Как мы учим: методичка для преподавателей

Зачем эта страница

Преподавание — такая же инженерная дисциплина, как программирование: у неё есть проверенные приёмы, измеримые эффекты и известные ошибки. Курс, собранный «по ощущениям», часто выглядит солидно, но ученики бросают его на третьем модуле или доходят до конца, так и не научившись писать код сами.

Поэтому один принцип на всю страницу:

Ниже — главные идеи с источниками. Не нужно читать всё из списка литературы: достаточно понять идею и знать, куда копать, если тема заинтересует.

Начинаем с цели, а не с материала

Самая частая ошибка — начать с вопроса «что я расскажу». Надёжнее идти в обратную сторону. Этот подход называют обратным проектированием (Backward design, Wiggins и McTighe^[2]):

1. Что ученик будет уметь после модуля? Не «знать про циклы», а «написать цикл, который считает сумму элементов списка».
2. Как мы это проверим? Какая задача или вопрос докажут, что ученик умеет?
3. Только потом — что объяснить, чтобы ученик справился с этой проверкой.

Цели, задания и проверка должны совпадать. Джон Биггс назвал это согласованием (constructive alignment^[3]). Если в теории объяснили синтаксис, а в задаче требуется придумать алгоритм, ученик проваливается не потому, что глупый, а потому, что проверяют то, чему не учили.

На практике: в описании модуля 2–4 цели, каждая начинается с глагола («напишет», «найдёт ошибку», «сравнит»). К каждой цели — хотя бы одна задача или вопрос.

Таксономия Блума: какие бывают цели

Чтобы цель была проверяемой, удобно пользоваться пересмотренной таксономией Блума (Anderson и Krathwohl, 2001^[1]). Она делит учебные цели на шесть уровней от простого к сложному. Каждый следующий уровень опирается на предыдущие, поэтому в курсе нужны все — но нельзя застревать на первых двух.

Хороший модуль поднимается по лестнице: несколько вопросов на понимание, затем задачи на применение, в конце — задача, где нужно соединить несколько тем. Если все задачи курса — «перепиши пример с другими числами», ученик дойдёт до конца, но не сможет написать программу с нуля.

Структура урока

Дэвид Меррилл сравнил десятки моделей обучения и выделил общие для них «первые принципы»^[4]. Обучение работает лучше, когда ученик решает реальную задачу и проходит четыре фазы:

1. Активация — вспомнить, что уже известно. Одна-две фразы: «В прошлом уроке мы хранили одно число в переменной. А если чисел сто?»
2. Демонстрация — показать, а не только рассказать: пример кода и что он выводит.
3. Применение — ученик делает сам и получает обратную связь. У нас это задачи и тесты.
4. Интеграция — использовать новое в своём контексте: задача «сделай для своих данных», связь со следующей темой.

Похожую последовательность описал Роберт Ганье в «девяти событиях обучения»^[5]: привлечь внимание, сообщить цель, напомнить пройденное, дать материал, сопроводить, дать попробовать, дать обратную связь, проверить, закрепить.

Как это ложится на наш урок:

Когнитивная нагрузка: почему меньше — лучше

Рабочая память человека маленькая: одновременно в ней удерживается несколько новых элементов. Теория когнитивной нагрузки Джона Свеллера^[6] объясняет, почему новичок «теряется» в уроке, где сразу новые синтаксис, понятие и задача. Выводы для курса:

• Одна новая идея на урок. Тема большая — делите на несколько уроков.
• Сначала разобранный пример, потом задача. Новичку полезнее изучить готовое решение с пояснениями, чем сразу решать самому (эффект разобранного примера, Sweller и Cooper^[7]).
• Постепенно убирайте подсказки. То, что помогает новичку, мешает тому, кто уже разобрался (эффект обращения экспертности, Kalyuga^[8]). В первых задачах модуля — заготовка с почти готовым кодом, в последних — пустой редактор.
• Без лишнего. Ричард Майер в исследованиях мультимедийного обучения^[9] показал: декоративные картинки, посторонние истории и «интересные факты» не по теме ухудшают усвоение. Картинка в уроке — если она объясняет (схема памяти, блок-схема), а не украшает.
• Объяснение рядом с тем, что объясняют. Комментарий к строке кода — на этой строке или сразу под примером, а не тремя абзацами ниже.

