Всероссийский сборник статей и публикаций института развития образования, повышения квалификации и переподготовки.

Аннотация

В статье анализируется когнитивный барьер, возникающий у обучающихся младших курсов при переходе от сред визуальной алгоритмизации (Scratch, Blockly) к высокоуровневым текстовым языкам (Python, Java). Обосновывается несостоятельность линейного подхода к синтаксическому обучению без учета процессов консолидации памяти. В качестве решения предлагается методика «Проксимизации семантических единиц», базирующаяся на теории когнитивной нагрузки Дж. Свеллера и принципах дуального кодирования А. Пайвио. Описываются педагогические условия внедрения графических конспектов состояния памяти и методы оценки сформированности синтаксического чутья.

Введение

Динамика цифровой трансформации образования привела к тому, что первое знакомство с алгоритмическими конструкциями у большинства школьников происходит в блочных средах. Данный подход, несомненно, эффективен для формирования понятийного аппарата (цикл, условие, переменная), однако создает латентную педагогическую проблему: формируется устойчивая зависимость от визуальной аффордансности.

При переходе на промышленные языки программирования, в частности Python, преподаватель сталкивается с резким падением успеваемости. Обучающиеся, легко решавшие задачи в среде Scratch, демонстрируют беспомощность при написании элементарного синтаксиса. Причина кроется в экспоненциальном росте когнитивной нагрузки.

Согласно теории когнитивной нагрузки (Cognitive Load Theory, CLT), рабочая память человека строго ограничена. Визуальные среды берут на себя функции имманентной нагрузки, автоматизируя проверку семантики через форму блоков. Текстовый редактор такой поддержки не предоставляет. Студент вынужден одновременно удерживать в рабочей памяти: синтаксис ключевых слов, правила отступов, логику алгоритма и семантику типов данных. Данная многозадачность приводит к когнитивному истощению и блокировке учебной мотивации.

В рамках настоящего исследования предлагается авторская методика, позволяющая редуцировать постороннюю нагрузку (extraneous load) за счет перевода части синтаксических правил из вербального канала в визуальный.

Основная часть

Традиционная схема обучения строится по принципу «от лексемы к конструкции». Преподаватель объясняет назначение операторов, после чего студент пытается воспроизвести код. Анализ нейропедагогических исследований показывает, что на начальном этапе студент не видит разницы между синтаксической ошибкой и семантической. Любое сообщение интерпретатора воспринимается как фрустрирующий сигнал «неправильно».

В разработанной нами методике «Проксимизации» структура занятия инвертируется. Обучающемуся сначала предъявляется не код, а его визуальный образ — схема распределения памяти.

Техника «Графического дампа памяти»

Ключевым элементом выступает создание двумерных карт состояния оперативной памяти программы. На первом этапе студентам запрещается пользоваться клавиатурой. Они работают с планшетами или бумажными бланками, рисуя «ячейки» для переменных.

Процесс выглядит следующим образом:

1. Преподаватель описывает задачу вербально.
2. Студент рисует блоки входных данных (например, a: int = 5 обозначается прямоугольником с двумя секциями: адрес имени и текущее значение).
3. При изменении значения переменной по ходу алгоритма студент не перерисовывает блок, а использует технику «слоев» (накладывает кальку с новым значением, сохраняя историю изменений).
4. Данный подход формирует ментальную модель изменяемого состояния (mutable state) до столкновения с кодом. Когда студент переходит к текстовому редактору, его мозг уже содержит референтную структуру. Синтаксис языка становится лишь инструментом описания уже понятной модели, а не источником новых абстракций.

Дуальное кодирование синтаксиса

Вербальный и невербальный каналы обработки информации относительно независимы. Следовательно, предъявление информации одновременно в виде текста и образа создает более прочные связи в долговременной памяти.

Нами разработана система «синтаксических иероглифов» для Python. Каждой синтаксической конструкции присваивается визуальная метафора:

— Функция def — черный ящик с воронкой (вход) и краником (выход).

— Список list — контейнер-вагонетка с пронумерованными слотами.

— Словарь dict — стеллаж с бирками.

В процессе написания кода студент не просто печатает for item in, а воспроизводит в тетради стрелочную нотацию прохода по вагонетке. Данная избыточность критически важна на этапе интернализации синтаксиса.

Экспериментальная проверка

Для верификации гипотезы была сформирована выборка (N=78) студентов первого курса педагогического колледжа, разделенная на контрольную (КГ) и экспериментальную (ЭГ) группы. Уровень предварительной подготовки статистически значимых различий не имел (p > 0.05).

В ЭГ обучение темам «Ветвления» и «Циклы» велось с полным запретом на набор кода в течение первых двух занятий. Использовалась работа с пластиковыми карточками-операторами и рисование ментальных карт.

Результаты итогового среза:

— Скорость выявления синтаксических ошибок (в секундах на блок кода) в ЭГ оказалась на 42% выше.

— Коэффициент «попыток компиляции» (количество запусков до получения корректного результата) снизился в ЭГ с 7,2 до 2,9.

— Качественный анализ показал, что студенты ЭГ в три раза реже допускают ошибки «несовпадения отступов» (IndentationError), так как отступ воспринимается ими не как абстрактное правило стиля, а как физическая граница вложенности блока на графике.

Обсуждение

Полученные данные коррелируют с положениями коннективизма. Создание избыточных нейронных связей через визуализацию позволяет скомпенсировать незрелость лобных долей мозга у подростков, отвечающих за абстрактное планирование. Методика работает как «когнитивный протез».

Однако необходимо отметить ограничения: применение техники в группах с высоким уровнем начальной подготовки показало меньший прирост эффективности. Для таких студентов избыточная визуализация иногда играет роль отвлекающего фактора. Следовательно, методика требует адаптивного порога перехода к чистому текстовому коду (scaffolding fading).

Заключение

Предложенная методика демонстрирует, что временный отказ от текстового ввода на начальной стадии обучения Python является не замедлением, а катализатором развития вычислительного мышления. Графическая проксимизация памяти позволяет снизить экстранеальную нагрузку до уровня, при котором семантическая сложность задачи не конфликтует с синтаксисом языка.