Det finns flera olika sätt att definiera kritiskt tänkande, men ett gemensamt drag för defini- tionerna är att kritiskt tänkande handlar om att rationellt analysera den information som finns tillgänglig och att reflektera över den förvärvade kunskapen (Thompson, Martin, Richards & Branson, 2003). Datavetenskap- liga utbildningar omfattar både propositionell och icke-propositionell kunskap. Den propo- sitionella, teoretiska, kunskapen förmedlas till studenterna genom föreläsningar och kurslitteratur medan den icke-propositionella kunskapen, färdigheter, kan inte enbart för- medlas genom språklig kommunikation utan kräver även praktiska övningar (Johansson, 2003). Båda delarna, teorin och färdigheterna, är nödvändiga för en datavetare men som vi konstaterade tidigare har utbildningen ofta haft tyngdpunkten på det praktiska på bekostnad av en djupare reflektion över datavetenskapens grundläggande principer. Traditionellt har vetenskapsteorin fokuserat på den propositionella kunskapen som också kan uppfattas som ett mera problematiskt område. Att utvärdera icke-propositionella kunskaper kan i alla fall till synes vara lättare, speciellt om det huvudsakligen är resultatet, t.ex. ett utvecklat informationssystem, som ska bedö- mas (Johansson, 2003). Men i synnerhet om resultatet inte uppfyller de kriterier som har definierats för systemet är det fördelaktigt att ta ett steg bakåt och analysera och reflektera över själva arbetsprocessen och till slut även de principer och antaganden som ligger som grund till arbetet (Stahl & Brooke, 2008). Ett kritiskt förhållningssätt tillför en ny dimen- sion till utveckling av informationssystem och –processer.
Datavetenskap
Datavetenskap (Computer Science) kan sägas ha sina rötter ifrån 1940-talet då de första datamaskinerna utvecklades i USA och Eng- land (Denning, 2003). Själva datamaskinen
nivåer av skickligheter för att kunna utveckla system. Ur utbildningssynpunkt kan utgångs- punkten vara de så kallade ”core practices” (programmering, system, modellering och innovation). Att ha kompetens inom alla dessa fyra ”core practise” anses nödvändigt för att bli professionell inom ämnesområdet.
Programmering bör inte bara omfatta själva
förmågan att programmera utan också vad Denning (Denning, 2004) kallar ”algoritm- tänkande” – ett sätt att närma sig problem genom att designa algoritmer för att finna lösningen. Med ”System practice” åsyftas den mer ingenjörmässiga processen för att ta fram och sammanfoga krav, specifikationer, tester och prototyper. Här betonas också vad som brukas benämnas som systemtänkande. Inom den tredje kategoring av ”core practies”
modellering betonas vikten av experiment. Då
dagens informationssystem ofta är mycket komplexa behöver vi utföra experiment för att bättre förstå dessa system och processer i systemen. Modellering i det här samman- hanget avser användandet av olika verktyg för att designa experiment, datainsamling, testa hypoteser, uttrycka modeller samt förutsäga prestanda. Inom den fjärde och sista kategorin
innovation ryms förmågan att se möjligheter
till innovation i problem, det vill säga skick- ligheten att hjälpa människor att genomföra förändringar inom deras organisationer ge- nom användandet av IKT för att överbrygga upplevda problem.
Ramverket GPC beskriver dessutom två kategorier av principer – mechanics och design. Övergripande kan sägas att mecha-
nics innefattar de grundläggande lagar och
upprepningar som karakteriserar beräk- ningar (computations). Principen mechanics kan sedan delas upp i fem underkategorier; computation, communication, coordination, recollection och automation. Med den andra kategorin design avses både överenskommelser hur vi människor organiserar oss själva för att kunna bygga bra (computing) system samt överenskommelser kring själva arkitekturen, det vill säga hur man arrangerar systemets olika komponenter. Generellt kan sägas att
mechanics beskriver hur computations och
datorer fungerar och design beskriver hur man konstruerar systemet med hänsyn till både
tekniska och mänskliga aspekter.
Om man studerar principen mechanics underkategorier så kan det sägas att kategorin
computation lyfter fram såväl olika typer av
krav gällande minneskapacitet som tidsfakto- rer i samband med datorbaserade beräkningar. Kategorin innefattar också de praktiska och teoretiska begränsningar som existerar kring datorbaserat problemlösning. Kategorin Com-
munication innefattar bland annat kanalbrus
samt hur data representeras och överförs. Hur flera enheter ska kunna samarbeta för att uppnå ett gemensamt resultat tas upp inom kategorin coordination. Här betonas inte bara rent tekniska utmaningar utan också områden som computer-supported cooperative work (CSC�) samt människa-dator interaktion (MDI, HCI) omnämns. Inom kategorin
recollection återfinns utmaningar som hur
information och data ska kunna lagras och återskapas. Här nämns inte bara rent data- basbaserade system för detta ändamål utan även det länkbaserade världsomspännande nätverket som vi i mer vardagligt tal brukar omnämna som Internet. Kategorin Automa-
tion innefattar det inom computing som rör
området vad som faktiskt kan automatiseras, vilket också kan ses som en av de mest grundläggande frågorna inom computing. Inom automation berörs agentteknologier och artificiell intelligens (AI).
