同伴互评支持的结对编程对学习者计算思维的影响研究

周平红 桑雪梅 张屹 林裕如 程悦 洪佳钰

[摘   要] 同伴互动是实现学习者深度学习与计算思维能力提升的关键环节，但计算思维的抽象性与内隐性特征阻碍了计算思维各能力维度共现关系与动态演化趋势的外化表征。为此，文章提出了同伴互评支持的结对编程模式，并在高校综合性课程中开展教育实践，利用认知网络分析（ENA）可视化呈现能力水平高—高、高—低和低—低三种结对方式下学习者计算思维认知网络结构模型的差异。研究结果表明：同伴互评与结对编程模式的融合创新有助于学习者计算思维的提升与知识的双向迁移；在线同伴互评中，组内互评关注计算思维的概念，组间互评侧重于实践和观念；高—高组的同伴互评聚焦宏观图形认知，低—低组则倾向局部代码编写；随着同伴互评的深入，三组的认知网络质心移动轨迹转趋一致。研究将同伴互评机制与结对编程教学模式有机融合，为高等教育体系中职前教师的计算思维从教准备度的培养提供理论指导与经验参考。

[关键词] 计算思维； 结对编程； 同伴互评； 认知网络分析

[中图分类号] G434            [文献标志码] A

[作者简介] 周平红（1979—），女，湖北黄石人。副教授，博士，主要从事STEM教育与计算思维、智慧教育与中小学人工智能教育、教育信息化测评与发展战略等研究。E-mail：phzhou@mail.ccnu.edu.cn。

一、引   言

计算思维作为21世纪公民需具备的重要文化素养，在人工智能迅速发展的数字时代背景下逐渐融入学校课程教学中。《义务教育课程方案和课程标准（2022年版）》与《九校联盟（C9）计算机基础教学发展战略联合声明》都强调计算思维能力的培养[1-2]。结对编程作为计算思维培养的有效方法得到广泛关注，该方法在一定程度上缓解了单独编程的焦虑与畏惧心理[3]。结对编程中匹配策略的选择与设计尤为重要，其中，以学习者能力水平作为匹配依据较为成熟，但此类研究中不同匹配策略下的研究结论不一致，对结对双方交流互动的过程性评价关注较少。另外，计算思维的抽象性与内隐性特征会导致课程教学难以直观呈现学生过程性思维变化证据。随着认知网络分析（Epistemic Network Analysis，ENA）走进学习分析领域，研究者对互动过程产生的文本数据进行分节和编码，可建构概念化认知网络模型，多层次、动态化表征个体思维发展历程[4]。因此，本研究利用同伴互评支持的结对编程，采用认知网络分析呈现不同匹配组计算思维的动态演化轨迹。

二、文献综述

（一）计算思维的核心要素与测评研究

计算思维的构成要素国内外存在诸多争议。周以真教授指出，计算思维是运用计算机科学的基础概念进行问题求解、系统设计以及人类行为理解等涵盖计算机科学之广度的一系列思维活动[5]。英国学校计算课程工作小组（CAS）指出，计算思维是学习者逻辑能力、算法能力、递归能力、抽象能力的综合体现[6]。Brennan等从实践视角出发，将计算思维分解为计算概念、计算实践與计算观念三个维度[7]。国内学者李锋等构建了计算思维“目标—内容”结构体系，即计算概念（程序、算法、数据结构）、计算实践（问题分析、方案设计、过程开发、数据处理）和计算观念（合作意识、情感态度）[8]。Angeli等强调了职前教师计算思维素养培养的重要性[9]。近年来，计算思维的评测由以代码作品、题目测试、问卷等静态数据逐步转向利用视频录制、音频采集、日志记录等开展过程性研究，但基于认知网络分析法将计算思维抽象为网络模型进行动态分析的研究还有待进一步探究。

（二）结对编程中计算思维的相关研究

结对编程是由两名学生（驾驶员和导航员）同时在一台计算机上协作完成任务的编程教学策略[10]，不同情境中角色双方的编程知识水平以及计算思维的变化成为研究关注点。相关研究表明，以学习者知识水平、技能经验以及性别因素作为配对依据时，学习者的计算思维能力水平得到有效提升，并能实现迁移运用。也有研究者基于学习者的学习风格、伙伴关系开展结对编程，发现不同成绩水平的学习者在计算思维三个维度上呈现出显著差异，且异质的学习风格组合学习成效高于同质组合[11]。部分研究表明，存在知识梯度的高—低组队会导致低水平学生参与度不足、消极被动等问题[12]。为了明晰能力水平相近的同质组合的学习效果，本研究在高—低异质结对的基础上纳入高—高与低—低两种同质组队模式，探究不同结对编程匹配模式下学习者的知识建构与思维跃迁。

