Computational Thinking – Eine Kernkompetenz in den (Digital) Humanities?

Computational Thinking (CT) scheint eine wichtige Kompetenz, um an der heutigen digitalisierten Gesellschaft partizipieren und diese aktiv mitgestalten zu können. Auch im Kontext der Digital Humanities (DH) kann die Relevanz von CT nicht abgestritten werden. Erkenntnisse darüber, wie die Fähigkeit zum CT erlernt, in verschiedenen Kontexten angewendet und vermittelt werden kann, sind daher auch in den DH von besonderem Interesse. Doch was genau ist CT eigentlich? Und wie kann es erlernt und angewendet werden? Dies sind einige von vielen Forschungsfragen, mit denen sich das Center for Learning Computational Thinking (CLCT) der University of Southern Denmark (SDU) beschäftigt. Am 14. Dezember haben Nina Bonderup Dohn, Stig Børsen Hansen und Inger-Marie Falgren Christensen vom CLCT in ihrem Vortrag Learning computational thinking and the relation to digital humanities Einblicke in ihre Arbeit gegeben und eine Brücke zwischen CT und anderen Geisteswissenschaften sowie den DH geschlagen.

Nur ein Buzzword oder was steckt hinter Computational Thinking?

Der Begriff Computational Thinking wurde, laut Stig Børsen Hansen, das erste Mal 1980 von Seymour Papert in seinem Werk Mindstorms: Children, Computers and powerful Ideas (S.182) verwendet. Papert, ein Mathematiker und Erziehungswissenschaftler, hat sich darin mit der Frage beschäftigt, inwiefern die Fähigkeit zu Programmieren einen Einfluss darauf haben könnte, das Denkvermögen zu erweitern und andere Zugänge bieten könnte, sich Wissen anzueignen. Weiterhin wurde der Begriff CT von Jeanette Wing (2006) geprägt, welche CT als die Gesamtheit aller Fähigkeiten eines Computer Scientists zusammenfasst. Sie beschreibt, dass diese Fähigkeiten über Programmierung hinausgingen und verschiedene Level an Abstraktionen erforderten. Hierzu gehört beispielsweise die Fähigkeit, Probleme so zu übersetzen, dass sie vom Computer gelöst oder zumindest bearbeitet werden können, aber auch algorithmische Mechanismen zu verstehen und anwenden zu können.

Wird CT im allgemeinen gesellschaftspolitischen Diskurs aufgegriffen, so kann es unterschiedliche Bedeutungen haben. Mal liegt der Schwerpunkt hierbei mehr auf den interdisziplinären lerntheoretischen Aspekten wie bei Papert, mal auf den informationstechnologischen wie bei Wing. Um das Forschungsinteresse sowie den Hintergrund des CLCT zu motivieren, geht Nina Bonderup Dohn in ihrem Vortrag darauf ein, dass CT für das CLCT „all diejenigen kognitiven Prozesse sind, welche bei der Entwicklung von informationstechnologischen Artefakten und Programmen, um in der heutigen [digitalisierten] Welt leben zu können, involviert sind“. 

Hierunter fällt vor allem das Algorithmic Thinking, wobei Dohn hervorhebt, dass dieses nicht nur auf das Digitale bzw. auf Bereiche des Programmierens beschränkt sei. Die systematische (analoge) Operationalisierung eines Problems zählt beispielsweise auch dazu. Algorithmische Prozesse könnten demnach nur als ein integraler Teil vieler anderer sozialer und emotionaler Gefüge verstanden werden. Dies impliziert, dass die Fähigkeit zur kritischen Einordnung sowie Reflexion algorithmischer Strukturen unter Berücksichtigung eben jener Gefüge für CT notwendig ist. Auf seiner Website fasst das CLCT noch einmal zusammen: 

„In its broadest sense, we view CT as a problem-solving process aimed at finding creative solutions to the significant societal problems facing the world today.”

