平較高的題目，說明他們在處理更加復雜的層級關系時存在認知困難[32]。

2. 計算思維層級加工的認知與神經機制

在明確了計算思維的層級加工特性基礎上，需要進一步揭示其底層認知機制，回答哪些認知要素或心理活動支持了計算思維問題解決的層級加工過程。來自其他認知領域的研究表明，前瞻性和反應性認知控制模式均參與了層級任務加工[33]。具體而言，前瞻性控制涉及在工作記憶中持續性維持高層級任務信息，并避免受到低層級任務信息或任務無關信息的干擾；反應性控制則涉及調控工作記憶對低層級的任務信息進行快速更新，以及在不同層級之間跳轉時選擇性地更新某些信息。在神經活動層面上，認知控制相關腦區的持續性和瞬時性激活模式被認為承擔了前瞻性和反應性控制的神經基礎。基于此，我們提出，計算思維層級加工同樣依賴認知控制系統基于不同的操作模式來調控工作記憶，以實現對高層級信息的持續性維持和層級跳轉信息的選擇性更新。這些認知活動將在神經機制上分別引起認知控制腦區的持續性和瞬時性高激活。此外，在工作記憶中處理層級信息需要消耗大量認知資源，將導致認知負荷的產生，神經機制上表現為大腦默認網絡抑制程度的增強（如圖5所示）。

在其他認知領域，嵌套結構常被用來創設任務的層級復雜性[29]。計算思維領域也存在大量的嵌套結構，如函數調用和嵌套循環等。在處理嵌套結構時，個體需要調用前瞻性控制來持續維持內外層控制結構的重復次數，并確保在執行單個指令時不受干擾。同時，在內外層控制結構的跳轉位置處需要調用反應性控制來選擇性更新當前的重復次數，以便選擇和判斷接下來將要執行的指令。我們推測，隨著層級復雜性的增加，個體的認知控制系統將面臨更大的挑戰。已有研究發現，學習經驗會影響個體在層級任務加工過程中對于不同認知控制模式的選擇和依賴[34]。因此，我們進一步考慮了編程學習經驗這一變量對計算思維層級加工的影響，旨在從神經活動層面揭示編程學習如何重塑個體在計算思維層級加工過程中所引發的大腦活動模式和激活水平。

六、教育啟示

本研究通過融合教育學、心理學和認知神經科學的相關理論，提出計算思維層級加工的理論假說，旨在揭示計算思維的認知本質及其背后的心理認知機制。這一理論假說的提出有助于解釋計算思維問題解決的認知過程，并進一步轉化為一系列教育原則，用于指導計算思維的教學與測評實踐。

（一）認知層面

計算思維層級加工理論假說為理解計算思維問題解決的認知本質及其底層的心理認知機制提供了嶄新視角。根據這一理論，計算思維可以被定義為個體通過層級加工的方式生成和理解一系列算法步驟來解決問題的過程。這種層級加工既體現了信息計算的特點，也反映出計算思維問題解決的思維過程。從認知機制來看，計算思維層級加工依賴認知控制系統來維持和更新層級信息。具體而言，前瞻性控制負責調控工作記憶系統在一段時間內持續維持高層級信息，而反應性控制則支持在工作記憶中選擇性更新不同層級跳轉信息并快速更新低層級信息。伴隨這些認知過程對認知資源的消耗，將導致認知負荷。從神經機制來看，計算思維層級加工會引發大腦認知控制腦區表現出持續性和瞬時性激活模式，同時導致大腦默認網絡的抑制程度顯著增強。此外，任務層級復雜性和編程學習經驗將會影響計算思維的層級加工過程。特別是支持計算思維層級加工的各種心理過程和認知要素可能構成了計算思維與其他高級認知能力之間存在概念重疊或相關關系的認知基礎。

（二）教學層面

根據計算思維層級加工理論假說，在培養計算思維時，應當充分考慮層級加工的特性及相關因素的影響，如個體的認知發展水平、學習內容的層級復雜性以及支持層級加工的教學策略等。首先，在將計算思維引入K-12階段甚至更低水平的幼齡階段時，教育工作者應當充分考慮不同年齡階段學習者的認知控制和工作記憶發展水平。其次，學習內容的組織應當遵循從較低抽象層級逐漸過渡到較高抽象層級的原則。為此，需要充分考慮不同編程概念的抽象程度。教師通過靈活組合不同的編程概念來創設更加復雜的問題情境。從教學策略的設計來看，需要為學習者提供適切的教學策略或學習支架，以支持他們對層級信息的加工。例如，在教授“嵌套循環”這一編程概念時，可以在內外層重復控制結構的跳轉處設計學習提示，以減輕學習者在工作記憶中維持和操作當前重復次數的認知負荷。

