De afgelopen dagen heb ik nagedacht over hoe je computational thinking kunt integreren binnen een concreet project rondom onderzoekend leren. Daarbij wilde ik als uitgangspunt het artikel van Weintrop et al (2016) nemen dat een voorstel doet om computational thinking te integreren binnen science. Dit artikel richt zich niet zozeer op het basisonderwijs maar ik was benieuwd of ik hier een vertaling van zou kunnen maken naar het basisonderwijs. Ik zal mijn werkwijze en bevindingen in deze blogpost beschrijven.
Onderwerp voor het project
Als eerste heb ik een onderwerp voor het onderzoekend leren project gezocht. Ik heb hierbij de ideeën over crosscutting concepts als uitgangspunt genomen. Crosscutting concepts zijn concepten die binnen onderzoek een wezenlijke rol spelen. Paul Anderson zet deze concepten in een videoreeks op YouTube mooi op een rijtje:
- Patronen
- Oorzaak en gevolg
- Hoeveelheid en proportie
- Systemen
- Energie
- Structuur en functie
- Veranderingen
Bij elk crosscutting concept noemt Anderson voorbeelden waarmee je hier aandacht aan zou kunnen besteden. Zo noemt hij bij patronen bijvoorbeeld de seizoenen en bij oorzaak en gevolg als voorbeeld het groeien van planten. Voorbeelden die hij noemt zijn ook onderwerpen die je terugvindt in de kerndoelen van de SLO.
Seizoenen als onderwerp sprak mij aan. Hierbij kun je namelijk aandacht besteden aan patronen, oorzaak en gevolg, hoeveelheid en proportie, systemen, energie en verandering. Seizoenen als onderwerp an sich is natuurlijk nog erg breed.
Naast crosscutting concepts moet het onderwerp zich lenen voor de uitgangspunten zoals Weintrop et al (2016) die formuleren.
Dus het onderwerp zou zich moeten lenen om aandacht te besteden aan:
- data practices
- modelling and simulation practices
- computational solving problem practices
- system thinking practices
Bij het onderwerp dat ik kies moet dus data verzameld kunnen worden, moet er nagedacht kunnen worden aan de hand van modellen en simulaties, moet er probleemoplossend kunnen worden nagedacht en moeten systemen kunnen worden onderzocht.
Tot slot vind ik het belangrijk dat als ik aandacht besteed aan computational thinking het kinderen meer inzicht geeft in de wereld om hen heen.
Doorbordurend op het onderwerp seizoenen kwam ik uit op het onderwerp weer en specifiek daarbinnen het samenstellen van een weerbericht. Het dagelijks weerbericht biedt volgens mij mooie aanknopingspunten om met onderzoekend leren aan de slag te gaan en aandacht te besteden aan computational thinking zoals Weintrop et al dat formuleren. In het weerbericht maken meteorologen namelijk gebruik van allerlei weermodellen om het weer te voorspellen. Modellen die gezamenlijk enigszins een beeld geven van wat voor weer we kunnen verwachten. Een mooi voorbeeld waarin een weerman hierover iets uitlegt is te zien in onderstaande video:
Om me het onderwerp weersverwachting iets meer eigen te maken heb ik een artikel gelezen van Peter Lynch (2007) waarin hij schrijft over de ontwikkeling van het weerbericht en de rol die computers en computational thinking daarin spelen. Uit het artikel haal ik verschillende aspecten naar voren die van belang zijn voor het samenstellen van project rondom onderzoekend leren waarin computational thinking is verwerkt. Als eerste de zoektocht van de wetenschappers naar het gebruik van modellen die de weersveranderingen het beste in beeld brengen. En ten tweede de rekenkracht die nodig is om alle data die als input wordt gebruikt op tijd te verwerken.
Modellen
Bij de modellen gaat het om wiskundige vergelijkingen die uitdrukking geven aan verschillende aspecten die het weer en klimaat beïnvloeden. In het artikel worden verschillende modellen behandeld die elkaar opvolgen en elkaar beïnvloeden. Deze modellen maken gebruik van vergelijkingen die het basisschoolniveau ver te boven gaan. Voorbeelden hiervan zijn:
En zo worden in het artikel wel ruim 30 vergelijkingen genoemd die van belang zijn.