Um Wege zur Vermittlung und dem Erlernen von CT zu finden, stellt sich zuallererst die Frage, wie CT konzeptualisiert bzw. formalisiert werden kann. Anhand von Abbildung 1 hat Dohn vorgestellt, dass sich CT zunächst in analoge und digitale (kognitive) Prozesse aufteilen lässt.

Abb. 1: Formen von Computational Thinking. Quelle: Präsentationsfolien des CLCT.

Den Pseudocode für einen Algorithmus (auf einem Blatt Papier) zu verfassen, ist in diesem Fall ein Beispiel für eine analoge Form von CT. Diesen Pseudocode jedoch in einer Programmiersprache zu implementieren, ist hingegen digitales CT. In Abbildung 1 sind digitale Formen von CT an der horizontalen Achse noch einmal in die Bereiche Programmierung und der Anwendung von Programmen unterteilt. Die Implementierung des Pseudocodes würde demnach dem Quadrat unten rechts zugeordnet werden, während die Nutzung einer implementierten Anwendung bzw. eines Programms dem oberen rechten Quadrat zugeordnet wird. 

Wissenstransfer in verschiedenen Kontexten

Die Auffassungen von CT von Papert (1980) und Wing (2006) haben gemeinsam, dass beide direkt oder indirekt implizieren, dass es fast unmittelbar auf neue Probleme in verschiedensten Kontexten angewendet werden könne (Lodi & Martini, 2021). Wing (2006) beschreibt CT als eine universell anwendbare Haltung sowie als ein Set an unterschiedlichen Fähigkeiten. Inwiefern CT tatsächlich auf unterschiedliche Kontexte übertragen werden und somit Unterstützung bieten kann, sich neue Inhalte in diversen Disziplinen zu erschließen, sind zentrale Forschungsfragen des CLCT. Um dies zu untersuchen, stellt sich zunächst die generelle Frage nach Wissenstransfer bei Lernprozessen. Hansen hat hierzu in seinem Vortrag „A cognitive way of learning and the challenge from situated learning“ zwei lerntheoretische Ansätze vorgestellt: kognitiv und situativ. 

Als Vertreterin kognitiver Lerntheorien hat Dedre Gentner (1983) die Structure Mapping Theory entwickelt. Sie besagt, dass bei der Aneignung von Wissen, eine abstrakte Struktur mitgelernt wird, die auf unterschiedliche Situationen und Probleme übertragbar sei. Somit vollziehe sich Wissenstransfer bei jeder Form des Wissens. Um dieses Prinzip zu verdeutlichen, hat Hansen die von Gick & Holoyack (1980) veröffentlichte Analogie, um Duncker’s Radiation Problem (1945) zu lösen, vorgestellt: 

In der Attack Dispersion Geschichte geht es um die Einnahme der Festung eines Diktators. Um die Festung einzunehmen, muss die gesamte Armee eines Generals die Festung auf einmal angreifen. Doch auf den Wegen um die Festung herum wurden Minen ausgelegt, welche nur von kleinen Soldatentruppen sicher überschritten werden können, ohne die Zündung auszulösen. Um dieses Problem zu lösen, hat der General die Armee in mehrere Gruppen aufgeteilt, wovon jede Gruppe von einem anderen Weg an die Festung anrücken kann. Dadurch werden die Minen nicht gezündet und die Festung kann von der gesamten Armee zum gleichen Zeitpunkt angegriffen werden. Der Diktator wird erfolgreich besiegt. 

Duncker’s Radiation Problem, wurde von Gick & Holoyack (1980) in ihren Experimenten leicht angepasst:  Ein Patient hat einen großen Tumor im Magen. Der Tumor muss von einer großen Menge Strahlung auf einmal behandelt werden, damit dieser zerstört wird. Den Tumor mit kleineren Einheiten nacheinander zu behandeln, funktioniert nicht. Die Strahlung in der benötigten Menge zerstört jedoch gesundes Gewebe, mit dem die Strahlen auf dem Weg zum Tumor in Kontakt kommen. Gibt es hierfür eine Lösung?

