Грамотність у роботі з даними та обчислювальне мислення вчителів природничих дисциплін середньої школи: кількісне дослідження рівнів, відмінностей та інтеграції у навчальний процес
DOI:
https://doi.org/10.17309/jltm.2026.7.2.06Ключові слова:
грамотність у роботі з даними, обчислювальне мислення, природнича освіта, інтеграція у навчальний процес, учителі середньої школиАнотація
Мета. У дослідженні вивчено рівні грамотності у роботі з даними (DL) та навичок обчислювального мислення (CT) серед учителів природничих дисциплін середньої школи, ступінь їх інтеграції у викладання природничих дисциплін, а також взаємозв’язки між цими компетентностями та їх інтеграцією у навчальний процес.
Матеріали та методи. У дослідженні описово-кореляційного дизайну взяли участь 53 учителі природничих дисциплін середніх шкіл провінції Масбате, Філіппіни. Учасники заповнили три розроблені авторами інструменти типу шкали Лайкерта для оцінювання DL, CT та інтеграції DL-CT у викладання природничих дисциплін. Дані аналізували за допомогою середніх значень і стандартних відхилень, критерію знакових рангів Вілкоксона та рангової кореляції Спірмена.
Результати. Учителі оцінили свій рівень як компетентний щодо DL (M = 3,92; SD = 0,63) і CT (M = 3,84; SD = 0,64); різниця між цими показниками була статистично значущою (W = 288,00; p = 0,040; r = 0,28). Учителі повідомили про високий рівень інтеграції DL-CT у навчальний процес (M = 3,90; SD = 0,82). Кореляційний аналіз Спірмена виявив сильні позитивні зв’язки інтеграції як із DL (rs = 0,740), так і з CT (rs = 0,757), в обох випадках p < 0,001. Алгоритмічне мислення мало найсильніший окремий зв’язок з інтеграцією (rs = 0,785).
Висновки. Учителі природничих дисциплін середньої школи продемонстрували компетентний, але неоднорідний рівень грамотності у роботі з даними та обчислювального мислення, при цьому відносно слабшими аспектами були абстрагування та доступ до обчислювальних інструментів. Обидві компетентності відіграють суттєву та взаємодоповнювальну роль в інтегрованому викладанні природничих дисциплін. Рекомендовано цільове професійне вдосконалення, спрямоване на розвиток виявлених слабших аспектів.
Завантаження
Посилання
National Research Council. (2012). A framework for K-12 science education: Practices, disciplinary core ideas, and crosscutting concepts. The National Academies Press. https://doi.org/10.17226/13165 DOI: https://doi.org/10.17226/13165
Weintrop, D., Beheshti, E., Horn, M., Orton, K., Jona, K., Trouille, L., & Wilensky, U. (2016). Defining computational thinking for mathematics and science classrooms. Journal of Science Education and Technology, 25(1), 127–147. https://doi.org/10.1007/s10956-015-9581-5 DOI: https://doi.org/10.1007/s10956-015-9581-5
Ridsdale, C., Rothwell, J., Smit, M., Ali-Hassan, H., Bliemel, M., Irvine, D., Kelley, D., Matwin, S., & Wuetherick, B. (2015). Strategies and best practices for data literacy education: Knowledge synthesis report. Dalhousie University. https://doi.org/10.13140/RG.2.1.1922.5044
Kjelvik, M.K., & Schultheis, E.H. (2019). Getting messy with authentic data: Exploring the potential of using primary scientific data in K-12 education. CBE—Life Sciences Education, 18(2), Article es2. https://doi.org/10.1187/cbe.18-11-0220 DOI: https://doi.org/10.1187/cbe.18-02-0023
NGSS Lead States. (2013). Next generation science standards: For states, by states. The National Academies Press. https://doi.org/10.17226/18290 DOI: https://doi.org/10.17226/18290
Wing, J.M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215 DOI: https://doi.org/10.1145/1118178.1118215
Kramer, J. (2007). Is abstraction the key to computing? Communications of the ACM, 50(4), 36–42. https://doi.org/10.1145/1232743.1232745 DOI: https://doi.org/10.1145/1232743.1232745
Wing, J.M. (2008). Computational thinking and thinking about computing. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 366(1881), 3717–3725. https://doi.org/10.1098/rsta.2008.0118 DOI: https://doi.org/10.1098/rsta.2008.0118
Guzdial, M. (2008). Education paving the way for computational thinking. Communications of the ACM, 51(8), 25–27. https://doi.org/10.1145/1378704.1378713 DOI: https://doi.org/10.1145/1378704.1378713
Grover, S., & Pea, R. (2013). Computational thinking in K-12: A review of the state of the field. Educational Researcher, 42(1), 38–43. https://doi.org/10.3102/0013189X12463051 DOI: https://doi.org/10.3102/0013189X12463051
Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905 DOI: https://doi.org/10.1145/1929887.1929905
Lee, V.R. (2025). Advancing data science education in K-12: Foundations, research, and innovations. Routledge.