（三）測評層面

計算思維層級加工的認知本質有助于回答計算思維“測什么”和“怎么測”的問題，從而為評估計算思維提供客觀統一的測量標準。具體而言，可以通過考查學習者在解決計算問題時生成和理解具有不同層級復雜性代碼片段的任務表現來衡量他們的計算思維。此外，通過客觀量化計算思維測評題目的層級復雜性，可以幫助研究者確定題目的難度梯度。這種方式將層級復雜性視作一項獨立的測量指標，以支持對不同研究中計算思維測評結果的橫向比較，而不必受限于特定的測評內容或形式的差異。最后，通過考查不同年齡階段學習者在計算問題解決過程中的層級加工能力，有助于從認知發展的角度對計算思維的發展軌跡進行縱向比較和追蹤。同時，層級復雜性原則同樣適用于計算機科學之外的其他學科領域，從而為在跨學科問題情境中（如STEM教育）評估計算思維提供了科學依據。

七、結 束 語

總體上，學界關于計算思維認知本質界定的模糊和理論研究的滯后，給計算思維領域的科學研究和教育實踐帶來一系列嚴峻的挑戰。為此，本研究基于計算思維領域的已有研究共識、算法與問題解決的層級理論以及層級加工的相關認知理論，提出計算思維層級加工的理論假說。該理論假說揭示了計算思維層級加工的認知本質，并從認知控制和認知負荷兩個維度闡明了計算思維層級加工的認知機制。同時，其他認知因素，如任務的層級復雜性和個體的編程學習經驗等對計算思維層級加工的影響也被考慮在內。這一理論假說的提出，對于深化當前關于計算思維的認知、教學與測評等方面的研究具有重要啟示。在后續研究中，需要跨學科融合不同領域的研究范式和技術手段，以便在不同實驗情境中對上述理論假說進行實證檢驗。

[參考文獻]

[1] 北京開放大學地平線報告 K12 項目組.2017地平線報告：新技術驅動教學創新的趨勢、挑戰與策略[J].人民教育，2017（21）：71-75.

[2] 康建朝.芬蘭中小學編程教育的緣起、實踐路徑與特征[J].電化教育研究，2021，42（8）：101-107，115.

[3] 朱珂，賈彥玲，馮冬雪.歐洲義務教育階段發展計算思維的理論與實踐研究[J].電化教育研究，2019，40（9）：89-96，121.

[4] 郁曉華，王美玲.計算思維培養之路還有多遠？——基于計算思維測評視角[J].開放教育研究，2020，26（1）：60-71.

[5] EZEAMUZIE N O， LEUNG J S C. Computational thinking through an empirical lens： a systematic review of literature[J]. Journal of educational computing research， 2022，60（2）：481-511.

[6] SELBY C， WOOLLARD J. Computational thinking： the developing definition[C]//Proceedings of the 18th Annual SIGCSE Conference on Innovation and Technology in Computer Science Education. New York： ACM， 2013：1-6.

[7] 馮友梅，王昕怡，劉曉蕊，等.計算思維不是什么：論計算思維的邊界及其何以成為信息技術學科的立足之本[J].電化教育研究，2023，44（1）：84-90.

[8] PAPERT S. Mindstorms： children， computers， and powerful ideas[M]. New York： Basic Books， 1980：285-286.

[9] 李芒，楊宇軒.人非機器：對計算思維本質的認識[J].開放教育研究，2023，29（2）：55-60.

[10] WING J M. Computational thinking[J]. Communications of the ACM， 2006，49（3）：33-35.

[11] WING J M. Research notebook： computational thinking—what and why[J]. The link magazine， 2011，6：20-23.

[12] National Research Council. Report of a workshop on the pedagogical aspects of computational thinking[M]. Washington， D.C.： National Academies Press， 2011：33-35.

[13] ISTE amp; CSTA. Computational thinking in K-12 education leadership toolkit [EB/OL]. [2024-05-31]. https：//docs.microsoft.com/en-us/archive/blogs/alfredth/computational-thinking-leadership-toolkit.

[14] WING J M. Computational thinking and thinking about computing[J]." Philosophical transactions of the Royal Society A： mathematical， physical and engineering sciences， 2008，366（1881）：3717-3725.

[15] National Research Council. Report of a workshop on the scope and nature of computational thinking[M]. Washington， D.C.： National Academies Press， 2010：13.

[16] MULLER O， HABERMAN B. Supporting abstraction processes in problem solving through pattern-oriented instruction[J]. Computer science education， 2008，18（3）：187-212.

[17] PERRENET J， GROOTE J F， KAASENBROOD E. Exploring students' understanding of the concept of algorithm： levels of abstraction[J]. ACM SIGCSE bulletin， 2005，37（3）：64-68.

[18] KNOBLOCK C A. Search reduction in hierarchical problem solving[C]//Proceedings of the Ninth National Conference on Artificial Intelligence. California： AAI Press， 1991.

