چشم‌انداز سنجش تفکر محاسباتی در دورۀ ابتدایی: مروری نقّادانه بر ابزارها و روندهای پژوهشی

بطویی آورزمان, مونا; محسن پور, مریم; رفیع پور, ابوالفضل

doi:10.22034/jiera.2026.551273.3385

چشم‌انداز سنجش تفکر محاسباتی در دورۀ ابتدایی: مروری نقّادانه بر ابزارها و روندهای پژوهشی

نوع مقاله : مقاله پژوهشی

نویسندگان

مونا بطویی آورزمان ¹

مریم محسن پور ²

ابوالفضل رفیع پور ³

¹ دانشجوی دکتری تخصصی روان‌شناسی تربیتی، گروه روان‌شناسی تربیتی، دانشکده علوم تربیتی و روان‌شناسی، دانشگاه الزهرا، تهران، ایران.

² دانشیار، گروه روان‌شناسی تربیتی، دانشکده علوم تربیتی و روان‌شناسی، دانشگاه الزهرا، تهران، ایران

³ دانشیار بخش آموزش ریاضی، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان و رییس گروه پژوهشی آموزش ریاضی، پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران.

https://doi.org/10.22034/jiera.2026.551273.3385

چکیده

هدف: تفکر محاسباتی یک شایستگی کلیدی در آموزش ابتدایی است، اما سنجش معتبر آن با چالش‌های مفهومی و روان‌سنجی جدی مواجه است. این پژوهش با ارائۀ یک تحلیل تشخیصی، فراتر از طبقه‌بندی صرف ابزارها رفته و با رویکردی دوگانه به این حوزه می‌پردازد: نخست، ترسیم نقشه علمی از طریق تحلیل علم‌سنجی؛ و دوم، ارزیابی نقّادانه ابزارهای سنجش موجود.
روش: در این مرور نقّادانه نظام‌مند (PRISMA, 2020 )، با جستجو در پایگاه‌های Scopus و Google Scholar (۲۰۰۶-۲۰۲۵)، تعداد ۴۵ مقاله واجد شرایط شناسایی شد. تحلیل‌ها در دو مرحله انجام گرفت: ۱) تحلیل علم‌سنجی برای ترسیم ساختار مفهومی حوزه با استفاده از نرم‌افزارهای R و VOSviewer، و ۲) تحلیل نقّادانه کیفی ۸ ابزار کلیدی منتخب از منظر مبانی نظری و ویژگی‌های روان‌سنجی.
یافته‏ ها: تحلیل علم‌سنجی، میدانی با رشد سریع اما نامتوازن را آشکار ساخت. نقشۀ هم‌رخدادی کلیدواژه‌ها، تمرکز شدید بر «کاربردهای آموزشی» و «ابزارهای برنامه‌نویسی» را در مقابل غیبت معنادار مفاهیم سنجش مانند «روایی» و «انصاف» نشان داد. این شکاف ساختاری، مستقیماً در ابزارها منعکس شده و سه محدودیت اصلی را نمایان می‌کند: ۱) ضعف روان‌سنجی به دلیل اتکا به معیارهای سنتی (آلفای کرونباخ) و غفلت از استانداردهای مدرن (مانند شاخص امگا و تحلیل DIF)؛ ۲) محدودیت مفهومی با تمرکز بر دانش الگوریتمی و نادیده گرفتن مهارت‌های فرایندی (اشکال‌زدایی) و نگرشی (پشتکار)؛ و ۳) خلأ ابزاری برای دانش‌آموزان دورۀ دوم ابتدایی.
نتیجه ‏گیری: بر مبنای یافته‌های به‌دست آمده، هیچ ابزار واحدی برای ارزیابی جامع تفکر محاسباتی کافی نیست. بلوغ این حوزه مستلزم به‌کارگیری استانداردهای روان‌سنجی مدرن مانند شاخص پایایی امگا، طراحی و بومی‌سازی آزمون‌ها برای دانش‌آموزان ابتدایی در ایران و ایجاد چهارچوب‌های ارزیابی ترکیبی که آزمون‌های استاندارد را با سنجش‌های عملکردی ادغام می‌کنند، متمرکز شوند. این رویکرد یکپارچه به تشخیص دقیق‌تر مهارت‌ها و طراحی برنامه‌های آموزشی مؤثرتر منجر خواهد شد.