Inom den andra huvudprincipen design återfinns genomgripande aspekter såsom prestanda, säkerhet, rescilience (elastiscitet), enkelhet och utvecklingsbarhet. Men det handlar inte bara om design av själva arkitek- turen utan också processen hur vi ska kunna leverera ett acceptabelt resultat. Exempel på process principer är återanvändbarhet, prototyping, människo-centrerade metodo- logier samt process-centrerad metodologier. Designprinciperna är inte att betraktas som naturlagar utan kan istället ses som något som utvecklats övertid i den ständiga strävan att utveckla bra mjukvaror. Designprincipen kan också utryckas som att vi designar våra mekaniska/tekniska system (mechanical) för att de ska alstra effektiva beräkningar som möjligt.
Pilotstudie
I detta arbete föreslår vi ett upplägg där ett vetenskapligt förhållningssätt integreras i den datavetenskapliga utbildningen i form av flexi- bla moduler. Den grundläggande tanken är att dessa moduler löper som en röd tråd genom hela utbildningen och att de kan anpassas så att de motsvarar den aktuella kursens innehåll och progressionsnivå. Flexibiliteten innebär också att man kan ta hänsyn till studentens förkunskaper, förväntningar och inlärnings- stil. Vid introduktionen förvärvas studenten en översiktlig bild över vetenskapsfilosofi och det aktuella forskningsområdet. Dessa kunskaper fördjupas och fokuseras under utbildningens gång och utmynnar i ett exa- mensarbete där studenten självständigt kan söka och värdera kunskap och genomföra ett arbete som håller en hög vetenskaplig kvalité. Modulernas innehåll och upplägg är anpassat för både campus och distansstudier. Som ett parallellt spår till de utförda pilotstudierna gjorde vi en kompetenskartläggning inom lärarkollegiet där var och en fick definiera sina kompetenser.
Metoder
Pilotstudien omfattade fem olika kurser inom utbildningsområdet datavetenskap, fördelade på grundnivå (A-, B- och C-kurser) och på avancerad nivå (magisterkurs). Gemensamt för alla studenter var att det var första gången som de hade vetenskapsteoretiska inslag i sin utbildning. Det totala antalet kursdeltagare var 138, mera detaljerad fördelning på olika nivåer samt på campus respektive distans visas i tabell 1.
I samtliga kurser kombinerade undervisningen föreläsningar och seminarier där studenterna redovisade uppgifter och diskuterade frågor som handlade om ämnesområdets ontologi och epistemologi. Utöver dessa undervisnings- former hade alla kurser även ett moment där studenterna fick en genomgång av högskole- bibliotekets digitala informationsresurser och kunde därefter öva på att söka publikationer i bibliotekets databaser. En speciell uppgift kopplad till biblioteksbesöket på A- och B- nivå var att studenterna fick ta fram en ve- tenskaplig och en populärvetenskaplig artikel inom ett valfritt område och sedan jämföra artiklarnas innehåll och upplägg.
Studenterna på A- och B-nivå (kurs 1, 2 och 3) hade vetenskapsteori som ett delmoment i en större kurs, studenterna på C-nivå (kurs 4) kombinerade den teoretiska kursen med ett parallellt projektarbete där det vetenskapliga förhållningssättet var i fokus vid projektets genomförande och studenterna på magister- nivå (kurs 5) hade en separat, helt teoretisk kurs i vetenskapsteori och forskningsmetodik. Både kurs 4 och kurs 5 var placerade i utbild- ningen strax innan studenterna skulle skriva examensarbete.
Samtliga moment och kurser evaluerades i samband med den generella kursutvärde- ringen som hade formen av en anonym enkät. Enkäterna analyserades huvudsakligen kvali- tativt och när det gäller kurs 1 presenteras även vissa svarsfördelningar i kvantitativa tabeller. Ett annat forum som kunde användas för utvärdering och reflektion var programrådens möten, där både studenter och lärare var repre- senterade och kunde delta i gruppdiskussioner. Tabell 1. Fördelningen av studenter på olika nivåer samt på campus resp. distans
A B C D
Campus Distans Campus Campus Campus Totalt
Kurs 1 42 0 - - - 42 Kurs2 21 20 - - - 41 Kurs 3 - - 33 - - 33 Kurs 4 - - - 15 - 15 Kurs 5 - - - - 7 7 Totalt 63 20 33 15 7 138
De nya kursmomenten/kurserna presentera- des inom lärarkollegiet innan pilotstudien startade, och deras innehåll samt resultatet av pilotstudien har sedan diskuterats i både formella och informella möten.