Udgivet i KI - Künstliche Intelligenz, German Journal of Artificial Intelligence 2022
En oversigtsartikel (engelsk), der indleder et kommende specialnummer om Learning Computational Thinking.
Forfattere: Nina Bonderup Dohn, Yasmin Kafai, Anders Mørch og Marco Ragni.
Uddrag af abstrakt (oversat fra engelsk)
Læring er central for både kunstig intelligens, maskiners læring og menneskelig intelligens, menneskelig læring. I denne artikel undersøger forfatterne forbindelsen mellem de to forståelser, og peger på behovet for uddannelse for at skabe forståelse for de udfordringer, som den stigende integration af AI i hverdagen udgør.
Rammesætning af Computational Thinking (herefter CT) som: kognitiv, situeret og kritisk, giver værdifulde indsigter i hvad CT kan og bør være, herunder de læringsperspektiver, som forskellene mellem dem inkarnerer. Forfatterne kombinerer de tre rammesætninger i én, som understreger, at
1. CT-aktiviteter involverer engagement i algoritmiske processer, og
2. blot at bruge en digital artefakt til en aktivitet, ikke er tilstrækkelig til at udgøre CT.
Forfatterne præsenterer et sæt tilgange til at lære CT.
Der argumenteres for betydningen af CT med hensyn til kunstig intelligens på tre punkter:
(i) Menneskelige udviklere bruger CT til at skabe og udvikle kunstig intelligens,
(ii) forståelse for hvordan mennesker lærer, kan berige kunstig intelligens, og
(iii) sådanne berigede systemer vil kunne forklares.
Afslutningsvis introduceres artiklerne i specialnummeret, med fokus på, hvordan de understøtter og udvikler temaerne i denne undersøgelse.
Citér
Dohn, N.B., Kafai, Y., Mørch, A. et al. Survey: Artificial Intelligence, Computational Thinking and Learning. Künstl Intell (2022). https://doi.org/10.1007/s13218-021-00751-5