Как учить именно программированию

У обучения программированию есть своя исследовательская область (computing education research). Несколько приёмов из неё, которые легко сделать на нашей платформе.

PRIMM: сначала читать, потом писать

Методика PRIMM (Сью Сентанс и соавторы^[10]) — пять шагов работы с кодом:

1. Predict — предскажи, что выведет код, не запуская его.
2. Run — запусти и сравни с предсказанием.
3. Investigate — разберись, как он работает: что будет, если поменять эту строку?
4. Modify — измени код под новую задачу.
5. Make — напиши похожую программу с нуля.

У нас: Predict — тест «что напечатает этот код?», Run и Investigate — пример в теории, Modify — задача с рабочей заготовкой, которую нужно изменить, Make — задача с пустым редактором.

Задачи Парсонса

Ученик получает правильные строки кода в перемешанном порядке и должен расставить их (Parsons и Haden^[11]). Синтаксис уже дан, остаётся логика — хороший промежуточный шаг между чтением и написанием. Отдельного типа задачи для этого нет: положите перемешанные строки в заготовку и проверяйте по выводу.

Подписи подцелей

В разобранном примере подпишите не каждую строку, а шаги решения: «1. Читаем данные», «2. Перебираем элементы», «3. Выводим результат». Исследования Лорен Маргулье с коллегами^[12] показали, что такие подписи помогают перенести решение на новые задачи: ученик запоминает структуру, а не конкретный код.

Что происходит внутри

Многие ошибки новичков — от неверного представления о том, как выполняется программа: «переменная хранит формулу», «цикл выполняется один раз». Бенедикт дю Булэ назвал упрощённую модель исполнения «условной машиной» (notional machine^[13]). Показывайте её явно: таблица значений переменных по шагам, схема «имя → значение», пошаговый разбор цикла.

Самая практичная книга на эту тему — «Teaching Tech Together» Грега Уилсона^[14]: она бесплатна и написана для тех, кто учит программированию, не будучи профессиональным педагогом.

Задачи и тесты

Задачи и тесты — не только проверка, но и сам способ учиться. Вот три наиболее подтверждённых эффекта из когнитивной психологии (обзор — Dunlosky и соавторы^[15]):

• Практика извлечения. Вспоминать полезнее, чем перечитывать: после теста материал помнится дольше, чем после повторного чтения (Roediger и Karpicke^[16]). Поэтому тест после теории — обязательная часть урока, а не формальность.
• Интервальное повторение. Повторение с перерывами работает лучше, чем подряд (Cepeda и соавторы^[17]). Возвращайте старые темы в задачах поздних модулей: в задаче про словари пусть пригодится цикл из второго модуля.
• Чередование. Задачи разных типов вперемешку учат выбирать подходящий приём, а не повторять последний (Rohrer и Taylor^[18]). В итоговой задаче модуля не говорите, какую тему применять.

Хороший тест с вариантами

• Неверные варианты — это типичные ошибки учеников, а не очевидная ерунда. Тогда выбор неверного ответа говорит, какое заблуждение у ученика.
• Пояснение к ответу объясняет, почему так, — это и есть обратная связь.
• Вопросы «что напечатает код» лучше вопросов «как называется оператор»: они проверяют понимание, а не память на термины.

Хорошая задача с автопроверкой

• Условие проверяет ровно то, что объяснили в уроке (согласование).
• Сообщение о проваленном тесте помогает: «для пустого списка ожидали 0, получили None», а не просто «неверно».
• Тесты не дают подогнать ответ под один пример.

Как всё это технически собрать — в справке «Задачи с автопроверкой кода».

Особенности онлайн-обучения

Онлайн-ученик учится один, в любое время и бросает тихо — просто перестаёт заходить. Что с этим делать, подсказывают две известные модели.