Carlson, J., Fosmire, M., Miller, C.C., & Sapp Nelson, M.R. (2011). Determining data information literacy needs: A study of students and research faculty. portal: Libraries and the Academy, 11(2), 629–657. https://doi.org/10.1353/pla.2011.0022 DOI: https://doi.org/10.1353/pla.2011.0022
Department of Education. (2016). K to 12 curriculum guide: Science (Grades 3-10). Department of Education, Republic of the Philippines.
Calzada Prado, J., & Marzal, M.Á. (2013). Incorporating data literacy into information literacy programs: Core competencies and contents. Libri, 63(2), 123–134. https://doi.org/10.1515/libri-2013-0010 DOI: https://doi.org/10.1515/libri-2013-0010
Pastore, S. (2026). Teacher data literacy: A scoping review (2020–2024). Cogent Education, 13(1), Article 2592397. https://doi.org/10.1080/2331186X.2025.2592397 DOI: https://doi.org/10.1080/2331186X.2025.2592397
Mandinach, E.B., & Schildkamp, K. (2021). Misconceptions about data-based decision making in education: An exploration of the literature. Studies in Educational Evaluation, 69, Article 100842. https://doi.org/10.1016/j.stueduc.2020.100842 DOI: https://doi.org/10.1016/j.stueduc.2020.100842
Sandoval-Ríos, F., Gajardo-Poblete, C., & López-Núñez, J.A. (2025). Role of data literacy training for decision-making in teaching practice: A systematic review. Frontiers in Education, 10, Article 1485821. https://doi.org/10.3389/feduc.2025.1485821 DOI: https://doi.org/10.3389/feduc.2025.1485821
Bach, B., Keck, M., Rajabiyazdi, F., Losev, T., Meirelles, I., Dykes, J., Laramee, R.S., AlKadi, M., Stoiber, C., Huron, S., Perin, C., Morais, L., Aigner, W., Kosminsky, D., Boucher, M., Knudsen, S., Manataki, A., Aerts, J., Hinrichs, U., Roberts, J.C., & Carpendale, S. (2024). Challenges and opportunities in data visualization education: A call to action. IEEE Transactions on Visualization and Computer Graphics, 30(1), 649–660. https://doi.org/10.1109/TVCG.2023.3327378 DOI: https://doi.org/10.1109/TVCG.2023.3327378
Fernandez Nieto, G., Kitto, K., Drachsler, H., & Buckingham Shum, S. (2022). Beyond the learning analytics dashboard: Alternative ways to communicate student data insights combining visualisation, narrative and storytelling. British Journal of Educational Technology, 53(2), 249–270. https://doi.org/10.1111/bjet.13165 DOI: https://doi.org/10.1111/bjet.13165
Wilkerson, M.H., Kim, J., Lee, H.S., Stokes, D.J., & Ferrell, M. (2025). How teachers envision using data visualization discussion tasks in classroom instruction. International Journal of Science and Mathematics Education, 23(7), 2653–2687. https://doi.org/10.1007/s10763-024-10521-y DOI: https://doi.org/10.1007/s10763-024-10521-y
Oser, M., Geyer, C., & Gruber, H. (2025). Teaching and assessing abstraction in K-12 computational thinking education: A systematic literature review. Computer Applications in Engineering Education, 33(1), Article e70073. https://doi.org/10.1002/cae.70073 DOI: https://doi.org/10.1002/cae.70073
Asif, A.D., Malik, H., Orrill, C.H., Balasubramanian, R., & Kayumova, S. (2024). Computational thinking: Teachers’ practice of abstraction, Part II. In Proceedings of the Society for Information Technology & Teacher Education International Conference (pp. 1234–1240). Association for the Advancement of Computing in Education (AACE).
