融入计算思维的高中机器人项目式学习评价量表的制定

张学军 岳彦龙 袁亚娜 周媛

[摘   要] 机器人作为培养计算思维的有效载体之一，机器人项目式学习过程中蕴含计算思维。现有的计算思维评测量表存在较强的主观性和随意性。因此，研究基于PTA的视角，对机器人项目式学习过程中的计算思维进行评价。首先，在分析了机器人环境下的项目式学习和计算思维的构成要素及其关系的基础上，通过两轮德尔菲法确定了融入计算思维的高中机器人项目式学习评价指标体系，包含挑战性问题、持续探究、作品制作、学习支持、反思提升5个一级指标和情境感知等22个二级指标，并利用层次分析法对该指标体系进行了合理性分析;然后编制了具有四个水平等级的融入计算思维的高中机器人项目式学习评价量表;最后就该量表的使用提出了四点建议：使学生充分了解评价标准以彰显学生的主体性、设计有价值的评语以激励学生、让学生高度参与评价过程以促进师生的交流、利用学习评价过程改进教学。以期为多维度评价计算思维提供一条可行路径。

[关键词] 计算思维; 机器人; 项目式学习; PTA评价量表; 高中生

[中图分类号] G434            [文献标志码] A

一、引   言

计算思维始于20世纪80年代的计算科学运动，其关键概念、叙事和主要论点是在20世纪50年代至90年代的多年辩论中形成的[1]。2006年美国卡内基梅隆大学的周以真教授重新提出了“计算思维”这一概念[2]，并引发了人们对于计算思维广泛而深入的研究[3]。Shute认为可以通过编程、机器人、游戏以及非数字干预等手段或方法在各种教育情境中培养计算思维[4]，机器人之所以能够成为培养计算思维的最富有成效的载体之一，是因为机器人与工程、技术和计算机编程密切相关，通过设计、构造和编程机器人的过程中，培养学生的计算思维。机器人作为人工智能应用于教育领域的代表，是一种极具潜力的学习工具[5]，正好与项目式学习相匹配，因为项目式学习对学生的学习具有积极的影响，是一种有效促进学生学业成就和发展的方式[6]。

学习评价作为一种人为的过程性的存在，它既以过程的形式存在，同时也以过程的方式展开[7]。构建合理的学习评价体系、有效地实施学生评价、促进学生发展，是教育的必然追求。然而，评价一直是项目式学习的难点。目前，国内有关项目式学习评价的研究还较少[8]。另外，机器人项目式学习中所蕴含的计算思维作为一种内隐的思维，很难对其进行客观的、准确的评价，虽然也有不少学者为计算思维编制了专属的问卷调查量表，但问题是利用该类量表评测计算思维存在较强的主观性和随意性，只能作为评价手段之一。因此，本研究基于PTA视角来评价机器人环境下的项目式学习活动中所蕴含的计算思维。

二、相关评价研究现状

（一）项目式学习评价现状

目前，国内对项目式学习的评价已有一些研究，余明华等人基于学生画像的视角构建了项目式学习的评价指标体系，并将项目式学习分为提出问题、解决问题、总结呈现等三个阶段[8]。强枫等人从课程重构视角构建了项目式学习评价指标体系，该体系包含项目建设、驱动问题、项目评价、项目管理和项目实施五个一级指标[9]。唐雅慧依据三维教学目標构建了网络环境中的项目式学习评价指标体系[10]。苟江凤等基于场馆学习项目构建了相应的评价指标体系，以促进我国场馆学习项目的发展[11]。也有学者将视角转向核心素养的培养，在面向核心素养培养的项目式学习过程中进行评价，姜佳言构建了在核心素养导向下的项目式学习表现性评价指标[12]，匡莉敏以项目式学习案例为研究对象，从课程设计和实施的角度对所选案例对应的课程质量进行评价，发现了核心素养导向下的项目式学习中存在的问题并提出了相关建议[13]。

（二）机器人项目式学习评价现状

在较小范围的机器人项目式学习领域，研究发现国内对机器人项目式学习的评价研究较少。表1是国内现有的关于机器人项目式学习评价指标体系的比较。由表可知，国内主要从教学目标和项目流程两个维度对机器人项目的评价进行研究。在教学目标维度上，将知识与技能、过程与方法、情感态度与价值观作为一级评价指标，其特点是注重知识的理解、技能的获得以及情感的培养;在项目流程维度上，主要是按照项目学习的流程确定一级评价指标，其特点是将关注点放在项目式学习上，在项目式学习过程中来评价学习，注重“做中学”。