Het heeft naar mijn idee weinig zin om die modellen specifiek te behandelen omdat die niet aansluiten bij de beginsituatie van de leerlingen. Wat naar mijn idee wel zinvol is, is om leerlingen duidelijk te maken dat wetenschappers geprobeerd hebben om door middel van modellen het weer zo goed te voorspellen. En het is naar mijn idee ook zinvol om duidelijk te maken dat er niet één model is dat al het weer over de hele wereld kan voorspellen maar dat modellen met elkaar gecombineerd worden om tot een betrouwbare voorspelling te komen. Het is naar mijn idee ook zinvol om duidelijk te maken dat die modellen naar verschillende aspecten kijken van het weer: hoe lucht en water stromen, wat de luchtdruk is, hoe hoog de temperatuur, luchtdichtheid en vochtigheid is. En dat ze rekening moeten houden of lucht of land of over water stroomt. Ook vind ik het van belang dat leerlingen weten dat de atmosferische circulatie chaotisch is. En dat het dus weinig zin heeft om voorspellingen over de langere termijn te doen. Ander belangrijk aspect is dat die modellen niet vanuit het niets beginnen. Maar zich baseren op een uitgangspositie van het weer. Die uitgangspositie worden door waarnemingen van mensen en apparaten duidelijk gemaakt.
Rekenkracht
Om het weer te voorspellen is veel rekenkracht nodig. Lynch haalt in zijn artikel een wetenschapper, Richardson, aan die begin twintigste eeuw droomt over een weerverwachtingsfabriek. Om de atmosfeer bij te houden voor de weersvoorspelling, zegt Richardson, zouden zo’n 64.000 mensen nodig zijn. 64.000 mensen die alle data die binnenkomt verwerkt en doorgeeft zodat er uiteindelijk een weersvoorspelling uitkomt. Waarom is er zoveel rekenkracht nodig? Omdat de modellen starten met de waarnemingen. En om een betrouwbare uitgangspositie te krijgen moeten er veel waarnemingen worden gedaan. Waarnemingen op het land, op zee maar ook op verschillende hoogtes in de lucht. Waarnemingen op gebied van luchtdruk, windsnelheid, zonnekracht, luchtvochtigheid. Dat vraagt zoveel rekenkracht dat de eerste computer (de ENIAC) er 24 uur over deed om een weersvoorspelling te maken die precies 24 uur vooruit kon kijken.
Tegenwoordig zijn de supercomputers zo snel geworden dat de data binnen afzienbare tijd verwerkt is tot bruikbare weersverwachtingen.
Zo gebruikt de KNMI een supercomputer die een rekenkracht heeft van 58,2 terraflops. Dat wil zeggen 58,2 biljoen (een miljoen x een miljoen) berekeningen per seconde.
In het project zouden daarom ook deze stappen opgenomen moeten worden. Dus de realisatie dat het een keten is die er voor zorgt dat we een weersverwachting kunnen doen.
Het project zelf
Wat betekent dit voor het project zelf? In het project kun je aandacht besteden aan de modellen (of modelmatig werken) die wetenschappers gebruiken en de rekenkracht van de computers.
Fase 1 Confrontatie
In de confrontatiefase is het de bedoeling dat kinderen zich gaan verwonderen over het feit dat we weersvoorspellingen kunnen doen. Het weerbericht is zo’n alledaags verschijnsel dat dit waarschijnlijk eerst geproblematiseerd zou moeten worden: hoe kan een weerman nu weten wat voor weer het wordt? Glazen bollen waarmee je in de toekomst kunt kijken bestaan immers niet. En toch is dat wat een weerman doet: in de toekomst kijken. Hoe zou hij dat doen? Het bovenstaande filmpje over de weerman die verschillende weermodellen presenteert zou hierbij ook getoond kunnen worden.
Fase 2 Verkenning
In de tweede fase heb ik als mogelijke invullingen van onderzoekend leren op basis van Weintrop et al de volgende punten genoemd:
2a. Using computational models to understand a concept
4a. Investigating a complex system as a whole
4b. Understanding the relationships within a system
4c. Thinking in levels
2a. Using computational models to understand a concept
Er zijn mooie computational models over het weer maar die zijn lang niet allemaal geschikt om met basisschoolleerlingen te behandelen. Zo is er op de website BetaSimulaties een simulatie over wolken waarmee leerlingen aan de slag kunnen met academische modellen. SimSketch die ik een vorige blogpost noemde lijkt ook niet geschikt om met het onderwerp weer aan de slag te kunnen gaan. Die kan namelijk niets met lucht- en waterstromen, luchtdruk, temperatuur, luchtdichtheid en luchtvochtigheid. Een zoektocht op het web naar andere simulaties brengt me onder andere bij de animaties van de bibliotheek waar op een paar aspecten van het weer wordt ingegaan. Bijvoorbeeld hoe een regenboog ontstaat, schaduwen gedurende een dag en de waterkringloop. Het zijn leuke animaties maar ze leggen nog niet echt iets uit over het weer. Een verdere zoektocht brengt me bij CurriculumBits die een paar pagina’s hebben over aardrijkskunde. Hier wordt onder andere verschillende typen regen uitgelegd en depressies. Nadeel van deze animaties is dat je er zelf weinig invloed op uit kunt oefenen (variabelen kunt manipuleren). Nadeel is ook dat ze soms in het Engels zijn. Je zou leerlingen ook video’s kunnen laten zien van bijvoorbeeld SchoolTV maar ook daar is geen mogelijkheid tot manipuleren.
