《Educational Research Review》：Fostering Computational Thinking through Robotics in Kindergarten: A Systematic Review of Learning Strategies, Frameworks, and Assessment
编辑推荐：
基于问题的学习（Problem-based learning）、故事讲述（Storytelling）和支架式教学（Scaffolding）支持幼儿园的计算思维（Computational Thinking, CT）发展。早期儿童CT框架很少被应用；大多数研究报
基于问题的学习（Problem-based learning）、故事讲述（Storytelling）和支架式教学（Scaffolding）支持幼儿园的计算思维（Computational Thinking, CT）发展。早期儿童CT框架很少被应用；大多数研究报告未使用任何框架。幼儿园中的CT研究侧重于概念（Concepts）和实践（Practices），而非视角（Perspectives）。大多数幼儿园CT评估工具（Assessment tools）是临时性的（ad hoc），缺乏正式验证（Formal validation）。该综述呈现了幼儿园中使用的CT评估工具的分类。
1. Introduction
该部分强调了计算思维（Computational Thinking, CT）作为适应变化世界的关键技能，其重要性不亚于读写和算术能力。教育机器人（Educational Robotics, ER）通过提供具体、动手和互动的学习体验，有助于幼儿园儿童（4-6岁）的CT发展。现有综述主要关注机器人类型、活动特征、CT维度及评估，但缺乏对幼儿园阶段学习策略、CT框架、CT技能分类及最新评估工具的系统记录。本研究旨在通过描述性分析和内容分析填补这一空白，支持研究设计、教学规划和课程开发。
1.1. Defining CT
CT最初由Papert提出，Wing将其定义为利用计算概念解决问题、设计系统和理解人类行为的思维过程，并强调其作为通用技能应融入早期教育。由于缺乏统一定义，研究者提出了多种CT框架，如Angeli等针对K-6的框架和Palop等针对K-12的框架，这些框架在技能涵盖范围上存在差异。CT的操作化定义对幼儿园教学至关重要，因不同年龄段的认知和社会发展水平不同。
1.2. Computational thinking in kindergarten
幼儿园是正式教育的起点，儿童通过游戏和探索构建知识。CT技能有助于儿童应对日常挑战，年龄适宜的技术（如教育机器人、虚拟编程、不插电活动）能促进CT发展。研究表明，儿童在挑战性和以儿童为中心的活动中，通过插电和不插电方式发展CT。
1.3. Reviews on CT in kindergarten
已有综述（如McCormick和Hall、Bati、Su和Yang、Martins等）指出，幼儿园CT研究多采用物理套件和任务导向活动，CT技能以序列、调试、连接和表达为主；研究方法以定量和混合方法为主；但缺乏有效可靠的评估工具，且CT维度研究不均衡，概念研究多于实践和视角。
1.4. Educational robotics and CT in kindergarten
教育机器人（ER）指在教育环境中使用的机器人设备，如Beebot、KIBO、Ozobot等，通过按钮、编码块、磁力贴或彩色代码编程。ER支持儿童在玩耍中发展自我效能、问题解决能力、执行功能技能、协作、沟通、批判性思维和创造力。通过机器人活动，儿童参与计划、测试、调试和修订，符合建构主义和社会文化理论，将抽象概念转化为具体学习体验。
1.5. Prior reviews on CT and ER in kindergarten
少数综述专门关注CT与机器人。Umam等总结了商业机器人的优缺点；Bakala等发现Beebot最常用，活动以小组形式进行，评估以临时性工具为主；Seckel等发现教师围绕“机器人问题”设计数学任务，强调协作；Alonso-García等的元分析显示ER对CT有积极影响但异质性高。现有综述覆盖年龄范围广，缺乏对幼儿园学习策略、CT框架、CT技能和评估工具的详细记录。
1.6. Scope of the current study
本综述旨在识别幼儿园中通过机器人发展CT的学习策略、应用的CT框架、研究者考察的CT技能以及评估方法和工具，以指导未来研究。论文结构包括方法论、结果、讨论、局限性和结论。
2. Methodology
采用Kitchenham和Charters的系统综述指南，依据PRISMA标准报告。研究分为五个阶段：研究问题制定、搜索策略设计、研究选择、数据提取和数据合成。
2.1. Research question formulation
提出四个研究问题：（1）幼儿园中通过机器人发展CT使用了哪些学习策略？（2）应用了哪些CT框架？（3）考察了哪些CT技能？（4）使用了哪些评估方法和工具？
2.2. Search strategy
