Vad är datalogiskt tänkande och vilken funktion har det?

Datalogiskt tänkande innebär att man löser problem på ett mer innovativt sätt, vilket gör att ny teknik fungerar till din fördel för att ge svar på mänsklighetens behov i en alltmer komplex framtid.
Vad är datalogiskt tänkande och vilken funktion har det?
Valeria Sabater

Skriven och verifierad av psykologen Valeria Sabater.

Senaste uppdateringen: 27 december, 2022

Datalogiskt tänkande är en färdighet som kan öppna många dörrar i framtiden. Att veta hur man formulerar problem, organiserar information logiskt eller tänker abstrakt är grundläggande processer som formulerar detta värdefulla kognitiva tillvägagångssätt.

I en alltmer komplex värld behöver vi utan tvekan veta hur vi ska hantera utmaningarna i vår omgivning.

Så betyder detta tillvägagångssätt att man lär sig tänka som maskiner gör? Inte riktigt. Men det integrerar samtidigt många av de områden som för närvarande artificiell intelligens inte kan hantera eller uppnå. Lateralt tänkande är också relaterat till denna typ av tänkande, liksom att veta hur man hanterar emotionella variabler och framförallt att man förstår mänskligt beteende.

Av en naturlig anledning kan termen “datalogiskt tänkande” få oss att automatiskt att tänka på logaritmer, datachipp och underrutiner i sofistikerade datorer. Vad detta tillvägagångssätt strävar efter är dock något helt annat. Detta perspektiv syftar till att lära dig möta alla problem som kan komma att visa sig de närmaste åren i takt med att vi förenar teknik med mänsklighet, behov med svar och utmaningar med innovativa förslag.

Låt oss analysera det här ämnet lite närmare.

Ett sinne med trådar

Datalogiskt tänkande: definition, egenskaper och syfte

Datalogiskt tänkande är ett begrepp som har sitt ursprung i Seymour Paperts teorier, en pionjär inom artificiell intelligens och uppfinnare av programmeringsspråket Logo år 1968.

År 1995 lade han fram han behovet av att omformulera utbildningssystemet och integrera datorer och programmeringsspråk i skolplanen. Således förutsåg han behovet av att erbjuda världen människor som är utbildade inom datavetenskap.

Papert lade grunden till detta tillvägagångssätt under 90-talet. Efter hans död har datavetenskapsprofessorn Jeannette Wing utvecklat denna idé ännu längre. Denna datatekniker och före detta vice president för Microsoft förklarade i sitt forskningsarbete att datalogiskt tänkande kommer att bli en del i alla verksamhetsområden. En av hennes viktigaste artiklar är “Computational thinking and thinking about computing”.

Hon framhärdar också vikten av Paperts föreslag: att denna nya kompetens måste integreras i skolplanen. Det är en viktig färdighet som kommer att ligga till grund för så många områden i framtiden, såsom teknik, humaniora och vetenskap. Låt oss titta på vad datalogiskt tänkande består av.

Vad är det mer exakt?

Datalogiskt tänkande är en kognitiv process på hög nivå som gör att vi kan tänka vetenskapligt när vi löser problem. En sak vi vet är att datorer och ny teknik gör våra liv enklare genom att lösa flera utmaningar. Vi måste dock vara ett steg före dem.

Dessutom påpekar Jeannette Wing att vi måste förstå hur maskiner “tänker” för att förbättra deras funktion i framtiden. Vi behöver lära oss hur man kombinerar naturliga processer med artificiella. Vi måste lära oss att slå samman vår intuition och lateralt tänkande med de kognitiva processer vi extraherar från datorer.

Egenskaper hos datalogiskt tänkande

Denna typ av perspektiv består av att utveckla en serie verkställande funktioner. I själva verket använder vi dem redan i vårt dagliga liv, men vi är inte medvetna om dem och vi får inte ut allt ur dem som vi skulle kunna.

För faktum är att det inte finns något mer berikande än att “lära sig att tänka bättre”. Med hjälp av detta skulle vi kunna lösa vardagliga utmaningar på ett mer innovativt sätt.