Модель Community of Inquiry (Garrison, Anderson и Archer^[19]) выделяет три «присутствия», без которых онлайн-обучение не складывается:

• Преподавательское — чувствуется, что курс ведёт человек: понятная структура, ваш голос в тексте, ответы на жалобы и вопросы.
• Социальное — ученик не один: сообщество, обсуждения.
• Познавательное — ученик думает и решает, а не только читает.

Пятиступенчатая модель Джилли Салмон^[20] описывает путь онлайн-ученика: освоиться и мотивироваться → найти своих → обмениваться информацией → строить знания → развиваться самостоятельно. Первые шаги важнее всего: если ученик не разобрался, как всё устроено, дальше он не пойдёт.

Выводы для курса:

• Быстрый первый успех. В первом уроке ученик уже запускает свой код и получает «решено».
• Короткие уроки. Урок, который проходится за 15–20 минут, легче вписать в день.
• Отвечайте на жалобы. Жалоба на урок — бесплатное тестирование курса. Быстрый ответ — и есть преподавательское присутствие.

XP, уровни и стрики на платформе поддерживают привычку, но не заменяют интересную задачу. Геймификация — это игровые элементы в неигровом контексте (Deterding и соавторы^[21]), и она работает, только если под ней есть содержательная учёба.

Технологии и ИИ

SAMR: что технология меняет в задании

SAMR (Рубен Пуэнтедура) делит использование технологий на четыре уровня: замена (Substitution) — то же, что на бумаге; улучшение (Augmentation) — то же, но с новыми удобствами; преобразование (Modification) — задание заметно меняется; переосмысление (Redefinition) — то, что без технологии невозможно. Модель популярна, но научных проверок у неё мало^[22], поэтому пользуйтесь ей как вопросом к себе, а не как стандартом: «технология в этом уроке что-то меняет или просто переносит учебник на экран?»

Автопроверка кода — пример преобразования: ученик получает обратную связь за секунды и может пробовать, пока не получится. Видео, повторяющее текст урока, — замена.

TPACK: какие знания нужны преподавателю

Ли Шульман ещё в 1986 году заметил^[29]: знать предмет и знать педагогику по отдельности недостаточно. Нужно особое знание на их стыке — как объяснять именно этот предмет, какие ошибки в нём типичны и какие примеры срабатывают. Он назвал его педагогическим знанием содержания (PCK). Пунья Мишра и Мэтью Кёлер добавили третью составляющую — технологию — и получили модель TPACK (Technological Pedagogical Content Knowledge^[23]).

В модели три базовых вида знаний и четыре их пересечения. Хороший урок рождается в центре, где сходятся все три.

Чаще всего у авторов курсов сильнее всего CK: они отлично знают язык. Слабое место — PCK, знание того, где новички спотыкаются. Его можно быстро нарастить: посмотрите в «Аналитике» задачи, где много попыток и мало решивших, прочитайте жалобы и вопросы к ИИ. Это и есть карта типичных ошибок вашего предмета.

Вопросы к себе при подготовке урока:

• Что в этой теме новички понимают неправильно? (PCK)
• Какой из наших инструментов лучше всего поймает это заблуждение — тест, задача, пример в теории? (TPK)
• Что ограничения платформы меняют в задаче — и не проверяю ли я в итоге умение обойти песочницу вместо темы урока? (TCK)

Учтите и критику: составляющие TPACK на практике трудно разделить и измерить, исследователи до сих пор спорят о границах между ними^[30]. Это не стандарт, а полезная карта: она подсказывает, какого знания не хватает, когда урок «не идёт».

ИИ-помощник

ИИ-помощник в уроке объясняет и подсказывает, но не заменяет ваше объяснение. Урок должен быть понятен без него. Если ученики часто спрашивают ИИ об одном и том же месте — значит, это место урока стоит переписать.

Доступность и понятный язык

Вместо подстройки под «тип ученика» (см. мифы) работает другой подход — универсальный дизайн обучения (UDL, CAST^[24]): давать всем несколько способов понять материал, включиться в него и показать результат. Схема плюс текст плюс код — понятнее любой из трёх частей по отдельности, и не важно, кто «визуал».