[19] FITCH W T， HAUSER M D. Computational constraints on syntactic processing in a nonhuman primate[J]. Science，2004，303（5656）：377-380.

[20] SCHULTE C. Block model： an educational model of program comprehension as a tool for a scholarly approach to teaching[C]//Proceedings of the Fourth International Workshop on Computing Education Research. New York： ACM， 2008： 149-160.

[21] COMMONS M L. Introduction to the model of hierarchical complexity[J]. Behavioral development bulletin， 2007，13（1）：1-6.

[22] HAO X X， XU Z Y， GUO M Y， et al． The effect of embedded structures on cognitive load for novice learners during block-based code comprehension[J]. International journal of STEM education， 2023，10（1）：1-16.

[23] BRAVER T S. The variable nature of cognitive control： a dual mechanisms framework[J]. Trends in cognitive sciences， 2012，16（2）：106-113.

[24] DOSENBACH N U F， FAIR D A， COHEN A L， et al. A dual-networks architecture of top-down control[J]. Trends in cognitive sciences， 2008，12（3）：99-105.

[25] ZHU C D， HAN J H． The higher， more complicated： the neural mechanism of hierarchical task switching on prefrontal cortex[J]. Brain sciences， 2022，12（5）：645.

[26] O'REILLY R C， FRANK M J. Making working memory work： a computational model of learning in the prefrontal cortex and basal ganglia[J]. Neural computation， 2006，18（2）：283-328.

[27] CHIEW K S， BRAVER T S. Context processing and cognitive control： from gating models to dual mechanisms[M]//EGNER T. The Wiley handbook of cognitive control. Chichester： John Wiley amp; Sons， 2017：143-166.

[28] CHEN O H， CASTRO-ALONSO J C， PAAS F， et al. Extending cognitive load theory to incorporate working memory resource depletion： evidence from the spacing effect[J]. Educational psychology review， 2018，30（2）：483-501.

[29] FITCH W T， MARTINS M D. Hierarchical processing in music， language， and action： lashley revisited[J]. Annals of the New York academy of sciences， 2014，1316（1）：87-104.

[30] JENKINS A C. Rethinking cognitive load： a default-mode network perspective[J]. Trends in cognitive sciences， 2019，23（7）：531-533.

[31] TURING A M. On computable numbers， with an application to the entscheidungs problem[C]//Proceedings of the London Mathematical Society. London： Oxford University Press， 1937，2（1）：230-265.

[32] ROMN-GONZLEZ M， PREZ-GONZLEZ J C， JIMNEZ-FERNNDEZ C. Which cognitive abilities underlie computational thinking？ Criterion validity of the computational thinking test[J]. Computers in human behavior， 2017，72：678-691.

[33] YU Q H， CHAU B K H， LAM B Y H， et al. Neural processes of proactive and reactive controls modulated by motor-skill experiences[J]. Frontiers in human neuroscience， 2019，13：404.

[34] MA X， DING N， TAO Y， et al. Syntactic complexity and musical proficiency modulate neural processing of non-native music[J]. Neuropsychologia， 2018，121：164-174.

The Hierarchical Processing Theory Hypothesis of Computational Thinking and

Its Educational Implications

HAO Xiaoxin1，" LI Yan2，" GENG Fengji2

（1.Department of Psychology and Behavioral Sciences， Zhejiang University， Hangzhou Zhejiang 310058;

2.College of Education， Zhejiang University， Hangzhou Zhejiang 310058）

[Abstract] Computational thinking is a key problem-solving skill that talents in the 21st century must possess. At present， the cognitive nature of computational thinking is still unclear， which brings a series of challenges to educational practice， such as the lack of a unified teaching framework and clear assessment criteria. To this end， this study starts from existing theoretical consensus and viewpoints， based on the relevant theories of algorithms and problem-solving， and deeply analyzes the hierarchical processing characteristics of problem-solving in computational thinking. On this basis， drawing on the relevant cognitive theories of hierarchical processing， this study further proposes a theoretical hypothesis of hierarchical processing in computational thinking， the core point of which is that the cognitive essence of computational thinking lies in processing information or sub-problems at different levels of abstraction and their interrelationships. From the perspective of cognitive and neural mechanisms， the hierarchical processing of computational thinking requires the involvement of different cognitive control modes to regulate the working memory for the sustained maintenance and selective updating of the hierarchical information， which leads to continuous and instantaneous high activation of the cognitive control area of the brain in the neural mechanism. The consumption of cognitive resources accompanied by these information processing activities will lead to cognitive load and increase the degree of inhibition in the default network of the brain. These theoretical viewpoints will provide insights for the cognition， teaching and assessment of computational thinking， and can be tested in subsequent empirical studies using an interdisciplinary research paradigm.

[Keywords] Computational Thinking; Problem Solving; Hierarchical Processing; Cognitive Control; Cognitive Neural Mechanism