Den aufmerksamen Leser*innen wird vielleicht direkt eine Lösung einfallen, die Dosis aufzuteilen und den Tumor aus verschiedenen Richtungen gleichzeitig zu bestrahlen. Aus Sicht der kognitiven Lerntheorie ist Folgendes passiert: Das Wissen bzw. eine abstrakte Struktur aus der Attack Dispersion Geschichte wurde auf das Radiation Problem übertragen. 

Verschiedene Versuche unter Laborbedingung bestätigen den Transfer von Wissen mittels Analogien auf unterschiedliche Probleme. Doch die Versuche können auch von einem anderen Standpunkt her betrachtet werden: Das Setting der Wissensaufnahme sowie der Wissensabfrage ist gleich. Das Wissen wird auf verschiedene Probleme angewendet, aber der soziale sowie emotionale Kontext, sprich die Laborbedingungen, sind in den Versuchen konstant. Mit der Annahme, dass Inhalte immer situativ, also abhängig vom jeweiligen Kontext, gelernt werden, setzt Jean Lave (1988) mit ihrer Kritik an kognitiven Lerntheorien an und formuliert die Frage, ob überhaupt irgendeine Form des Wissens auf neue Kontexte übertragen werden kann. Wird beispielsweise die Mathematik, die in der Schule vermittelt wird, tatsächlich im Alltag angewendet? 

Hansen hat sich mit beiden lerntheoretischen Ansätzen auseinandergesetzt und zieht folgende Schlüsse, die bei der Vermittlung [von CT] berücksichtigt werden sollten: Einerseits sollte der Kontext, in dem das Wissen vermittelt wird, auf verschiedenen Ebenen reflektiert und berücksichtig werden. Hierzu zählen insbesondere das Fachgebiet, die Lernumgebung sowie -aktivität an sich, gesellschaftliche Strukturen und kulturelle Praktiken (Dohn et al., 2019). Andererseits sollten verschiedene Formen des Wissens berücksichtigt werden: Aus den ethnografischen Studien von Jean Lave gehe insbesondere hervor, dass manche Arten logischen Denkens, wie z.B. arithmetische Rechenoperationen, physisch durchgeführt werden (Hansen, 2020).  Beispielsweise werden zur vereinfachten oder greifbaren Berechnung von Brüchen physische Objekte wie (Mess-) Becher verwendet. 

Der Ideen-Generator

In ihrem Vortrag „Computing with concepts and tangible artefacts“ gibt Inger-Marie Falgren Christensen Einblicke in ihre Doktorarbeit, in der sie sich mit den folgenden zwei Forschungsfragen beschäftigt:

  • Wie kann CT Studierende geisteswissenschaftlicher Disziplinen bei der systematischen Untersuchung von abstrakten Konzepten unterstützen?
  • Können Computational Things den Prozess der Ideenentwicklung in ihren Disziplinen erleichtern oder greifbarer gestalten?

Ein Computational Thing meint in dem Fall einen physischen, analogen Gegenstand, mithilfe dessen Aspekte des CT zur Erschließung abstrakter Konzepte angewendet werden können. Ein solcher Gegenstand kann einen Zugang bieten, sich kreativ neue Perspektiven, Gedanken und Problemstellungen zu erschließen (Pande, 2021). Demnach wird die Auseinandersetzung mit den abstrakten Konzepten im wahrsten Sinne des Wortes greifbar gemacht, um die Kognition der Lernenden zu unterstützen (Abrahamson & Bakker, 2016). 

