A Deep Investigation Using Factorial Analysis and Rasch Model: An Optimized Short-Version of the Computational Thinking Scale (COTS)
本研究通过采用验证性因子分析和Rasch模型，开发并验证了一个针对印度尼西亚大学生优化的计算思维量表（COTS）短版，以确认其在评估具有中等计算思维水平的个体方面的稳健因子结构、信度和有效性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
大局观：打造一把更好的尺子
想象一下，你想测量一个人的“计算思维”（Computational Thinking, CT）水平如何。在现实世界中，这并不是指编写机器人代码，而是一种解决问题的超能力。它是一种将复杂、混乱的大问题拆解成小块、识别模式并制定逐步计划来解决问题的能力。
这篇论文的研究人员觉得，现有的用于衡量这项技能的“尺子”（测试题）有些单薄，或者并不完全适合每个人。因此，他们决定打造一把名为 COTS（计算思维技能）的新型高质量尺子。他们的目标是确保这把尺子在交给学生使用之前，是准确、一致且公平的。
两步质量检测
为了确保这把新尺子是顶尖水平，研究人员并没有仅仅靠直觉，而是通过两个不同的“质量控制机器”对其进行了严格的两步检查过程。
第一步：结构蓝图（验证性因子分析）
这一步就像是在检查房屋的蓝图。你需要确保墙壁的位置正确，房间的设计合理。
- 测试方法： 他们请了 364 名印度尼西亚的大学生参加一个包含 22 道题的测验。
- 结果： 蓝图看起来基本没问题，但有两面“墙”（题目）有些摇晃。它们不太符合设计要求，因此研究人员将其剔除了。
- 成果： 他们最终留下了一个由 20 道题组成的稳固测验。数学证明这些题目完美地组合成了四个主要的“房间”或类别：
- 抽象（Abstraction）： 忽略噪音，专注于核心要点。
- 分解（Decomposition）： 将大问题拆解成易于处理的小块。
- 算法思维（Algorithmic Thinking）： 制定解决问题的逐步方案（食谱）。
- 泛化/模式识别（Generalization/Pattern Recognition）： 看到一个解决方案如何在不同情况下被重复使用。
第二步：压力测试（Rasch 模型）
既然蓝图已经稳固，他们需要看看这把尺子在现实世界中是如何运作的。这就像是带着一把新的卷尺去建筑工地，看看它是否会拉长、折断或给出不一致的数字。
- 测试方法： 他们将优化后的 20 题测验交给了一组更大的群体，共 434 名学生。
- “局部独立性”检查： 他们确保回答一个问题不会意外地迫使下一个问题的答案发生变化。（就像确保温度计不会因为你触摸了它就变热一样）。
- “单维性”检查： 他们确认了所有题目实际上都在测量同一种核心技能，而不是混合了无关的事物。
- “难度”检查： 他们观察了哪些题目容易，哪些题目难。
他们的发现
这把新尺子表现出色，但也带有一个特定的特性：
- 非常可靠： 该测试具有一致性。如果你测两次，很可能会得到相似的分数。其“信度得分”非常优秀（题目信度为 0.97，人群信度为 0.88）。
- 题目有效： 每一道题都完美符合数学模型。没有题目是令人困惑或带有“噪音”的。
- “金发姑娘”区间（适中区间）： 这是最有趣的发现。这些题目大多属于中等难度。
- 类比： 想象一个游戏关卡。这个测试非常适合那些处于“中级水平”的玩家。它能轻松区分出谁是“还可以”的玩家和谁是“很棒”的玩家。
- 局限性： 然而，该测试缺乏“困难模式”的题目。如果一名学生是“大宗师”（极高水平），这把尺子可能无法将他们与“职业选手”区分开来。这把尺子在顶端阶段失去了动力。
最终结论
研究人员成功创建了一个用于衡量计算思维的 20 项“简版”工具。
- 它的优点： 它是一个有效、可靠且具有科学依据的工具，用于衡量普通大学生的解决问题能力。
- 它的需求： 为了对顶尖专家有用，研究人员建议他们需要发明一些“超级困难”的题目，以进一步延伸这把尺子的测量范围。
简而言之，他们打造了一个高质量、标准化的工具，对大多数人来说效果极佳，但他们也指出，若要衡量解决问题能力的绝对天才，还需要增加一些“挑战等级”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。