（三）研究述评

综上所述，研究发现在较为广泛的项目式学习领域，很难专门针对项目式学习进行评价，学者们往往从某一视角或借助某一载体进行相关评价，如网络环境、课程重构、学生画像、场馆学习以及素养导向等。近年来，随着核心素养的提出，核心素养导向下的项目式学习评价成为一个新的研究方向。然而，在相对较小的机器人项目式学习领域，研究成果少且实用性不足。通过对这些研究的比较分析发现，现有的研究主要从项目流程以及三维目标出发进行评价。另外，计算思维属于信息技术学科核心素养之一，且机器人作为计算思维培养的有效载体之一，并没有看到相关研究对机器人项目式学习中隐含的计算思维的关注，而是基于某个视角单纯地评价学生在机器人项目式学习中的相关知识、技能以及情感，却忽视了对蕴含于其中的计算思维的评价。

由此可知，现有的项目式学习相关评价可以归纳为三个方面：一是三维目标维度;二是项目式学习流程维度;三是课程维度。其中，关注较多的是从项目式学习流程维度出发开展学习评价，说明从这一维度出发进行项目式学习评价较为全面并且具有较高的合理性。

三、评价指标体系的构建与修订

（一）构建依据

1. 理论基础

PTA（Primary Trait Analysis，即“基本要素分析”）是由美国教师沃尔弗德和安迪生等人开发的一种建立在评分过程基础上的学习评价方法。其理论假设是：任何一种行为表现，包括行为的和认知的，都会有一系列基本的要素，这些要素构成学生学习某些知识、技能或行为表现的基本单元，只要找出这些基本单元，并对学生在这些基本单元上的行为表现作出准确的评定，则学生在完成这些具体任务时的总体特征就可以得到适当的评价[20]。一般情况下，在PTA视角下的学习评价主要有以下三步：（1）确定对评价起重要作用的要素;（2）编制测试学生每一个要素的评价量表;（3）以这些标准来评价学生的表现[21]。由此观之，PTA是一种明确的、基于标准的评估学生表现的方法，它通过在评分规则中明确识别特定标准来解释分数是如何分配的，从而使教师、学生和外部受众能够更全面地理解这一过程[22]。

2. 构成要素分析

该指标体系共包含计算思维、机器人、项目式学习三个要素。首先，机器人是学习活动发生的环境，同时本身也是学习内容，在机器人教学中主要有两大模块，分别为硬件以及软件。其次是学习的方式即项目式学习，克拉斯克等人认为驱动问题、情境探究、协作、技术工具支持学习、创造制品为项目式学习的要素[23];Larmer等人的黄金标准PBL（Gold Standard PBL）提出了七个基本的项目设计元素，分别为挑战性问题、持续探究、真实性、学生的想法和选择、反思、批评与修正、公共产品[24]。在批判接受的基础上，结合上述相关评价研究的发现，本研究将项目式学习分为挑战性问题或任务、持续探究、作品制作、学习支持、反思提升、交流评价以及学习情境等七个要素。然后是计算思维，本文采用Google公司2018年推出的面向全球教育者的计算思维课程，并将计算思维分为分解、模式识别、抽象和算法设计四个要素[25]。

3. 机器人环境下的项目式学习与计算思维的映射关系模型

在机器人环境下借助项目式学习方式来培养高中生的计算思维，其主要原理是项目式学习与计算思维二者的子要素之间存在一种映射关系，即计算思维子要素能够融入项目式学习中，并与其子要素对应。计算思维子要素与项目式学习子要素的映射关系是：首先，学生将较难的问题或任务进行分解，分为简单的小问题，即计算思维的分解对应机器人项目式学习中的挑战性问题;然后，在解决小问题的过程中发现各个问题之间的相似之处，并对这些相似之处进行抽象，以形成一种解决方法，即计算思维的模式识别与抽象对应机器人项目式学习中的持续探究;最后，根据上述得出的方法对机器人进行编程，以使机器人能够自动化进而解决问题，即计算思维中的算法设计对应机器人项目式学习中的作品制作。