在Science Direct、Scopus、SpringerLink、IEEE、ERIC、Web of Science和ACM七个数据库中检索，时间范围2015年1月1日至2025年6月30日，后更新至2026年3月。使用布尔逻辑搜索词：（“computational thinking”）AND（robot*）AND（kindergarten OR preschool OR “early years” OR “early childhood” OR “young children”），共获得2306篇文献。
2.3. Study selection
根据纳入排除标准分阶段筛选。排除非英语、非同行评审、重复文献；标题摘要筛除无关主题（如教师培训、人工智能、特殊需求等）；全文筛选后保留53篇（45篇初检，8篇更新），均涉及幼儿园通过机器人发展CT。
2.4. Data extraction
使用Excel表格提取出版年份、国家、研究方法、学习策略、CT框架、CT技能、机器人类型、评估类型、设计、对照组及评估工具等数据。
2.5. Data synthesis
采用描述性合成和归纳内容分析，编码方案基于研究问题，参考Hsu等（2018）的学习策略分类和Zeng等（2023）的CT技能分类。两位研究者独立编码，经试点编码和讨论后达成81%的评分者间信度。
3. Results
3.1. Distribution of studies
按出版年份，2019至2026年发表量显著增长，2015-2016年无相关研究。按国家，中国（26%）、西班牙（13%）、美国（9%）位居前列。按研究方法，定量方法（25篇）和混合方法（19篇）为主，纯定性方法较少（17%）。
3.2. Learning strategies for CT development
基于Hsu等（2018）的16种分类，结合文献新增策略，共识别13种学习策略。问题导向学习（Problem-based learning，21篇）最常用，其次是故事讲述（Storytelling，17篇）、支架式教学（Scaffolding，11篇）和游戏化学习（Play-based learning，9篇）。协作学习、项目式学习、游戏化学习等也有应用。超过一半的研究（26/50）采用多种策略组合，常见组合如问题导向学习与故事讲述、问题导向学习与支架式教学等。三篇研究未提及任何学习策略。
3.3. CT framework
识别出四种CT框架：Brennan和Resnick（2012）框架、Bers（2018）框架、Zeng等（2023）框架和Shute等（2017）框架。其中，Bers和Zeng的框架专门针对幼儿园。然而，65%的研究未明确指定任何CT框架。分解和调试是所有框架中共有的技能。
3.4. CT skills
基于Zeng等（2023）的三维框架，共识别15种CT技能和4种CT相关社会情感倾向。CT概念和CT实践研究多于CT视角。调试（Debugging，21篇）、序列（Sequences，18篇）和算法设计（Algorithmic design，17篇）是最常见的技能，而控制结构、自动化、坚持和选择行为等较少出现。整体CT（Total CT）作为单一技能在26篇中被考察。最常用的机器人是Beebot（25%）、Matatalab（17%）、KIBO（11%）和Cubetto（9%），不同机器人关联的CT技能有所差异。
3.5. CT assessment
评估方法多样，传统选择反应测试和观察法最常用，现场日记和教师日志最少。33篇采用前-后测设计，仅19篇包含对照组。评估工具分为三类：整体CT工具（如TechCheck-K、TechCheck）、CT维度工具（如TACTIC-KIBO、Solve-Its任务）和通用工具（如Mosaic方法、视频分析软件）。多数工具为临时性开发，仅少数经过正式验证，如TechCheck-K和TechCheck。
4. Discussion
本综述发现，问题导向学习、故事讲述、支架式教学和游戏化学习是幼儿园机器人辅助CT发展的主要策略，常组合使用。这与Ching和Hsu（2023）的发现不同，可能因后者涵盖更广年龄范围。CT框架应用不足，多数研究未使用框架，表明实践进展快于概念化。Brennan和Resnick框架虽非为幼儿园设计，但被广泛采用。CT技能研究偏重概念和实践，忽视视角，可能因评估困难。调试、序列和算法设计最常考察，因其具体可观察。机器人类型影响CT技能重点，如KIBO和Matatalab与调试关联强，Beebot与整体CT关联强。术语使用不一致，如“分解”与“模块化”混用，需统一。评估工具多样但缺乏验证，对照组研究不足，限制了结论的稳健性。
5. Limitations
本综述局限包括：仅检索7个数据库，未纳入注册库中的未发表研究；排除了特殊需要儿童群体，可能影响对CT学习的全面理解。
6. Conclusion
本综述综合了幼儿园通过机器人发展CT的学习策略、CT框架、CT技能和评估工具的证据。问题导向学习、故事讲述、支架式教学和游戏化学习是主要策略，CT框架应用不足，CT技能偏重概念和实践，评估工具多为临时性。未来需开发并验证适合幼儿园的评估工具，统一CT术语，加强CT视角研究，并增加含对照组的研究。本综述为研究者、教师和政策制定者提供了指导。