（三）同伴互评支持的结对模式对计算思维的影响研究

同伴互评是群体或个人观摩同伴工作并进行彼此评估、相互学习的过程[13]，互评的对象经常被定义为学习成果或产品质量。近年来，互评活动逐渐由线下课堂转移到线上学习环境中。例如，使用基于同伴互评的双向概念映射系统，能提升学生的高阶思维与反馈质量[14]。此外，同伴互评与结对编程模式的融合为学习者计算思维能力的培养创造了潜在的提升空间。Hsu等基于学生语言差异进行分组开展机器人教育时，发现在结对编程过程中为角色双方提供目标语言的同伴互动问答环节，有助于学习者计算思维技能与合作社交能力的提升[15]。然而，传统的编程实践常从问题识别（Problem Identification）、流程定义（Flow Definition）、编程（Coding）以及测试（Testing）四个环节（即PFCT法）来指导学生的编程活动，强调编程技能的培训，却对学习者通过社会互动促进深度反思的过程关注不够。Fang等基于此提出了同伴评估支持的编程方法，即PA-PFCT（Peer-Assessment-supported PFCT）法，并通过实验证明该方法可有效提高高中学生的计算思维意识[16]。由于职前教师是未来培养学习者计算思维的主力军，国际教育技术协会发布的《计算思维能力标准（教育者）》标准中强调，教师应是计算思维学习者、围绕计算的协作者、融合计算思维的促进者等，而同伴互评支持的结对编程将有助于发展职前教师计算思维能力和协作能力。鉴于此，本研究面向高等教育领域创建针对职前教师的结对编程环境，采用PA-PFCT方法引导学生使用在线同伴互评平台对小组内部及小组间的计算思维过程进行评价，比较自我期望与实际表现之间的差异，促进计算思维意识的生成与转换。

综上所述，本研究主要探究以下四个问题：（1） 同伴互评支持的结对编程是否影响大学生的计算思维水平？（2）在结对编程实验中，学习者组内互评与组间互评反映出的计算思维各能力维度具有怎样的特征？（3）在结对编程实验中，不同匹配策略的学习者组内互评与组间互评反映出的计算思维各能力维度具有怎样的特征？（4）在结对编程实验中，不同匹配策略的学习者组内互评与组间互评反映出的计算思维质心发展轨迹如何？

三、研究设计

（一）研究对象

本研究在2022年春季华中地区某师范大学的综合性课程“教育信息处理”中开展，研究对象为大学二年级教育技术学专业的本科生，该专业主要培养中小学信息技术的职前教师，共计40人，其中，男生13人（占比32.5%），女生27人（占比67.5%）。学生皆具备一学期的C语言学习基础。以学生的C语言期末成绩作为编程知识水平高低的划分依据，成绩前50%为高水平，后50%为低水平，共形成高—高、高—低、低—低三种匹配策略。该门课程为期16周，前8周以概念理论讲授为主，后8周上机实验针对理论知识设计程序代码，需两两结对完成任务，一人作为驾驶员负责编写代码，另一名同伴则提出意见与修改方向，两人可互换角色。

（二）研究过程

本研究将课程划分为知识建构、结对编程、组间互评三个环节，如图1所示。学习者需形成系统知识体系才能正式上机编程，基于PA-PFCT编程学习模式，从问题识别、流程定义、结对编程、代码测试、组内互评五个步骤中挖掘学习者计算思维的差异特征与变化趋势。

（1） 知识建构：教师在理论课讲授中采用混合式教学，线上通过学校自主研发的小雅平台发布学习任务，个人自学完成任务单或主题讨论，教师在课堂上进行解析，引导学生进行理论知识建构。

（2） PA-PFCT：不同的匹配策略下的学生参与实验课程，按照问题识别、流程定义、结对编程、代码测试开展程序设计，编程结束后双方围绕计算思维的概念、实践、观点三个关键点在实验报告上撰写组内互评。