Een andere manier misschien om aan de slag te gaan met een computational model is door er een unplugged activiteit van te maken. Waarbij leerlingen zelf variabelen zijn die van invloed zijn op het weer. Klinkt leuk maar het idee van computational models is dat je iets met behulp van de computer kunt simuleren dat anders niet kan (geld, tijd of te gevaarlijk).
Computational models die wel geschikt zijn naar mijn idee zijn die van CIMSS (animaties).
Hiermee kun je bijvoorbeeld spelen met het type neerslag dat valt als je luchttemperatuur en de natteboltemperatuur verandert.
Wil dit effectief zijn dan moet je daar gerichte opdrachten bij geven en moeten leerlingen kennis hebben van de begrippen die hierin worden behandeld.
Kortom: Er zijn modellen waarmee je in stap 2 leerlingen aan het verkennen kunt zetten maar je moet daarbij goed opletten of die modellen ook dat doen wat je wilt bereiken. .
4a. Investigating a complex system as a whole
4b. Understanding the relationships within a system
4c. Thinking in levels
De bovenstaande stappen neem ik even samen aangezien die prima in samenhang uitgevoerd kunnen worden. Om een complex systeem zoals het weer te begrijpen en te verkennen bied je informatie aan (of laat je leerlingen die opzoeken) en doe je proefjes die de verschillende aspecten van het weer behandelen.
Fase 3 Opzetten experiment
Bij fase 3 heb ik verschillende aspecten genoemd die aan bod zouden kunnen komen bij onderzoekend leren. Ik behandel ze per domein. Als eerste de aspecten van modelling and simulation practices.
Modelling and simulation practices
De volgende punten noemde ik als voorbeeld die bij het opzetten van een experiment gedaan zouden kunnen worden:
2b. Using computational models to find and test solutions
2d. Designing computational models
2e. Constructing computational models
Bij het opzetten van een experiment gaat het om het bedenken en plannen van een experiment. Bij het bedenken van een experiment met behulp van een computational model (punt 2b) zoals dat over neerslagtypes kun je van te voren bedenken wat er zou gaan gebeuren als je variabelen op een bepaalde manier instelt. Het testen zou dan vallen onder fase 4 (uitvoeren van experiment) en je kunt daarna direct conclusies trekken (fase 5) en dat communiceren (fase 6).
Het zelf kunnen ontwerpen van een computational model en het bouwen lijken me op basis van het weer een te complexe opdracht. Je zou het met de leerlingen wel kunnen hebben over de keten die nodig is om te komen tot een weerverwachting. Daarmee heb je het naar mijn idee over decomposition. Een vaardigheid die veel genoemd wordt binnen computational thinking.
Computational problem solving practices
Aspecten van dit domein die geschikt zijn voor fase 3 zijn naar mijn idee:
3a. Preparing problems for computational solutions
3b. Computer programming
3c. Choosing effective computational tools
3d. Assessing different approaches/ solutions to a problem
3e. Developing modular computational solutions
3f Creating computational abstractions
Bij computational solutions denk ik aan de ondersteuning die de computer kan bieden om weerwaarnemingen van leerlingen te registreren en daarmee te rekenen. Bijvoorbeeld het gebruik van spreadsheetprogramma om de gemiddelde windsnelheid uit te laten rekenen. Als je dat wilt doen dan doorloop je stap a (hoe noteren we de gegevens in een spreadsheetprogramma), c, (welke tools is het meest effectief), b (het programmeren van functies in Excel (en die ook ook doorgronden)) en d (kunnen we dit ook nog op een andere manier berekenen). Hierbij kun je ook aandacht besteden (of stil staan bij) aan het feit hoe snel zo’n spreadsheetprogramma dit voor je kan uitrekenen. Veel sneller dan wij kunnen rekenen. Zeker als het aantal waarnemingen zo groot worden. Misschien kun je een wedstrijdje houden wie het snelst is: de computer of een snelle rekenleerling.
3e is naar mijn idee het beseffen dat je een probleem in stukjes kunt oplossen. Dus als het gaat om het weer dat je dan kunt kijken naar verschillende aspecten: wind, luchtdruk, etc. Punt f gaat volgens mij vooral op als je samen met de leerlingen het hebt over de manier van werken zoals je die hebt toegepast en kijkt of je die kunt toepassen op een ander aspect. In dit geval: we hebben Excel laten uitrekenen wat de gemiddelde windsnelheid is; zouden we dat ook kunnen doen voor de gemiddelde neerslag?