Im Rahmen ihrer Arbeit hat Christensen ein solches Computational Thing entwickelt und mit Studierenden erprobt: Den Ideengenerator. Es handelt sich hierbei um eine Drehscheibe, anhand derer ein bestimmtes Themenfeld / eine Problemstellung zunächst in formale, theoriegebundene Komponenten (oder: Features bzw. Variablen) zerlegt wird, welche dann mithilfe des Tools auf verschiedene Weise systematisch kombiniert werden können, um auf den erhaltenen Szenarien aufbauend Ideen kreieren zu können. Die Entwicklung des Ideen-Generators basiert unter anderem auf den Logik-Scheiben nach Ramon Llull bzw. Raimundus Lullus (1232-1315). Diese hat Llull im Rahmen eines Systems entwickelt, welches dem Ziel dienen sollte, Argumente zu finden, um Ungläubige zum Christentum bekehren zu können. Der Beitrag „Ein Mittelalterlicher Computer: Ein Rechenautomat aus Pergament und Papier“ im Virtuellen Museum Digital Humanities der Universität Trier bietet hier spannende Einblicke. 

Der Ideen-Generator kann für verschiedenste Aufgaben oder Probleme angewendet werden. Beispielsweise kann eine solche Drehscheibe dabei helfen, eine geeignete Überschrift für diesen Blogbeitrag zu finden. Mögliche Kriterien zur Überschriften-Generierung könnten dann die folgenden sein:

  • Hauptzielgruppe: Vortragende des CLCT, Personen mit Bezug zu den DH, Erziehungswissenschaftler*innen, andere
  • Zweck des Titels: Inhalt zusammenfassen, Interesse erwecken, beides
  • Form des Titels: einfacher Titel, Frage, Frage – Antwort, Oberthema – Bezug auf den Inhalt, Oberthema – Frage

Wobei die möglichen Formen des Titels von den Überschriften der bisher verfassten Blogartikel auf https://dhc.hypotheses.org abgeleitet und in Kategorien zusammengefasst wurden. Durch das Drehen der einzelnen Scheiben wird nun systematisch für jede beliebige Kombination (durch das Dreieck markiert) ein Rahmen vorgegeben, innerhalb dessen eine Überschrift entwickelt werden kann. Abbildung 2 zeigt die entsprechende Drehscheibe. 

Abb. 2: Ideengenerator zur Findung eines Titels für den Blogbeitrag.

Christensen hat den Ideen-Generator mit Studierenden verschiedener Fachdisziplinen erprobt: Medienwissenschaften, Philosophie sowie Design. Der Ideengenerator sollte den Studierenden dabei helfen, spezifische Ideen zu entwickeln und Probleme innerhalb ihrer Disziplinen zu formulieren. Erste Ergebnisse ihrer Studien zeigen, dass das Tool die Studierenden bei einer systematischen Ideenfindung unterstützt: In den Medienwissenschaften haben alle Studierenden mindestens ein Exposé für eine mögliche Hausarbeit entwickelt. Zudem hat das Tool eine Grundlage für weitere Diskussionen geboten. In der Philosophie wurden durch das Tool grundsätzliche Diskussionen darüber angestoßen, was eine (gute) Theorie als solche ausmacht, wobei nur wenige tatsächliche Ideen entwickelt haben. Bei manchen Philosophiestudierenden hat der Ideengenerator Frustration ausgelöst, da sie Schwierigkeiten hatten, mit Dekompositionen zu arbeiten und eher abstrakte Diskussionen über das umfassende Gesamtbild bevorzugten. 

In der Durchführung mussten manche Studierenden noch eigene Daten (bzw. Features) in das Ideenentwicklungstool einfügen, bevor sie es nutzen konnten. Je nachdem, wie viele Daten noch eigenständig hinzugefügt werden mussten, haben sich die Studierenden schneller ablenken lassen. Abschließend lässt sich aber festhalten, dass die Studierenden mithilfe des Tools den Prozess der Ideenfindung als greifbarer und konkreter empfunden haben. 