（3） 组间互评：组内一名成员将小组实验报告提交至小雅平台，系统自动为每人分配4至5份实验报告，学生接收到其他组的实验报告后在规定时间内为被评者打分，撰写组间互评的评语。

（三）研究工具

本門课程由一名具有10年以上教学经验的教师教授，在实验中组织学生统一填写计算思维问卷，该问卷改编自Korkmaz等开发CTS量表，分为创造力、算法思维、批判性思维、问题解决能力以及合作技能五个维度，采用李克特五分量表，其中1表示“非常不符合”，5表示“非常符合”。利用SPSS23.0进行分析后得出问卷的克隆巴赫系数值为0.909，表明具有良好的信度。

（四）数据收集与编码

本研究选取完成度较高的4次实验报告进行统计，排除报告填写缺失，提交次数不足，结对情况不佳的5组人员后，余下15组学生的有效互评文本总计627条，其中，组间互评544条，组内互评83条。对所获文本按语义段切分后，将完整的语义结构视为一个意义单元。参考李锋等提出的计算思维分类标准，将计算思维划分为计算概念、计算实践、计算观念3个一级指标，并进一步细分为12个二级指标构建编码体系（见表1）。在正式编码前，对两名研究生助教进行专业的编码培训，编码不一致的文本对比讨论，使得最终编码趋于一致。编码结束后，使用SPSS23.0进行一致性检验，Cohen Kappa值为0.877，表明编码结果具有良好的一致性。最终将编码表格导入ENA在线工具（http：//www.epistemicnetwork.org/），对计算思维各维度进行可视化分析。

四、研究结果

（一）同伴互评支持的结对编程模式对学生计算思维的影响

本研究最终有效样本15组，高—高、高—低及低—低各5组，为了测评同伴支持的结对编程匹配策略对学生计算思维的影响，运用SPSS 23.0进行单因素方差分析。结果表明，不同结对形式学习者计算思维存在显著差异（p＜0.001）。进一步对结果进行LSD事后检验发现，高—高组的计算思维水平显著高于高—低组和低—低组（p＜0.05，p＜0.001），而高—低组和低—低组比较无显著差异（p＞0.05）。

（二）同伴互评中计算思维各维度差异比较

为了探究学习者组间互评与组内互评呈现的计算思维各维度的差异，本研究对4次实验的编码结果进行统计。结果发现，在开展组间互评时，学习者侧重于计算思维的实践与观念，尤其在“方案设计”与“过程开发”中占比较大，分别为21%与18%，主要表现为对任务流程图进行绘制，梳理出完整的思维逻辑与问题解决方案，并不断找出问题进行调试直至输出正确的结果。当两人为一组进行组内互评时，则更为侧重计算思维的概念，在“变量”和“运算符”的反思中表现较为突出，分别为18%与17%。值得注意的是，在问题分析上无论组间还是组内关注程度较为一致（14%与15%）且频率出现较高。

（三）不同结对模式下的学习者在计算思维各能力维度的认知差异分析

通过组内互评的视角，对文本数据进行建模分析得到高—高组、高—低组以及低—低组的认知网络质心分布，如图2所示，不同的小方块表示不同组别的计算思维平均认知网络质心，圆点代表每组学生的认知网络质心，虚线框表示质心位置在95%水平上的置信区间。三种匹配策略下的学习者计算思维具有不同的认知结构，其中高—高组与低—低组的质心位于X轴的上方，且距离高—低组的质心相对较远，说明三种结对方式下的学习者开展组内互评时对计算思维关注点存在差异。

图3展示了不同组别的认知网络叠减图，ENA网络模型中黑色节点代表计算思维的各维度，节点之间的连线表示两者产生共现域，节点的大小和连线的粗细、饱和度可表征元素出现的频率以及联系的强弱。图3（a）是将高—高组与低—低组的认知网络图结构进行叠减得到的效果图，图3（b）是高—高组与高—低组的叠减图，当元素之间的连线重叠时会自动相减，最终呈现出联系较强的线条颜色以及相减后的连线系数值，同时线条粗细也会进行叠减。由图3（a）和图3（b）可知，高—高组在“变量”与“事件”，“合作意识”与“运算符”“条件”“过程开发”之间的连接明显强于其他两组。图3（c）的认知网络差异图是由高—低组与低—低组叠减得到的，由图3（b）和图3（c）中可知，高—低组网络密度较高，主要围绕“函数”“变量”以及“方案设计”等节点展开，建立了“函数”与“循环”“运算符”“变量”“事件”“方案设计”与“问题分析”“过程开发”等较强的连接。对比图3（a）和图3（c）可以观察到，低—低组在“变量”与“循环”“条件”“情感态度”之间存在强连接。这些现象表明，高—高组在组内互评的过程中更为关注两人结对期间的团队协作能力，并且利用过程开发的流程图指导整体实验。高—低组互评中提及的计算思维元素相对更广，充分考虑到计算思维的概念以及实践两方面。低—低组的关注点始终围绕变量、循环等计算思维概念展开，对该匹配策略下产生的互评文本分析后得知结对双方容易在变量的类型判断、循环语句和条件语句的使用上出错，导致困惑、迷茫等消极情绪。

