Theoretischer Hintergrund

Algorithmisches Denken spielt eine zentrale Rolle in der informatischen Grundbildung. Es umfasst die Fähigkeit, Probleme systematisch zu analysieren, sie in einzelne Schritte zu zerlegen und in einen Algorithmus zu überführen (z.B. Wing, 2006). Offen ist bislang, welche Rolle Kreativität spielt: Während konvergentes Denken auf die Fähigkeit abzielt, logische und eindeutige Lösungen zu finden, adressiert divergentes Denken innovative und flexible Problemlösungsansätze.

Ziele

Ziel dieser Studie war es, Einflüsse von Interesse für Technik, konvergentem und divergentem Denken sowie demografischen Variablen auf die Entwicklung von Fähigkeiten im algorithmischen Denken vor (Pre) und nach (Post) einer kreativen Lernintervention mit BlueBots zu untersuchen.

Methode

Die Stichprobe umfasste 405 Grundschüler:innen (Jahrgangsstufen 2-4; Alter: M=8.27, SD=1.02), die an einer Lernintervention mit Bluebots teilnahmen. Interesse für Technik wurde durch vier Items angelehnt an PISA (Frey et al., 2016) erfasst, konvergentes Denken durch sieben Aufgaben des Compound Remote Associates Test (CRA; Landmann et al., 2014) und divergentes Denken anhand von Fluency, Originality und Flexibility basierend auf Torrance (1966). Algorithmisches Denken (Pre und Post) wurde mit sechs Aufgaben basierend auf Zapata et al. (2021) gemessen. Ein Strukturgleichungsmodell wurde geschätzt, um Einflüsse der Variablen zu analysieren und die Entwicklung des algorithmischen Denkens von T1 auf T2 vorherzusagen (modelliert über ein multiple indicator latent change score model).

Ergebnisse und Schlussfolgerungen

Das SEM-Modell zeigte eine gute Anpassung an die Daten (CFI=.959, TLI=.960, RMSEA=.044, SRMR=.073). Die Jahrgangsstufe hatte signifikant positive Effekte auf Interesse (β=.231, p<.001), konvergentes Denken (β=.248, p<.001) und divergentes Denken (β=.151, p=.009). Geschlecht zeigte keine signifikanten Zusammenhänge mit Interesse, konvergentem oder divergentem Denken.

Algorithmisches Denken vor der Intervention hing signifikant positiv mit konvergentem Denken (β=.463, p<.001) und Interesse (β=.195, p=.005) zusammen, jedoch nicht mit divergentem Denken. Die Entwicklung des algorithmischen Denkens wurde signifikant durch Interesse (β=.167, p=.030), konvergentes Denken (β=-.245, p=.006), Geschlecht (β=.216, p=.008) und Jahrgangsstufe (β=.507, p<.001) vorhergesagt, jedoch nicht durch divergentes Denken. Die Varianzaufklärung betrug R²=.371 für die Entwicklung des algorithmischen Denkens.

Die Ergebnisse unterstreichen die Bedeutung von Interesse und konvergentem Denken für die Entwicklung algorithmischer Denkfähigkeiten. Die Effekte der Jahrgangsstufe verdeutlichen, dass algorithmisches Denken altersabhängig ist und durch gezielte Förderung schon früh gestärkt werden sollte. Zukünftige Forschung sollte untersuchen, wie konvergentes und divergentes Denken gezielt in die Förderung algorithmischer Kompetenzen integriert werden können, um sowohl kognitive als auch kreative Aspekte der Problemlösung zu stärken. Zudem sollte bei der Entwicklung und Evaluation von Interventionen insbesondere die Förderung von Mädchen in den Blick genommen werden.