• Код — текстом, а не картинкой: его можно скопировать и найти поиском.
• У схем и картинок — подпись, что на них.
• Короткие предложения, термин — с объяснением при первом появлении.
• Обращение на «ты» или «вы» — одно на весь курс.

Мифы, на которые мы не опираемся

Эти идеи широко распространены, но исследования их не подтверждают. Не стройте на них курс и не повторяйте их ученикам.

• Стили обучения («визуалы, аудиалы, кинестетики», VARK, «типы по Юнгу» и MBTI в обучении). Обзор Pashler и соавторов^[25] не нашёл убедительных доказательств, что подача под «стиль» ученика улучшает результат. Способ подачи надо выбирать под содержание: схему алгоритма лучше показать, а код — дать попробовать.
• «Пирамида обучения» с процентами («запоминаем 10% прочитанного и 90% сделанного»). У этих цифр нет источника; их приписали «конусу опыта» Эдгара Дейла, в котором процентов не было^[26].
• «Левополушарные и правополушарные люди». Крупное исследование снимков мозга не нашло, что у людей «доминирует» одно полушарие^[27].
• «Мы используем 10% мозга». Работают все отделы мозга, просто не все одновременно.

Чек-лист перед публикацией

1. У каждого модуля 2–4 цели с глаголами «напишет», «найдёт», «сравнит».
2. К каждой цели есть задача или вопрос, которые её проверяют.
3. Задачи модуля поднимаются по уровням Блума, а не стоят на одном.
4. Один урок — одна новая идея, 5–10 минут чтения теории.
5. Перед самостоятельной задачей был разобранный пример.
6. После теории — тест на понимание, неверные варианты — типичные ошибки.
7. У ответов тестов есть пояснения.
8. Подсказки в заготовках уменьшаются от начала модуля к концу.
9. Поздние модули возвращают темы ранних.
10. В первом уроке ученик запускает свой код и получает «решено».
11. Код — текстом, у картинок есть подписи, нет украшательств.
12. Вы сами прошли курс как ученик: все задачи решаются.

После запуска: как понять, что курс работает

Дональд Киркпатрик предложил оценивать обучение на четырёх уровнях^[28]: понравилось ли → научились ли → применяют ли → какой результат. Нам доступны первые два, и смотреть их стоит регулярно:

• Учительская → «Аналитика» → курс. Средний процент прохождения и таблица сложности задач: где много попыток и мало решивших — там объяснение не сработало или задача проверяет не то.
• «Жалобы». Повторяющиеся жалобы на один урок — первый кандидат на переписывание.
• «Сообщество» — вопросы и отзывы учеников.

Курс — не книга, которую издали и забыли. Лучшие курсы переписываются по данным учеников несколько раз.

Термины, которые встретите

Что почитать

Если начинать с одной книги — Teaching Tech Together Грега Уилсона. Если с одной статьи — обзор техник обучения Dunlosky и соавторов. Остальное — по интересу.