为了对比学习者在组内互评与组间互评中计算思维各维度存在的差异，使用同样的方法对组间互评产生的文本进行处理，如图4所示，高—高组与高—低组的平均网络质心距离较近，低—低组的质心与其他两组距离较远。这一现象表明，高—高组与高—低组在计算思维的关注维度上具有一定的相似性。

从组间互评的视角来看，图5展示了不同结对模式的认知网络叠减图，图5（a）反映了高—高组与低—低组相减后计算思维各元素的分布情况及联系程度，两组的认知网络结构呈左右均匀分布，图5（b）表示高—高组与高—低组的叠减图。观察图5（a）和图6（b）可知，高—高组存在明显的“合作意识”与“过程开发”“方案设计”之间的连接。分析图5（b）和图5（c）的认知网络差异可知，高—低组节点在“问题分析”与“情感态度”“合作意识”之间的连接显著强于其他组。对比图5（a）与图5（c）发现，低—低组节点元素大部分分布在右侧，在“循环”与“变量”“问题分析”以及“方案设计”与“变量”的连接频率较高。由此说明，高—高组与高—低组对整体图形化设计呈现的观察与解读较多，针对他人的作品进行评价时主要分析两人共同绘制的问题分解导图、代码设计流程图以及结对过程中的驾驶员与导航员的交换情况，偏向于对计算思维实践和观念维度的分析。低—低组则更加关注局部代码书写与运行，通过观察代码中出现的变量名定义格式、类型以及循环语句的使用细节，分析代码设计存在的问题。

（四）不同结对模式下的学习者计算思维发展轨迹差异分析

为进一步探究学生计算思维的发展趋势，本研究分别比较了不同匹配策略下组内互评质心轨迹变化（如图6所示）。从整体来看，认知网络质心呈现聚拢趋势，相对距离逐渐缩小。观察质心移动轨迹发现，高—高组的质心无论如何变化，大部分仍处于计算思维概念上；高—低组从实践出发过渡到概念，最终在计算思维实践上趋于稳定；低—低组变化趋势则一直在概念与实践之间交替变化，且横跨四个象限。说明先验知识水平较高的双方结对开展组内互评时，对计算思维的关注点较为稳定集中。

对比三种匹配策略的组间互评质心移动轨迹，如圖7所示。随着实验的开展，三组的平均认知网络质心整体上逐渐靠拢并趋于原点，且在第二次开展组间互评时都过渡到第四象限，逐渐从宏观的文字描述、思维导图以及流程图分析转移到对代码中基本的运算符、函数等计算思维的概念维度进行规范剖析。此外，还可以观察到高—高组的平均质心大多位于第二象限，说明高—高组对其他组作品进行评价反馈时意见大多较为稳定，集中于计算思维的问题分析维度，而高—低组与低—低组的组间互评在计算思维各维度反复横跳，受实验材料本身的影响较大，难以达成统一的认知层面。

五、研究结论与展望

本研究创设了同伴互评支持的结对编程环境，采用认知网络分析对在线平台中职前教师组内互评与组间互评进行处理，从同伴互评视角探究不同结对模式下学习者计算思维的认知发展特征与变化轨迹，得出以下结论：

（一）同伴互评支持的结对编程有助于提升学习者的计算思维能力

已有研究表明，教学模式的多样性与互补性能够在一定程度上弥合学习者消极心理，将同伴互评整合到传统的结对编程模式中，可有效缓解学习者参与度不足、知识迁移量低等问题。同时，研究发现，高—高组的计算思维提升水平显著高于高—低和低—低组。这与之前的研究类似，学业水平较高的学习者计算思维能力优于学业成绩较低的学生[17]。研究结果进一步表明，同伴互动以及其他支架式教学的融合，可促进程序开发与试验迭代的过程，在动态协作分工中进行知识共享与思维发散。