Asif, A.D., Malik, H., Orrill, C.H., Balasubramanian, R., & Kayumova, S. (2023). Computational thinking: Teachers’ practice of abstraction (NSF-funded research report). National Science Foundation. https://par.nsf.gov/ DOI: https://doi.org/10.22318/icls2024.877800
Mertens, A.J., & Colunga, E. (2025). Assessing cognitive components of computational thinking. Frontiers in Psychology, 16, Article 1434453. https://doi.org/10.3389/fpsyg.2025.1434453 DOI: https://doi.org/10.3389/fpsyg.2025.1434453
Kong, S.C., Lai, M., & Sun, D. (2020). Teacher development in computational thinking: Design and learning outcomes of programming concepts, practices and pedagogy. Computers & Education, 151, Article 103872. https://doi.org/10.1016/j.compedu.2020.103872 DOI: https://doi.org/10.1016/j.compedu.2020.103872
Rich, K.M., Yadav, A., & Larimore, R.A. (2021). Teacher implementation profiles for integrating computational thinking into elementary mathematics and science instruction. Education and Information Technologies, 26(4), 3169–3196. https://doi.org/10.1007/s10639-020-10424-5 DOI: https://doi.org/10.1007/s10639-020-10115-5
Hsu, T.C., Chang, C., & Hung, Y.T. (2024). Supporting K-12 teachers in integrating computational thinking into classrooms: A systematic review. International Journal of STEM Education, 11, Article 47. https://doi.org/10.1186/s40594-024-00510-6 DOI: https://doi.org/10.1186/s40594-024-00510-6
Coenraad, M., Cabrera, L., Killen, H., Plane, J., & Ketelhut, D.J. (2022). Computational thinking integration in elementary teachers’ science lesson plans. In Proceedings of the 53rd ACM Technical Symposium on Computer Science Education V. 1 (pp. 11–18). Association for Computing Machinery. https://doi.org/10.1145/3507951.3519283 DOI: https://doi.org/10.1145/3507951.3519283
Moon, P.F., Himmelsbach, J., Weintrop, D., & Walkoe, J. (2023). Developing preservice teachers’ intuitions about computational thinking in a mathematics and science methods course. Journal of Pedagogical Research, 7(2), 15–32. https://doi.org/10.33902/JPR.202318636 DOI: https://doi.org/10.33902/JPR.202318599
UNESCO. (2023). Technology in education: A tool on whose terms? Global education monitoring report 2023. https://gem-report-2023.unesco.org/technology-in-education/
Angeli, C., Voogt, J., Fluck, A., Webb, M., Cox, M., Malyn-Smith, J., & Zagami, J. (2016). A K-6 computational thinking curriculum framework: Implications for teacher knowledge. Educational Technology & Society, 19(3), 47–57.