Datalogiskt tänkande bygger på fyra grundläggande axlar, vilka är följande:

  • Uppdelning. Vi kan dela upp varje uppgift eller problem i mindre delar för att förstå dem bättre.
  • Att veta hur man känner igen mönster. Varje fenomen, upplevelse, stimuli, problem eller omständighet följer vanligtvis ett internt schema och svarar på ett mönster som vi kan identifiera.
  • Abstrakt tänkande. Denna typ av resonemang är exklusivt för människor. Tack vare det kan vi skapa originella idéer och till och med förutse situationer och scenarier för att bestämma hur vi skulle agera under dessa omständigheter.
  • Algoritmer. En algoritm är en plan, en serie steg eller ett diagram som gör att vi kan lösa ett problem steg för steg. Tack vare dem kan vi utarbeta en serie tydliga och enkla instruktioner för att möta varje given händelse. De definieras av vissa aspekter. Till exempel har de alltid ett begränsat antal steg, de har ett bestämt mål i åtanke och är specifika (inte tvetydiga).

Stegen

Förutom att vara medveten om alla faktorer och variabler som definierar det och som vi redan har analyserat, finns det en annan aspekt som vi måste förstå. Det är viktigt att känna till vilken ordning denna typ av tänkande brukar följa.

  • Analys. När du löser ett problem måste du alltid analysera problemet noggrant i förväg.
  • Abstraktion. Det andra steget är att veta hur du ska formulera problemet. Vad är det egentligen som händer? Finns det ett mönster? Vilken strategi kan jag utforma? Vad kommer jag att tänka på från tidigare erfarenheter relaterade till samma situation?
  • Uttryck av lösningen eller förslaget. Efter att mentalt ha utformat den strategi du behöver följa, är det dags att tillämpa den och testa den.
  • Utvärdering. Efter genomförandet är det dags att utvärdera. Fick jag resultatet jag önskade eller kan jag förbättra det på något sätt?
  • Generalisering och överföring. När du utvärderar framgången för det du har uppnått, kan du använda det du har utvecklat för att tillämpa det på andra områden.
En pojke som skriver

Vikten av att lära sig tänka

Daniel Kahneman, psykolog och Nobelpristagare, är en av de viktigaste tänkarna i världen. Han hävdar att många människor idag fattar beslut utan att resonera alls. Istället använder de sig av sina impulser. Och vissa människor röstar exempelvis utan att ens veta vad eller vem de röstar på.

Ingenting kan vara så avgörande och fördelaktigt som att lära nya generationer att tänka. Vi måste hjälpa människor att skapa ett kritiskt perspektiv på saker och ting och visa hur man kan observera verkligheten ur ett mer analytiskt och reflekterande perspektiv.

Datalogiskt tänkande är drivkraften för framtiden. Det kommer inte bara att hjälpa oss att lösa problem på ett mer intelligent sätt, utan det kommer också att göra det möjligt för oss att ligga ett steg före den artificiella intelligensen. Detta är viktigt för att teknikens värld alltid ska stå till mänsklighetens tjänst. Låt oss komma ihåg detta.


Samtliga citerade källor har granskats noggrant av vårt team för att säkerställa deras kvalitet, tillförlitlighet, aktualitet och giltighet. Bibliografin för denna artikel ansågs vara tillförlitlig och av akademisk eller vetenskaplig noggrannhet.


  • Berrocoso, Jesús Valverde; Sánchez, María Rosa Fernández; Arroyo, María del Carmen Garrido (23 de octubre de 2015). «El pensamiento computacional y las nuevas ecologías del aprendizaje». Revista de Educación a Distancia 0 (46).
  • Wing, J. M. (2008). “Computational thinking and thinking about computing”. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 366 (1881): 3717–3725. Bibcode:2008RSPTA.366.3717W. doi:10.1098/rsta.2008.0118.
  •  Wing, Jeannette (2014). “Computational Thinking Benefits Society”. 40th Anniversary Blog of Social Issues in Computing.
  •  Wing, Jeannette M. (March 2011). “Research Notebook: Computational Thinking—What and Why?”. The LINK. The Magazine of Carnegie Mellon University’s School of Computer Science. Carnegie Mellon University, School of Computer Science.

Denna text erbjuds endast i informativt syfte och ersätter inte konsultation med en professionell. Vid tveksamheter, rådfråga din specialist.