（二）学习者开展组内互评和组间互评时呈现的计算思维关注点不同

学习者在组间互评阶段主要关注计算实践和计算观念，在问题解决逻辑上表现较为突出。已有研究发现，结对编程可以让双方思维显性化，提升学生的推理技能与逻辑思维能力[18]。而组内互评时，更为关注计算概念中的变量与运算符等，学习者面对变量、表达式和循环等概念的理解时，会存在较大的挑战。因此，在职前教师计算思维教学能力的培养中，应关注组内与组间的同伴互动，以过程为导向提高沟通协作意识与计算思维的从教准备度。

（三）不同结对模式的学习者认知特征与倾向存在差异

高—高组开展同伴互评时关注流程图和思维导图等整体图形化的表达对程序开发的指导性作用。进一步表明，流程图与思维导图可作为计算思维抽象表达的工具，可将问题分解建模与推理演绎等思维过程可视化。低—低组则表现出对变量、运算符等局部代码的细微观察。吴忭等人的研究发现，低能力组的学生协作编程时更多关注代码行的次序，采用相对低效、浅层次的方式修补程序[19]。高—低组可理解为专家—新手模式，高水平学生可帮助低水平学生搭建认知框架，新手可给予专家更多解决方案的启发[20]，从而推动计算思维能力在各维度的转移。对于教学经验相对缺乏的职前教师而言，在无法完全避免能力较低的双方开展组队的情况下，教师及时予以适当提示与引导，能够将双方的关注点从对无关问题或认知差异的无效讨论聚焦到对核心问题解决流程的把控。

（四）不同结对模式下学习者的计算思维能力转趋一致

虽然不同组别的同伴互评质心发展轨迹存在差异，但整体质心不断靠近。随着结对编程的不断深入，三种结对模式的学习者计算思维能力水平呈现趋同演化的趋势。此前的研究证明，在同伴互评中高分组与低分组的学习者群体认知随着时间的推移，在经历了观点建构与自我反思后质心发展轨迹渐趋一致[21]。学习者可持续对自身方案进行审视与迭代，在抽象分解与沟通互助中累积经验，将已有的概念与具象认知迁移运用，最终达到计算思维能力倾向的相对统一。

综上所述，同伴互动机制与结对编程教学组织形式的有效融合创新为学习者提供了促进彼此协作互动与知识双向迁移的契机，采用不同的结对模式可激发不同知识梯度的学习者贡献想法，形成多元化的灵感。在社会互动中从认知冲突逐渐转向知识重构，达到互动过程的深度反思，从而提高群体的问题解决能力和计算思维意识。但个体思维发展具有动态性与深刻性，群体特征难以全面反映个体变化差异，因此，未来的研究可基于人工智能技术精准捕获并自动分析编程过程中产生的个体语言、肢体行为、面部情绪等多模态数据源，生成以证据为中心的个体计算思维诊断结果，建构计算思维的动态发展与预测认知模型，并以结对编程的匹配模式设计作为切入点，结合PA-PFCT法可逐步实现在不同的教学境脉和学科课程中推广。

[参考文献]

[1] 教育部.教育部关于印发义务教育课程方案和课程标准（2022年版）的通知[EB/OL].（2022-03-25）[2023-03-21]. http：//www.gov.cn/zhengce/zhengceku/2022-04/21/content_5686535.htm.

[2] 何钦铭，陆汉权，冯博琴.计算机基础教学的核心任务是计算思维能力的培养——《九校联盟（C9）计算机基础教学发展战略联合声明》解读[J].中国大学教学，2010，241（9）：5-9.

[3] BERGIN S， REILLY R. The influence of motivation and comfort-level on learning to program[C]//17th Workshop of the Psychology of Programming Interest Group. Brighton：Psychology of Programming Interest Group， 2005：293-304.

[4] 王志军，杨阳.认知网络分析法及其应用案例分析[J].电化教育研究，2019，40（6）：27-34，57.

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

[6] Computing at school working group. Computer science： a curriculum for school [EB/OL].（2012-03-01）[2023-10-20]. http：//www.computingatschool.org.uk/data/uploads/Computing Curric.pdf.