کلیدواژه‌ها

ابزارهای سنجش

تفکر محاسباتی

دانش‌آموزان ابتدایی

مرور نقادانه

ویژگی‌های روان‌سنجی

موضوعات

سنجش و ارزیابی، اعتبارسنجی، ممیزی و تضمین کیفیت آموزش

رزبان، س.، شاه حسینی، س.، و باقری، م. (1399). تأثیر آموزش برنامه نویسی با نرم افزار اسکرچ بر مهارت حل مسئله دانش آموزان. آموزش و ارزشیابی (علوم تربیتی)، 13(49 )، 93-107. https://doi.org/10.30495/jinev.2020.673920

رمضانی، ع.، و شریفی، م. (1403). مدل‌سازی تأثیر شکاف دیجیتال، تفکر رایانشی (محاسباتی) و جذب شناختی بر سواد هوش مصنوعی در بین دانشجو معلمان. مطالعات آموزش و یادگیری، 16(2)، 259-278. http://noo.rs/xp3h9

روحی، م.، دهقانی، م.، و خطاط، م. (1402). شناسایی مؤلفه‌های تفکر محاسباتی در مهارت‌های یادگیری دوره ابتدایی. مطالعات آموزش و یادگیری، 15(1)، ۱۶ – ۴۵. https://doi.org/10.22099/jsli.2023.7180

شایان، م.، و یافتیان، ن. (1397). ارزیابی عملکرد دانش‌آموزان پایه دهم و معلمان متوسطه اول در آزمون سواد ریاضی. پژوهش در نظام‌های آموزشی، 12(43)، 65-94. https://doi.org/10.22034/jiera.2018.83764

ضیاءنژاد شیرازی، آ.، کوروش نیا، م.، سهرابی، ن.، و بقولی، ح. (1401). تدوین معادله افتراقی عوامل فردی موثر بر عملکرد در آزمون تیمز 2019 پایه چهارم در دانش آموزان با عملکرد بالا و پایین. پژوهش در نظام‌های آموزشی، 16(58)، 141-129. https://doi.org/10.22034/jiera.2022.167791
مومنی کوهستانی، ا.، و نژادحسینیان، ی. (1401، آذر). تاثیر به کار گیری نرم افزار اسکرچ بر خلاقیت دانش آموزان. هفتمین کنفرانس ملی رویکردهای نوین در آموزش و پژوهش، محمودآباد. https://civilica.com/doc/1619732

Brennan, K., & Resnick, M. (2012). New frameworks for studying and assessing the development of computational thinking. Proceedings of the 2012 Annual Meeting of the American Educational Research Association, Vancouver, Canada, 1, 25. https://web.media.mit.edu/~kbrennan/files/Brennan_Resnick_AERA2012_CT.pdf

El-Hamamsy, L., Zapata-Cáceres, M., Barroso, E. M., Mondada, F., Zufferey, J. D., & Bruno, B. (2022). The competent computational thinking test: Development and validation of an unplugged computational thinking test for upper primary school. Journal of Educational Computing Research, 60(7), 1818-1866. https://doi.org/10.1177/07356331221081753

Fagerlund, J., Häkkinen, P., Vesisenaho, M., & Viiri, J. (2021). Assessing computational thinking in a programming course for pre-service teachers. Informatics in Education, 20(2), 213–236. https://doi.org/10.15388/infedu.2021.10

González, M. J. C., Pérez, J. M., & Chas-Apiñeiro, M. (2017). A tool for the assessment of computational thinking skills in primary school students. Proceedings of the 5th International Conference on Technological Ecosystems for Enhancing Multiculturality (TEEM'17), 1–7. Association for Computing Machinery. https://doi.org/10.1145/3144826.3145404

Grover, S., & Pea, R. (2013). Computational thinking in K–12: A review of the state of the field. Educational Researcher, 42(1), 38–43. https://doi.org/10.3102/0013189X12463051

Haseski, H. İ., Ilić, U., & Tuğtekin, U. (2018). The relationship between computational thinking skills, and programming self-efficacy and problem-solving skills in the programming process. Journal of Educational Computing Research, 56(6), 848–871. https://doi.org/10.1177/0735633117718298

Hayes, A. F., & Coutts, J. J. (2020). Use omega rather than Cronbach’s alpha for estimating reliability. But… Communication Methods and Measures, 14(1), 1–24.https://doi.org/10.1080/19312458.2020.1718629

Hsu, T. C., & Chen, M. S. (2025). Effects of students using different learning approaches for learning computational thinking and AI applications. Education and Information Technologies, 30(6), 7549–7571. https://doi.org/10.1007/s10639-024-12933-w

Li, Y., & Liu, K. (2021). Development and validation of a computational thinking test for upper primary school students. Journal of Educational Computing Research, 59(3), 457–483. https://doi.org/10.1177/0735633120967347

McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000147

Momeni Kohestani, A. M., & Nezhadhosseinian, Y. (2022, December). The effect of using Scratch software on students' creativity. 7th National Conference on New Approaches in Education and Research, Mahmudabad. (in Persian) https://civilica.com/doc/1619732