Kadioglu-Akbulut, C., Cetin-Dindar, A., Acar-Sesen, B., & Küçük, S. (2023). Predicting preservice science teachers’ TPACK through ICT usage. Education and Information Technologies, 28(9), 11269–11289. https://doi.org/10.1007/s10639-023-11657-0 DOI: https://doi.org/10.1007/s10639-023-11657-0
Lim, B., Lake, V., Beisly, A., & Ross-Lightfoot, R. (2023). Preservice teachers’ TPACK growth after technology integration courses in early childhood education. Early Education and Development, 35(1), 114–131. https://doi.org/10.1080/10409289.2023.2224219 DOI: https://doi.org/10.1080/10409289.2023.2224219
Cui, Y., & Zhang, H. (2022). Integrating teacher data literacy with TPACK: A self-report study based on a novel framework for teachers’ professional development. Frontiers in Psychology, 13, Article 966575. https://doi.org/10.3389/fpsyg.2022.966575 DOI: https://doi.org/10.3389/fpsyg.2022.966575
Piaget, J. (1952). The origins of intelligence in children. International Universities Press. DOI: https://doi.org/10.1037/11494-000
Vygotsky, L.S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Etikan, I., Musa, S.A., & Alkassim, R.S. (2016). Comparison of convenience sampling and purposive sampling. American Journal of Theoretical and Applied Statistics, 5(1), 1–4. https://doi.org/10.11648/j.ajtas.20160501.11 DOI: https://doi.org/10.11648/j.ajtas.20160501.11
Creswell, J.W. (2014). Research design: Qualitative, quantitative, and mixed methods approaches (4th ed.). SAGE Publications.
Wild, C.J., & Pfannkuch, M. (1999). Statistical thinking in empirical enquiry. International Statistical Review, 67(3), 223–248. https://doi.org/10.1111/j.1751-5823.1999.tb00442.x DOI: https://doi.org/10.1111/j.1751-5823.1999.tb00442.x
George, D., & Mallery, P. (2019). IBM SPSS statistics 26 step by step: A simple guide and reference (16th ed.). Routledge. DOI: https://doi.org/10.4324/9780429056765
Amini, S., & Sinaga, P. (2021). Inventory of scientific literacy ability of junior high school students based on the evaluation of PISA framework competency criteria. Journal of Physics: Conference Series, 1806(1), Article 012017. https://doi.org/10.1088/1742-6596/1806/1/012017 DOI: https://doi.org/10.1088/1742-6596/1806/1/012017
Mumcu, F., Uslu, N.A., & Yildiz, B. (2023). Teacher development in integrated STEM education: Design of lesson plans through the lens of computational thinking. Education and Information Technologies, 28(3), 3443–3474. https://doi.org/10.1007/s10639-022-11342-8 DOI: https://doi.org/10.1007/s10639-022-11342-8
Yadav, A., Mayfield, C., Zhou, N., Hambrusch, S., & Korb, J.T. (2014). Computational thinking in elementary and secondary teacher education. ACM Transactions on Computing Education, 14(1), 1–16. https://doi.org/10.1145/2576872 DOI: https://doi.org/10.1145/2576872
Rodrigues, R.N., Costa, C., & Martins, F. (2024). Integration of computational thinking in initial teacher training for primary schools: A systematic review. Frontiers in Education, 9, Article 1330065. https://doi.org/10.3389/feduc.2024.1330065 DOI: https://doi.org/10.3389/feduc.2024.1330065
Tariq, R., Aponte Babines, B.M., Ramirez, J., Alvarez-Icaza, I., & Naseer, F. (2025). Computational thinking in STEM education: Current state-of-the-art and future research directions. Frontiers in Computer Science, 6, Article 1480404. https://doi.org/10.3389/fcomp.2024.1480404 DOI: https://doi.org/10.3389/fcomp.2024.1480404
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
Bocconi, S., Chioccariello, A., Kampylis, P., Dagienė, V., Wastiau, P., Engelhardt, K., Earp, J., Horvath, M.A., Jasutė, E., Malagoli, C., Masiulionytė-Dagienė, V., & Stupurienė, G. (2022). Reviewing computational thinking in compulsory education. Publications Office of the European Union. https://doi.org/10.2760/126955
Filderman, M.J., Toste, J.R., Didion, L., & Peng, P. (2022). Data literacy training for K–12 teachers: A meta-analysis of the effects on teacher outcomes. Remedial and Special Education, 43(5), 328–343. https://doi.org/10.1177/07419325211054208 DOI: https://doi.org/10.1177/07419325211054208
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 John Carlo Mortel, Erdee Cajurao
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