基于上述三者之间的关系，构建了机器人环境下的项目式学习与计算思维的映射关系模型，如图1所示。该模型由里向外一共分为四层：第一层是学习目标，即经过机器人项目式学习，要达到对关键概念的理解、技能的获得、思维的发展。第二层是计算思维，即第一层思维发展中的一种，也是机器人环境下的项目式学习重点培养的一种思维方式。第三、四层是项目式学习，其中位于第三层的是挑战性问题、持续探究和作品制作分别对应于计算思维的分解、模式识别和抽象、算法设计，而位于第四层的学习支持、反思提升、交流评价则贯穿于整个学习活动。学习支持主要包括教师的指导、脚手架以及学习技术等，同时要尊重并鼓励学生的想法;反思提升主要是学生对学习过程以及作品进行反思，改进不足以达到更有效、完美;交流评价主要是对整个学习过程进行评估，以使学生正确、客观认识自己，促进学习。另外，最外层的实心圆表示整个学习活动，即机器人环境。由此可知，机器人环境下的项目式学习的子要素与计算思维的子要素之间存在映射关系，即机器人环境下的项目式学习能够融入计算思维的子要素，从而实现计算思维的培养。

（二）评价指标体系的构建

本研究在深入分析机器人环境下的项目式学习与计算思维的映射关系的基础上，构建了融入计算思维的高中机器人项目评价指标体系。该指标体系共有“挑战性问题”“持续探究”“作品制作”“学习支持”以及“反思提升”5个一级指标，并在文献研究的基础上，初步确定了25个二级指标。

（三）评价指标体系的专家咨询与修订

1. 专家选取

本研究运用德尔菲法，选取相关领域专家进行调查，并充分听取意见对融入计算思维的机器人项目评价指标体系进行修订，使该评价体系科学合理。按照德尔菲法要求咨询专家人数应控制在8～20之间为宜，所以，本研究共选取机器人教育、计算思维、信息技术教学以及信息技术教师四个领域的12位专家进行咨询，各领域专家详细情况见表2。

2. 咨询过程

按照德尔菲法，本研究对选定的12位专家通过发送电子邮件的方式开展了二轮问卷咨询。第一轮主要是专家对评价指标体系的一级和二级指标的重要性进行打分并提出修改意见。根据第一轮专家提出的意见，对一级和二级指标进行了重新表述、删除、调整顺序等修改。第二轮主要为修改好的指标再次打分。在专家咨询过程中，通过专家对评价内容的判断依据（Ca）和专家对问题的熟悉程度（Cs）得出专家权威系数（Cr），计算得出第一轮和第二轮的Cr分别为0.753和0.774且均大于0.7。因此，专家咨询结果具有一定的权威性，可信度较高。

3. 评价指标体系的修订

经过二轮专家咨询，并根据专家意见对该指标体系进行了修改，删除了3个二级指标，并对指标在表述方面进行了改进，使各指标表述更恰当。最终，确定了5个一级指标和22个二级指标。另外，由第二轮专家咨询打分及意见可以得出，专家一致同意本研究确定的指标，并形成了如图2所示的融入计算思维的高中机器人项目评价指标体系。

（四）评价指标体系各指标权重及合理性分析

1. 指标权重计算原理

在确定指标体系的基础上，本文采用定性和定量相结合的、系统的、层次化的分析方法──层次分析法（Analytic Hierarchy Process，AHP），根据第二轮的专家打分确定各指标体系的权重，主要過程为：首先建立层次结构模型，然后建立判断矩阵，最后依据专家打分对判断矩阵进行一致性检验并计算各级指标的权重。以X专家为例，该判断矩阵的一致性及指标权重的计算过程和原理为：专家X对一级指标的两两判断矩阵X1=[1，1，1/3，1，3;1，1，1/3，1/3，1/2;3，3，1，3，3;1，1，1/3，1，1;1/3，2，1/3，1，1]。利用和积法得出矩阵X1的最大特征值λmax=∑=5.3630，利用最大特征值得出其一致性指标CI=（5.3630-5）/4=0.0906，然后得到该判断矩阵一致性比率CR=CI/RI=0.0810<0.1，说明该判断矩阵有满意的一致性，通过了一致性检验并得到权向量，最后得到专家X认为5个一级指标对总目标的权重分别为0.1832、0.1024、0.4058、0.1753、0.1342。表3中各指标权重为12位专家的平均权重。