System thinking practices
Tot slot heb ik aan fase 3 het volgende toegevoegd:
4e. Defining systems and managing complexity
Dit gaat zeker op voor zo’n complex onderwerp als het weer. De vraag hierbij is: wat gaan we onderzoeken en tot op welke hoogte kunnen we hier antwoorden op vinden? Dit lijkt me vooral een rol voor de leerkracht die de kaders aangeeft.
Fase 4 Uitvoeren experiment
Onder fase 4 voegde ik de volgende stappen toe:
1a. Collecting Data
1b. Creating Data
3g. Troubleshooting and debugging
Stappen 1a en 1b. Dat lijkt me met het onderwerp weer/ weersverwachting niet moeilijk. Je kunt allerlei meetinstrumenten maken en gebruiken waarmee je data kunt verzamelen. Denk maar aan een thermometer, barometer en snelheidsmeter. Op een pagina van de SLO vind je hiervoor mooie voorbeelden. En als je weerinstrumenten zelf maakt dan kun je natuurlijk ook eerst kijken in hoeverre de instrumenten dezelfde gegevens opleveren. Dus hoe betrouwbaar zijn ze? En kunnen we ze ook betrouwbaarder maken?
Fase 5: Concluderen
Bij fase 5 heb ik de volgende aspecten toegevoegd:
1c. Manipulating Data
1d. Analyzing Data
Weerdata kan op verschillende manieren worden gemanipuleerd en geanalyseerd. Het ligt voor de hand om de data te koppelen aan kaarten of luchtfoto’s van de omgeving. Hoe nauwkeuriger de kaarten en/of foto’s hoe beter je de analyse kunt doen. Afhankelijk van je experiment kun je verschillende conclusies trekken. Bijvoorbeeld dat de windsnelheid op de ene plek groter is dan op de andere plek en de temperatuur hoger is op de ene plek dan op de andere plek.
Fase 6 Communiceren
Onder fase 6 voegde ik de volgende aspecten toe:
1e. Visualizing data
4d. Communicating information about a system
Ook dit lijkt me met het weerbericht goed te doen. Bijvoorbeeld door het maken van weerkaartjes (1e) en op basis daarvan een weerbericht maken (4d).
Fase 7: Verdiepen
Als mogelijkheid voor fase 7 noemde ik:
2c. Assessing computational models
Als het gaat over het weer en de weersverwachting kun je het hebben met de leerlingen over de betrouwbaarheid van de voorspellingen. Specifiek zou je het kunnen hebben over de weerpluim. Die laat zien dat naar mate de voorspelling verder in de toekomst ligt de onzekerheid toeneemt. Die onderzekerheid heeft te maken met feit dat de atmosfeer een chaotisch systeem is. Kleine invloeden kunnen grote gevolgen hebben.
Conclusie
Lukt het om voor een concreet onderwerp een onderzoekend leren project te beschrijven waarin de verschillende aspecten van computational thinking zoals geformuleerd door Weintrop et al zijn opgenomen? Antwoord: ja. Maar wel met een slag om de arm. De meeste onderdelen gaan prima. Maar Modelling and simulation practices is lastiger. Je bent daarbij als leerkracht vooral afhankelijk van bestaande modellen die je zou kunnen gebruiken. Modellen die recht doen aan de complexiteit van het onderwerp en tegelijkertijd zijn afgestemd om de doelgroep. Een niet eenvoudige opdracht. Ook niet onmogelijk trouwens. Want dit is precies van Pixar in a box doet.
De invulling van computational thinking zoals ik heb beschreven in dit artikel wijkt behoorlijk af van de manier waarop computational thinking normaal gesproken wordt ingevuld. De invulling zoals je die nu veel ziet is vooral gericht op verschillende aspecten die voortkomen uit programmeren. Dat is ook de manier waarop het IT-bedrijfsleven computational thinking propagandeert en waarvan de PO-raad zegt dat ze dit niet verplicht aan alle scholen wil opleggen. Ik ben benieuwd hoe anderen tegen deze invulling van computational thinking aankijken.
Tot slot
Voor de goede orde: ik heb ik dit artikel vooral gekeken naar de mogelijkheden van computational thinking binnen onderzoekend leren. De invulling van een onderzoekend leren project (rondom het weer) kan natuurlijk veel rijker zijn dan ik nu heb beschreven.
Ik heb in dit artikel ook nog geen specifieke groep benoemd waarvoor deze invulling van computational thinking geschikt is. Zelf denk ik aan een groep 8. Daarmee zou je ook direct na kunnen denken over de manier waarop deze invulling van computational thinking in de andere groepen vorm zou kunnen krijgen.
Comments
Leave a comment Trackback