计算思维视角下的劳动者数字素养

[ DOI ] 10.19764 / j.cnki.tsgjs.20240738

[本文引用格式] 任明.计算思维视角下的劳动者数字素养[J].图书馆建设，2024（3）：34-36.

1 背 景

随着大数据的快速发展，我国已成为名副其实的数据大国，并在稳步迈向数据强国。在激活数据要素潜能、将我国庞大的数据规模优势转化为数据价值优势的进程中，劳动者的数字素养发挥着至关重要的作用。数字素养作为数字时代生存所需的一系列技能，使公民能够充分利用数字技术创造价值[1]。随着数字技术、数字平台等日益普及的应用，劳动者需要具备相应的数字素养，才能有效地完成工作任务[2]。埃森哲[3]预测，到 2030 年，全球 75%的知识工作者每天都要与由基础模型支持的应用程序、服务或代理进行互动。当然，数字素养不等同于使用数字设备、平台和应用的能力，更重要的是能深刻理解数据要素的价值，在各自的工作环节中以不同的方式为推动基于数据的价值创造作出贡献。为此，劳动者需要在思维、观念、能力等方面全面提升自身的素质，以适应不断演变的外部环境。

2 计算思维的方法论

计算思维作为数字时代劳动者应具备的基本素养，其培养具有核心意义。计算思维这一术语是时任卡内基梅隆大学计算机科学系教授周以真（Jeanette M. Wing）[4] 在2006年首次提出的，她认为计算思维是“像计算机科学家一样思考”的能力，这种能力不仅仅涉及计算机编程，更重要的是在多个抽象层次上思考。这将成为人人都使用的一项基本技能，就像阅读、写作和算术这些技能一样。具体来说，计算思维是以系统的方式来解决问题的思维过程，这个过程的核心是找到合适的计算模型，以此来表述问题并制定可自动执行的解决方案[5]。在遇到复杂问题或新问题的情况下，有可能需要研究发明新的计算模型，此时的计算思维就成为一种研究活动。

计算思维提供了一套系统的方法，使劳动者有效地理解、分析、解释、利用数据，并据此来解决问题、做出决策、创造价值。目前，对于计算思维的方法还没有明确的共识，谷歌提出的计算思维的四种核心方法广为人知，具体包括分解问题、模式识别、抽象化、算法设计。这也在一定程度上体现了以计算思维解决问题的过程：首先，将复杂的问题分解成一系列较小的、更容易处理的子问题；其次，在分析这些子问题时，识别其中的模式和关联；再次，对问题进行抽象建模；最后，设计解决这些问题的步骤或规则，即算法。算法有助于高效编写计算机程序，使问题通过计算机自动执行的方式得到解决。这四个核心方法构成了计算思维的基础，建立这些能力使我们能够清楚地理解自动化解决问题的内在机理。

3 计算思维在数字劳动中的作用

伴随大数据和人工智能时代的到来，数字劳动成为新型的劳动形式，并成为推进经济高质量发展的主要动力。数据是数字劳动中的重要组成部分。一方面，数据作为劳动对象，是产业链条上的基础产品和原材料[6]；另一方面，数据亦是劳动工具的重要组成，基于大数据的算法、软件服务等作为物质中介使劳动者将自身劳动传递到劳动对象上，从而提高信息与服务的集中效能和配给效率[7]。从这两种角色出发，我们可以看到两大类数据相关的劳动：一类从事数据加工处理，另一类从事算法和工具的开发，计算思维在这些数字劳动中都发挥着重要作用。

数据加工处理主要是从数据中提取有价值的信息和规律。在大规模数据的处理中，大量体力和脑力的重复性、程序性劳动被自动化的算法取代。在这一过程中，劳动者常需要使用算法、模型和工具，系统地分析数据，发现模式，从而更加高效地解决问题。使用计算思维，劳动者可以从具有一般性、具有抽象意义的层面上思考问题，不局限于具体问题的细节，从而更深刻地认识数据中所蕴含的问题的本质。具体来说，分解问题赋予我们处理复杂数据集的能力，有助于清晰地简化和理解问题；识别模式和抽象化使我们能够从具体数据中提取共性特征，形成抽象化的概念或模式，将特定情况下的认识转化为更有泛化意义的洞察力，这是数据分析的核心。可见，数据加工、算法逻辑、分析思维等隐性知识和思维组织技能，已逐渐成为劳动力的内在要求[8]。计算思维是数据加工处理工作中创造新劳动产品的关键能力。

算法和工具的开发主要是设计能够解决特定类型问题的方案。在这一过程中，劳动者是算法、模型和工具的创造者，他们极大地依赖计算思维能力来开展工作。这一过程通常是在抽象层面上考虑问题及其解决方案，抽象思考能够帮助劳动者定义算法的逻辑结构，从而有效地处理各种具体数据。而且，抽象思考激发创新力，有助于从现有工作中发现新的可能和创意。以近年来人工智能发展的前沿——深度学习为例，这是一种强大的机器学习技术，使用多层神经网络来模拟人脑结构，通过学习样本数据的内在规律和表示层次，使机器能够像人类一样具有学习能力。深度学习强调数据的表征学习，为了使机器理解复杂的文字、图像和声音等数据，通过逐层的特征变换，将初始的“低层”特征表示转化为“高层”特征表示，再使用简单模型完成复杂的分类等学习任务。与传统机器学习使用人工构造特征的方式相比，深度学习使用多重非线性变换，对数据进行高层抽象，从而捕捉到数据中复杂的、隐含的关系。可见，从事算法和工具开发这类工作，对劳动者的计算思维能力显然有更高要求[9]。尤其在当前大语言模型和生成式人工智能技术迅速发展的当下，劳动者在技术实践中也面临着诸多挑战，如如何改进算法、理解可能会产生的错误、识别和纠正数据中存在的偏差、解释模型的输出等。解决这些难题需要劳动者具备逻辑思维能力、批判性思维和创造性思维等高阶思维能力。