2. 指标权重的合理性分析

（1）反思提升指标

反思提升权重为0.3047，是5个一级指标中权重最高的指标，说明学习过程中反思的重要性，有利于培养学生学会学习，按照布鲁姆教育目标分类，反思也是促进高阶认知的有效途径之一。其二级指标中权重从高到底依次是深化迁移（0.1031）、迭代优化（0.0936）、提炼方法（0.0599）、反思学习（0.0281）、总结经验（0.0200）。苏泽认为迁移是最强有力的学习法则[26]，因为迁移是所有创造性、问题解决和作出明智决定的基础，而反思学习、总结经验、提炼方法的最终目的就是为了实现迁移。

（2）挑战性问题指标

挑战性问题的指标为0.2211，仅次于反思提升指标。问题是项目式学习的核心，克拉斯克等认为一个好的问题应具有以下特征：可行性、价值性、情境性、意义性和道德性[22]。问题是基于一定的真实情境的，这就需要学生进行情境感知（0.0178），进而发现问题（0.0334），即“学然后知不足，教然后知困”。基于挑战性问题，学生去理解问题（0.0588）进而发现不足，通过学习新知（0.0563）来弥补不足。最后问题分解（0.0548）也是建立在对问题透彻理解的基础上，通过将一个复杂问题分解成许多小问题，然后各个击破。

（3）持续探究指标

持续探究指标权重为0.1947，探究是寻找或发现问题答案的过程，往往能够激发复杂思维和高阶思维，一般认为探究即问题解决的过程[27]。其二级指标模式识别（0.0511）与抽象（0.0458）即包含归纳、类比等思维方法，也是计算思维所必不可少的要素，而解释发现（0.0581）是对进过模式识别和抽象得到的结果进行合理性分析，基于发现进行方案设计（0.0397）。

（4）作品制作指标

作品制作指标权重为0.1448，也是融入计算思维的机器人项目必不可少的要素或步骤。作品是知识建构或学习质量的外部表现，因此，在作品制作过程即建构、重构他们的理解的过程。在融入计算思维的机器人项目的作品制作中，组件搭建（0.0180）是前提，程序开发（0.0783）和代码调试（0.0378）是重中之重，因为它们指向计算思维中算法设计要素的培养，作品创意（0.0108）是对作品的升华。

（5）学习支持指标

学习支持指标权重为0.1347，学习支持贯穿于整个学习活动过程，是推动融入计算思维的机器人项目顺利进行的重要要素。本文依据项目活动主体和支持类型分为教师指导（0.0328）、同伴协作（0.0655）、技术工具（0.0231）和拓展资源（0.0133），其中同伴协作权重最高，说明学生之间协作的重要性，即帮助学生对观点和知识的建构共享的理解。

四、编制融入计算思维的高中

按照PTA要求，量表编制主要遵循“加─减”或逐步递加原则，即每一水平代表不同的学习质量，且水平数量一般为2～5个为宜。在确定了评价指标体系的基础上，根据对应的二级指标进行量表的编制，本文采用四水平量表，从高到低依次为水平A、水平B、水平C、水平D，对应分值分别为3、2、1、0分。结合相应文献并根据融入计算思维的机器人项目的学习过程来编制量表，最终形成了融入计算思维的高中机器人项目评价量表（见表4）。该量表总分为66分，计算思维为15分，占比22.7%，由于计算思维要素较少，且整个项目中其他要素也相对重要，因此计算思维的比重稍微偏低。

五、评价量表使用建议

沃尔弗德等人认为利用PTA量表进行等级评分是一种与特定背景和情境相关的、有多方面作用的复杂过程，并指出该种评价方法具有评价、激励、交流和组织四种作用[21]。因此，鉴于利用PTA量表进行等级评分的复杂性，为了更好地实施评价活动以实现上述四个方面的作用和评价隐含在机器人项目式学习中的计算思维，本研究提出如下建议。

（一）使学生充分了解评价标准以彰显学生的主体性

评价是一个目标导向或驱动的过程，在学习活动开始前，要让学生明确学习目标，使学生充分了解评价标准，因为清晰、共享和可操作性的评价标准是有效评价的基础[28]。例如：利用上述PTA量表进行评价，学生需要知道项目式学习评价有几个维度，每个维度要求学生达到什么样的程度，以及计算思维的各个维度和要求，这样评价的时候才能把学习行为与学习目标进行客观比较，才能发现问题与不足以及正确看待与同伴之间的差距，及时调整自己的学习，而不是流于简单的、毫无意义的评价。