1. Anderson L. W., Krathwohl D. R. (ред.). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives. Longman, 2001.
2. Wiggins G., McTighe J. Understanding by Design. 2-е изд. ASCD, 2005.
3. Biggs J. Enhancing teaching through constructive alignment. Higher Education. 1996. Vol. 32. P. 347–364.
4. Merrill M. D. First principles of instruction. Educational Technology Research and Development. 2002. Vol. 50, № 3. P. 43–59.
5. Gagné R. M. The Conditions of Learning. Holt, Rinehart and Winston, 1965 (и последующие издания).
6. Sweller J. Cognitive load during problem solving: Effects on learning. Cognitive Science. 1988. Vol. 12, № 2. P. 257–285.
7. Sweller J., Cooper G. A. The use of worked examples as a substitute for problem solving in learning algebra. Cognition and Instruction. 1985. Vol. 2, № 1. P. 59–89.
8. Kalyuga S., Ayres P., Chandler P., Sweller J. The expertise reversal effect. Educational Psychologist. 2003. Vol. 38, № 1. P. 23–31.
9. Mayer R. E. Multimedia Learning. 3-е изд. Cambridge University Press, 2020.
10. Sentance S., Waite J., Kallia M. Teaching computer programming with PRIMM: a sociocultural perspective. Computer Science Education. 2019. Vol. 29, № 2–3. P. 136–176.
11. Parsons D., Haden P. Parson’s programming puzzles: a fun and effective learning tool for first programming courses. Proceedings of the 8th Australasian Computing Education Conference (ACE). 2006.
12. Margulieux L. E., Guzdial M., Catrambone R. Subgoal-labeled instructional material improves performance and transfer in learning to develop mobile applications. Proceedings of ICER. 2012.
13. du Boulay B. Some difficulties of learning to program. Journal of Educational Computing Research. 1986. Vol. 2, № 1. P. 57–73.
14. Wilson G. Teaching Tech Together. CRC Press, 2019. Бесплатно онлайн: teachtogether.tech.
15. Dunlosky J., Rawson K. A., Marsh E. J., Nathan M. J., Willingham D. T. Improving students’ learning with effective learning techniques. Psychological Science in the Public Interest. 2013. Vol. 14, № 1. P. 4–58.
16. Roediger H. L., Karpicke J. D. Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science. 2006. Vol. 17, № 3. P. 249–255.
17. Cepeda N. J., Pashler H., Vul E., Wixted J. T., Rohrer D. Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin. 2006. Vol. 132, № 3. P. 354–380.
18. Rohrer D., Taylor K. The shuffling of mathematics problems improves learning. Instructional Science. 2007. Vol. 35. P. 481–498.
19. Garrison D. R., Anderson T., Archer W. Critical inquiry in a text-based environment: Computer conferencing in higher education. The Internet and Higher Education. 2000. Vol. 2, № 2–3. P. 87–105.
20. Salmon G. E-moderating: The Key to Teaching and Learning Online. Routledge, 2000 (и последующие издания).
21. Deterding S., Dixon D., Khaled R., Nacke L. From game design elements to gamefulness: defining “gamification”. Proceedings of MindTrek. 2011.
22. Hamilton E. R., Rosenberg J. M., Akcaoglu M. The Substitution Augmentation Modification Redefinition (SAMR) model: a critical review and suggestions for its use. TechTrends. 2016. Vol. 60. P. 433–441.
23. Mishra P., Koehler M. J. Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record. 2006. Vol. 108, № 6. P. 1017–1054.
24. CAST. Universal Design for Learning Guidelines. udlguidelines.cast.org.
25. Pashler H., McDaniel M., Rohrer D., Bjork R. Learning styles: Concepts and evidence. Psychological Science in the Public Interest. 2008. Vol. 9, № 3. P. 105–119.
26. Subramony D., Molenda M., Betrus A., Thalheimer W. The mythical retention chart and the corruption of Dale’s Cone of Experience. Educational Technology. 2014. Vol. 54, № 6. P. 6–16.
27. Nielsen J. A., Zielinski B. A., Ferguson M. A., Lainhart J. E., Anderson J. S. An evaluation of the left-brain vs. right-brain hypothesis with resting state functional connectivity magnetic resonance imaging. PLOS ONE. 2013. Vol. 8, № 8. e71275.
28. Kirkpatrick D. L., Kirkpatrick J. D. Evaluating Training Programs: The Four Levels. 3-е изд. Berrett-Koehler, 2006.
29. Shulman L. S. Those who understand: Knowledge growth in teaching. Educational Researcher. 1986. Vol. 15, № 2. P. 4–14.
30. Graham C. R. Theoretical considerations for understanding technological pedagogical content knowledge (TPACK). Computers & Education. 2011. Vol. 57, № 3. P. 1953–1960.

Для учеников у нас есть короткая памятка «Как учиться на sudoteach» — она опирается на те же исследования. Можно давать на неё ссылку в первом уроке курса.