4 以计算思维为核心全面提升劳动者数字素养

数据要素的特殊性和复杂性对劳动者提出了多样化的要求。数据的价值增值过程，不仅涵盖了数据加工处理、数据产品生成以及相应的算法设计活动，还包括了对接市场需求、在具体场景下的数据赋能，以及进一步与资产要素协同融合、形成数据资本的增值过程[10]。目前，我国正积极推进数据要素市场化改革，亟需探索形成一套兼顾中国国情需求和数据要素特殊规律、有效回应行业痛点难点问题的综合配套改革方案，以有效引导和促进数据要素市场的发展，规范数据交易和流通，促进数据的价值释放，提升数据要素配置效率。在这一背景下，需要坚持安全与发展并重的理念，以计算思维为核心全面提升劳动者数字素养。

一方面，劳动者应当具备对数据要素价值的敏锐洞察力。计算思维不仅是解决问题的能力的体现，还是个体适应数字化环境与数字技术更迭的认知心理能力[11]。对于数据要素价值的洞察力不仅限于对数据本身的理解，更重要的是能够在具体场景中认识数据的潜力和价值，精通如何有效利用数据来促进社会和经济的发展，从而确保各方面管理和支持能够在变革中适应我国国情的需要，适应不断变化的市场需求。

另一方面，劳动者必须树立强烈的数据安全意识和法律意识。计算思维使我们能够从数据中发掘情报，但对于那些对国家安全战略具有重大意义的情报，数据的关联分析、情报生成与感知也可能带来潜在的安全威胁[12]。因此，必须加强劳动者的数据安全意识和法律意识，确保数字劳动的合法合规，及时发现并应对潜在的数据安全风险，采取有效的风险治理措施，共同营造合法有序的数据要素市场环境。

随着数据要素市场化改革的不断推进，劳动者的数字素养提升变得尤为迫切。在此过程中，每位劳动者都需积极适应数字化时代的新要求，持续培养计算思维能力，提升对数据要素价值的敏感性和洞察力，并强化数据安全意识和法律意识。同时，政府和各类组织应提供必要的培训和支持，确保劳动者具备胜任其工作的能力，推动数字社会和数字经济的健康可持续发展。通过这些措施，我们能够充分发挥我国海量数据规模和丰富应用场景之优势， 激活数据要素潜能，做强做优做大数字经济，增强经济发展新动能，构筑国家竞争新优势。

参考文献：

[1] PHIPPEN A.Digital Literacy[M]//ELLIS L.Encyclopedia of libraries，librarianship and information science.[S.L.]：Academic Press，2024：1-8.Doi：10./016/B978-0-323-95689-5.00097-3.

[2] REDDY P，SHARMA B，CHAUDHARY K.Digital literacy： a review of literature[J].International journal of technoethics，2020，11（2）：65-94.

[3] 埃森哲.技术展望2023——当原子遇见比特，构建数实 融合的新基础 [EB/OL].（2023-07-19）[2024-04-10]. https：//max.book118.com/html/2023/0717/5230104241 010243.shtm.

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

[5] AHO A V.Computation and computational thinking[J]. The computer journal，2012，55（7）：832-835.

[6] 何玉长，王伟.数字生产力的性质与应用[J].学术月刊， 2021，53（7）：55-66.

[7] 阮朝辉.马克思主义生产方式视阈中的数据技术：性质、地位与作用[J].探索，2018（1）：21-31.

[8] 王星，王春璇.从工业劳动到数字劳动：劳动过程变迁与理论探索[J].新视野，2023（6）：38-45.

[9] DENNING P J.，TEDRE M.Computational thinking for professionals[J].Communications of ACM，2021，64（12）： 30-33.

[10] 于施洋，黄倩倩，虞洋，等.数据要素市场的价值增值研究：理论构建与实施路径[J].电子政务，2024（2）：33-40.

[11] 马晓飞，张尔赫. \"数字中国\" 建设背景下高校学生计算思维培养研究：热点、趋势与建议[J].图书情报工作， 2023，67（13）：142-151.

[12] 周毅，郭朗睿.公共数据开放中隐性安全风险的内涵、表现及其生成逻辑[EB/OL].[2024-04-10].https：//link.cnki. net/urlid/11.1448.g3.20240407.1941.002.

[作者简介]

任 明 中国人民大学信息资源管理学院副教授、博士生导师，研究方向为大数据分析、人机协作智能、数据要素市场。E-mail：renm@ruc.edu.cn。

[收稿日期：2024-04-11]