（二）设计有价值的评语以激励学生

评价并不是仅仅给学生的作业或学习给个分数或划个等级。一般来说，评语是师生之间交流的重要方式，有时评语比等级划分或分数更有效[21]。只有当学生能够达到评语预期的行为时，说明评语是成功的。评语一方面是鼓励学生，让学生有信心，另一方面是为指出学生的不足并提出一个更高的要求。因此，在设计评语时，应以鼓励為主，尤其是差生，要让学生感觉到教师在关注着他，对他充满希望。另外，老师要在班级里尽量收集关于如何使评语更有价值的第一手资料，以掌握评语对学生学习的有利时机。

（三）让学生高度参与评价过程以促进师生的交流

评价并不是教师的“独角戏”，而是师生的“大合唱”，高效的学习评价要求学生自觉行使话语权并高度参与其中[29]。他们应该参与并对自己的学习作出判断，监督自己的进展，学习为自己设定目标，并向他人展示自己以及自己的学习结果。因此，评价也是一种交流，这种交流既包含言语的关于等级评分的课堂讨论、与学生就他们获得的等级进行交流，也包含非言语的姿态、表情等[21]。在开展评价活动时，教师可以就评价过程产生主要的问题开展讨论，也可以让学生对对方作品作出回应以及对组内评价进行思考，促进学生的参与以及师生的交流。

（四）利用学习评价过程改进教学

学习评价是教与学活动中必不可少的一个环节。评价必须与课程的目标和所教与学的内容相一致。教师可以在学习评价过程中观察、收集、记录和分析学生的学习表现，进而诊断和估计学生的学习状况和能力[28]。教师给学生有效的反馈，然后调整教学，作为一种关注教学和学习的持续改进的手段。教师利用从评价中获得的信息来帮助他们了解学生的学习进度。基于收集的信息教师有针对性修改教与学活动，以适应学生的需要。

六、结   语

虽然利用学习评价促进学习的机理尚未明确，但是良好的评价活动是促进深度学习的有效路径[30]。本研究从PTA的视角，制定了融入计算思维的高中机器人项目式学习评价量表，一方面为了利用该量表对学生的学习质量和计算思维有一个较为全面和客观的评价，进而激发学生的学习动机，促进更深入的学习，同时也可以为教师组织项目式学习活动指明方向;另一方面为多维度评价计算思维提供一条可行路径，促使计算思维的评价更趋于客观、准确。

[参考文献]

[1] TEDRE M， DENNING P J. The long quest for computational thinking[C]. New York： ACM Press， 2016：120-129.

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

[3] 张学军，岳彦龙，梁屿藩.Python课程中数字化游戏教学培养高中生计算思维的实证研究[J].电化教育研究，2021，42（7）：91-98.

[4] SHUTE V J， SUN C， ASBELL-CLARKE J. Demystifying computational thinking[J]. Educational research review，2017，22：142-158.

[5] 钟柏昌，夏莉颖.“人工智能+教育”背景下机器人支持数学学习的国际案例研究[J].电化教育研究，2020，41（12）：113-121.

[6] 张文兰，胡姣.项目式学习的学习作用发生了吗？——基于46项实验与准实验研究的元分析[J].电化教育研究，2019，40（2）：95-104.

[7] 魏善春.学习评价的过程性阐释[J].现代教育管理，2021（3）：68-75.

[8] 余明华，张治，祝智庭.基于学生画像的项目式学习评价指标体系研究[J].电化教育研究，2021，42（3）：89-95.

[9] 强枫，张文兰.基于课程重构的项目式学习评价指标体系探究[J].现代教育技术，2018，28（11）：47-53.

[10] 唐雅慧.网络环境中项目式学习评价指标体系研究[D].重庆：西南大学，2013.

[11] 苟江凤，王楠.场馆学习项目评价指标体系研究——基于场馆中教学项目的探索[J].电化教育研究，2021，42（2）：99-105.

[12] 姜佳言.核心素养导向下项目学习表现性评价设计与应用研究[D].海口：海南师范大学，2019.

[13] 匡莉敏.素养导向的项目学习课程质量评价的案例研究[D].上海：华东师范大学，2017.

[14] 李璇.基于“伙伴学习”小学机器人课程教学评价体系构建[J].中小学电教，2021（4）：8-10.

[15] 曾庆斌，冯卫强.基于虚实结合的小学机器人教学评价[J].教育信息技术，2014（9）：35-37.