Ocampo, J. L. D., Herman, J., & Suson, R. (2024). A systematic review of computational thinking assessment tools in K-12 education. Education and Information Technologies, 29(1), 329–358. https://doi.org/10.1007/s10639-023-11756-5

Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71

Parker, M. C., Chen, Y., O’Neal, L. J., Wagh, A., Tucker-Cuthbertson, A. J., & Century, J. (2021). Assessing computation for elementary students (ACES): An assessment of sequences and repeating patterns. Proceedings of the 2021 ACM Conference on Innovation and Technology in Computer Science Education V. 1, 518–524. Association for Computing Machinery. https://doi.org/10.1145/3430665.3456382

Ramezani, A., & Sharifi, M. (2024). Modeling the effect of digital divide, computational thinking and cognitive absorption on artificial intelligence literacy among student teachers. Journal of Studies in Learning and Instruction, 16(2), 259–278. (in Persian) http://noo.rs/xp3h9

Razban, S., Shahhosseini, S., & Bagheri, M. (2020). The effect of teaching programming with Scratch software on students problem solving skills. Journal of Instruction and Evaluation, 13(49), 93–107. (in Persian) https://doi.org/10.30495/jinev.2020.673920

Relkin, E., de Ruiter, L., & Bers, M. U. (2020). TechCheck: Development and validation of an unplugged computational thinking assessment for early primary education. Journal of Science Education and Technology, 29, 482–498. https://doi.org/10.1007/s10956-020-09831-x

Rouhi, M., Dehghani, M., & Khatat, M. (2023). Identifying components of computational thinking in elementary school learning skills. Journal of Studies in Learning and Instruction, 15(1), 16–45. (in Persian) https://doi.org/10.22099/jsli.2023.7180

Selby, C., & Woollard, J. (2013). Computational thinking: The developing definition. University of Southampton. http://eprints.soton.ac.uk/356481/

Shayan, M., & Yaftian, N. (2018). Evaluation of the performance of 10th grade students and junior high school teachers in mathematical literacy test. Journal of Research in Educational Systems, 12(43), 65–94. (in Persian) https://doi.org/10.22034/jiera.2018.83764

Shute, V. J., Sun, C., & Asbell-Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Stewart, W. H., et al. (2021). The effects of collaborative coding on upper elementary students' computational thinking. Computer Science Education, 31(4), 432–465. https://doi.org/10.1080/08993408.2020.1866931

Tang, X., Yin, Y., Lin, Q., Hadad, R., & Zhai, X. (2020). Assessing computational thinking: A systematic review of empirical studies. Computers & Education, 148, 103798. https://doi.org/10.1016/j.compedu.2019.103798

Tang, X., Wang, M., & Qian, Y. (2020). A systematic review of computational thinking assessment for K-12 students. Journal of Science Education and Technology, 29, 626–641. https://doi.org/10.1007/s10956-020-09840-w

Tikva, C., & Tambouris, E. (2021). Mapping computational thinking through programming in K-12 education: A systematic literature review. Computers & Education, 162, 104082. https://doi.org/10.1016/j.compedu.2020.104082

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Yadav, A., et al. (2022). Computational thinking in education: A pedagogical perspective. Handbook of Research on Teaching. https://doi.org/10.3102/978-0-935302-48-6_8

Zapata-Cáceres, M., & Martín-Barroso, E. (2024). Validation of the computational thinking test for primary education students (CTt-PE). IEEE Revista Iberoamericana de Tecnologias del Aprendizaje, 19(1), 105–115. https://doi.org/10.1109/RITA.2024.3364402

Zapata-Cáceres, M., Martín-Barroso, E., & Román-González, M. (2020). Bebras and CTt-v2: Two instruments for the assessment of computational thinking. Journal of Information Technology Research (JITR), 13(4), 1–20. https://doi.org/10.4018/JITR.2020100101

Zhang, L., & Nouri, J. (2019). A systematic review of learning computational thinking through Scratch in K-9. Computers & Education, 141, 103607. https://doi.org/10.1016/j.compedu.2019.103607

Zhang, L., & Wang, Q. (2023). Development and validation of a computational thinking test for lower primary students. Journal of Computer Assisted Learning, 39(1), 116–129. https://doi.org/10.1111/jcal.12736

Zianezhad Shirazi, A., Kouroshnia, M., Sohrabi, N., & Baghouli, H. (2022). Formulating differential equation of individual factors affecting performance in TIMSS 2019 fourth grade in high and low performance students. Journal of Research in Educational Systems, 16(58), 129–141. (in Persian) https://doi.org/10.22034/jiera.2022.167791