Gedankenschluss: Computational Thinking und die Digital Humanities 

Im Kontext der Digital Humanities werden u.a. Modelle entwickelt, um geisteswissenschaftliche Fragestellungen mithilfe digitaler Werkzeuge aus einer weiteren Perspektive bearbeiten zu können. Seien es Sprachmodelle in der Computerlinguistik oder aber 3D-Modelle forschungsrelevanter Objekte. Die kritische Einordnung der gewählten Methodik, der getroffenen Annahmen, um das Modell zu erstellen, sowie der Ergebnisse gehören außerdem zu notwendigen Kompetenzen in den DH. Das, was das CLCT unter CT versteht, ist daher eine notwendige Fähigkeit für Praktiker*innen der DH. Die Erkenntnisse und entwickelten Lern- sowie Lehrkonzepte des CLCT können Studierenden der DH dabei helfen, sich komplexe und abstrakte Konzepte anzueignen und diese praktisch auf neue Problemstellungen anzuwenden. 

Das Center for Learning Computational Thinking

Das Center for Learning Computational Thinking (CLCT) wurde aufgrund des wachsenden gesellschaftlichen Bedarfs an CT-Kompetenzen in CT sowie einem erhöhten Forschungsinteresse an dem Thema gegründet. Das Hauptanliegen für die Gründung des Centers ist die Forschung von CT mit dem Schwerpunkt Lernen. Hierunter fällt sowohl die Entwicklung eines didaktischen Konzeptes zur Vermittlung von CT als auch die Frage, wie mithilfe von CT in anderen Kontexten gelernt werden kann und inwiefern physische Artefakte dabei als Unterstützung dienen können. Eine solche Aufgabe erfordert die Kompetenzen vieler verschiedener Fachrichtungen und einen interdisziplinären Austausch, weshalb das CLCT ein Zusammenschluss von 4 verschiedenen Einrichtungen der SDU ist. Es ist vereinte Arbeit von Computer Scientists, Philosoph*innen, Lerntheoretiker*innen, Linguist*innen sowie Forscher*innen aus den Digital Humanities, Human Informatics sowie Medienwissenschaften. Weitere Informationen können der Website entnommen werden.

Über die Autorin: Anke Debbeler studiert nach ihrem Bachelorabschluss Erziehungswissenschaften und Informationsverarbeitung nun im Master Informationsverarbeitung an der Universität zu Köln. Sie arbeitet derzeit am Data Center for the Humanities der Universität zu Köln. 

Literaturverzeichnis

Abrahamson, D., & Bakker, A. (2016). Making sense of movement in embodied design for mathematics learning. Cognitive Research: Principles and Implications, 1(1), 33. https://doi.org/10.1186/s41235-016-0034-3

Dohn, N. B., Hansen, S. B., & Hansen, J. J. (Hrsg.). (2019). Designing for Situated Knowledge Transformation (1. Aufl.). Routledge. https://doi.org/10.4324/9780429275692

Duncker, K. (1945). On problem-solving. (L. S. Lees, Übers.). Psychological Monographs, 58(5), i–113. https://doi.org/10.1037/h0093599

Gentner, D. (1983). Structure-Mapping: A Theoretical Framework for Analogy*. Cognitive Science, 7(2), 155–170. https://doi.org/10.1207/s15516709cog0702_3

Gick, M. L., & Holyoak, K. J. (1980). Analogical problem solving. Cognitive Psychology, 12(3), 306–355. https://doi.org/10.1016/0010-0285(80)90013-4

Hansen, S. B. (2020). Rereading Jean Lave 30 years on: Analogy and transfer-in-pieces. Nordic Studies in Education, 40(1), 1–18. https://doi.org/10.23865/nse.v40.2125

Lodi, M., & Martini, S. (2021). Computational Thinking, Between Papert and Wing. Science & Education, 30(4), 883–908. https://doi.org/10.1007/s11191-021-00202-5

Pande, P. (2021). Learning and expertise with scientific external representations: An embodied and extended cognition model. Phenomenology and the Cognitive Sciences, 20(3), 463–482. https://doi.org/10.1007/s11097-020-09686-y

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.

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


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.