[16] 陈卫军.机器人教学的“二三四”评价模式探究[J].教育信息技术，2014（9）：60-63，34.

[17] 杨海茹，叶梨萍，魏倩倩，等.创客教育视角下机器人教学PTA表现性评价量规的设计与应用[J].中国教育信息化，2020（6）：39-42.

[18] 魏倩倩.小學机器人教学的表现性评价研究与实践[D].南充：西华师范大学，2016.

[19] 叶晓霞.初中机器人教学模式的构建与实证研究[D].兰州：西北师范大学，2018.

[20] 高凌飚，吴维宁.开放性试题如何评分？——介绍两种质性评分方法[J].学科教育，2004（8）：1-6.

[21] 沃尔弗德，安迪生.等级评分：学习和评价的有效工具[M].国家基础教育课程改革“促进教师发展与学生成长的评价研究”项目组，译.北京：中国轻工业出版社，2004.

[22] BAUGHIN J A， BROD E F， PAGE D L. Primary trait analysis： a tool for classroom-based assessment[J]. College teaching，2002，50（2）：75-80.

[23] 索耶.剑桥学习科学手册[M].徐晓东，等译.北京：教育科学出版社，2010：369-383.

[24] LARMER J， MERGENDOLLER J， BOSS S. Setting the standard for project-based learning： a proven approach to rigorous classroom instruction[M]. New York：Simon & Schuster Press，2015：33-45.

[25] Google.面向教育者的计算思维课程[EB/OL].（2018-01-04） [2021-08-10]. https：// max.book118.com/html/2020/0907/5304243034 002342.shtm.

[26] 苏泽.脑与学习[M].“认知神经科学与学习”国家重点实验室，等译.北京：中国轻工业出版社，2005：107-118.

[27] 任长松.“探究”概念辨析[J].全球教育展望，2014，43（8）：3-11.

[28] BERRY R. Assessment for learning[M]. Hong Kong： Hong Kong University Press，2018：45-56.

[29] 曾文婕，黃甫全，余璐.评估促进学习何以可能——论新兴学本评估的价值论原理[J].教育研究，2015，36（12）：79-88.

[30] 张治勇，李国庆.学习性评价：深度学习的有效路[J].现代远距离教育，2013（1）：31-37.

Development of High School Robot Project-based Learning Evaluation Scale Integrated with Computational Thinking —A PTA-based Perspective

ZHANG Xuejun1，  YUE Yanlong2，  YUAN Yana1，  ZHOU Yuan1

（1.School of Educational Technology， Northwest Normal University， Lanzhou Gansu 730070;

2.Information Service Center， Wenzhou Business College， Wenzhou Zhejiang 325035）

[Abstract] Robot is one of the effective vehicles for developing computational thinking， and computational thinking is embedded in the process of robot project-based learning. The existing evaluation scale of computational thinking is highly subjective and arbitrary. Therefore， this study evaluates computational thinking in the process of robot project-based learning process from the PTA perspective. First， based on the analysis of the components of project-based learning and computational thinking in a robot environment and their relationships， a high school robot project-based learning evaluation index system that incorporates computational thinking has been identified through two rounds of Delphi method， which contains five primary indicators of challenging questions， continuous inquiry， work production， learning support， and reflection enhancement， and 22 secondary indicators， such as contextual perception， and the rationality of this indicator system has been analyzed by using analytic hierarchy process. Then a high school robot project-based learning evaluation scale with four levels of computational thinking has been developed. Finally， four recommendations are put forward regarding the use of the scale in order to provide a feasible path for multidimensional evaluation of computational thinking： make students fully aware of the evaluation criteria to highlight students' subjectivity; design valuable rubrics to motivate students; involve students highly in the evaluation process to facilitate teacher-student communication and use the learning evaluation process to improve teaching and learning.

[Keywords] Computational Thinking; Robot; Project-based Learning; PTA Evaluation Scale; High School Students

[作者简介] 张学军（1968—），男，甘肃会宁人。教授，博士，主要从事数字化教育资源设计与开发、人工智能教育研究。E-mail：xjzhang99@163.com。

基金项目：西北师范大学2020年度研究生科研资助项目“机器人课程中PBL教学培养中学生计算思维的实证研究”（项目编号：2020KYZZ001097）;2019年甘肃省高等学校科研一般项目“混合学习中深度学习的发生机制与路径研究”（项目编号：2019A-016）