[7] BRENNAN K， RESNICK M. New frameworks for studying and assessing the development of computational thinking[C]//Proceedings of the 2012 Annual Meeting of the American Educational Research Association. Vancouver： AERA，2012.

[8] 李锋，程亮，顾小清.计算思维学业评价的内容构建与方法设计——文献比较研究的视角[J].中国远程教育，2022（2）：65-75，77.

[9] ANGELI C， GIANNAKOS M N. Computational thinking education： issues and challenges[J]. Computers in human behavior，2020，105：1-3.

[10] WILLIAMS L， KESSLER R R， CUNNINGHAM W， et al. Strengthening the case for pair programming[J]. IEEE software，2000，17（4）： 19-25.

[11] 李彤彤，郝晴，文雨，等.基于学习风格和伙伴关系的配对编程对小学生计算思维的影响研究[J].远程教育杂志，2022，40（3）：105-112.

[12] 傅骞，张力文，马昊天，等.大学生编程韧性水平调查及其影响因素研究[J].电化教育研究，2021，42（4）：29-36.

[13] 范逸洲，冯菲，刘玉，等.评价量规设计对慕课同伴互评有效性的影响研究[J].电化教育研究，2018，39（11）：45-51.

[14] HWANG G J， CHANG S C. Facilitating knowledge construction in mobile learning contexts： Abi-directional peer-assessment approach[J]. British journal of educational technology，2021，52（1）：337-357.

[15] HSU T C， CHANG C， WU L K， et al. Effects of a pair programming educational robot-based approach on students' interdisciplinary learning of computational thinking and language learning[J]. Frontiers in psychology，2022，13：888215.

[16] FANG J W， SHAO D， HWANG G J， et al. From critique to computational thinking： a peer-assessment-supported problem identification， flow definition， coding， and testing approach for computer programming instruction[J]. Journal of educational computing research， 2022，60（5）：1301-1324.

[17] 夏小剛，张文兰，刘斌，等.编程软件、学业水平对初中学生计算思维发展的影响研究[J].数字教育，2020，6（2）：70-75.

[18] 刘敏，汪琼.结对编程：中小学编程教育的首选教学组织形式[J].现代教育技术，2022，32（3）：102-109.

[19] 吴忭，王戈.协作编程中的计算思维发展轨迹研究——基于量化民族志的分析方法[J].现代远程教育研究，2019（2）：76-84，94.

[20] PLONKA L， SHARP H， VAN DER LINDEN J， et al. Knowledge transfer in pair programming： an in-depth analysis[J]. International journal of human-computer studies， 2015，73：66-78.

[21] 張涛，张烁，张思，等.在线同伴互评中群体认知的特征、网络与发展轨迹分析[J].现代教育技术，2022，32（9）：82-90.

A Study on the Influence of Peer Assessment-supported Pair Programming on Learners' Computational Thinking

ZHOU Pinghong，  SANG Xuemei，   ZHANG Yi，  LIN Yuru，  CHENG Yue，  HONG Jiayu

（Faculty of Artificial Intelligence， Central China Normal University， Wuhan Hubei 430079）

[Abstract] Peer interaction is a key link to improve learners' deep learning and computational thinking ability， but the abstract and implicit characteristics of computational thinking hinder the externalization of the co-occurrence relationship and dynamic evolutionary trend of computational thinking dimensions. To this end， this study proposes a peer assessment-supported pair programming model and carries out educational practice in a comprehensive course in colleges and universities. Epistemic Network Analysis（ENA） is used to visualize the differences in the cognitive network structure model of computational thinking among learners in three types of pairs with high-high， high-low and low-low proficiency levels. The results show that the integration of peer assessment and pair programming model is conductive to the improvement of learners' computational thinking and the two-way transfer of knowledge; In online peer assessment， intra-group peer assessment focuses on the concept of computational thinking and inter-group peer assessment focuses on the practice and ideas; The peer assessment of the high-high group focuses on macroscopic graph cognition， while the low-low group tends to local code writing; As peer assessment progresses， the cognitive network of the three groups becomes more consistent; With the deepening of peer assessment， the trajectories of cognitive network center of mass movement of the three groups became consistent. This study integrates the peer assessment mechanism with the pair programming teaching model， which provides theoretical guidance and empirical references for the cultivation of pre-service teachers' readiness to teach computational thinking in higher education system.

[Keywords] Computational Thinking; Pair Programming; Peer Assessment; Epistemic Network Analysis