Denna studie, som är ett samarbete med K-ULF, syftar till att utforma ett laborationsmoment för gymnasieelever som går kursen Programmering 1 (eller motsvarande kurser), med fokus på att stimulera datalogiskt tänkande. En litteraturöversikt genomfördes för att identifiera ett relevant ramverk för att utforma laborationsmomentet inom programmering. Det valda ramverket är resultatet från litteraturöversikten. Det går ut på att definiera datalogiskt tänkande, identifiera relaterade koncept, ge exempel på tekniker som representerar dessa begrepp och genomföra utvärdering. Studien är i form av en fallstudie, där laborationsmomentet genomfördes med en grupp på 20 elever. Två python-uppgifter, Uppgift A (utan chatGPT) och Uppgift B (med chatGPT), utformades för att stimulera datalogiskt tänkande färdigheter. Eleverna arbetade i par under laborationsmomentet för att lösa uppgifterna A och B och deras diskussioner spelades in. Både deras lösningar och ljudinspelningar av deras diskussioner utgjorde vår dataset och skulle senare analyseras. För att utföra analysen skulle både lösningarna och ljudinspelningarna granskas med hjälp av innehållsanalys och mönsterjämförelsemetoden. Resultaten visade att elever som löste uppgift A visat uppkomst av samtliga indikatorer (färdigheter) inom datalogiskt tänkande. Å andra sidan har elever som arbetade med uppgift B visat uppkomst av datalogiskt tänkande indikatorer främst genom sina inspelade ljuddiskussionermen inte i sina skriftliga lösningar.

This study, which is conducted in collaboration with K-ULF, designs and evaluates a laboratory exercise for high school students enrolled in the programming 1 course (or any similar courses), with a focus on stimulating acquisition of computational thinking concepts. A literature overview was performed to identify a relevant framework for designing the programming laboratory moment. The chosen framework, which is the result of the literature overview, emphasized the application of different steps, including defining computational thinking, identifying related concepts, providing examples of techniques representing these concepts, and conducting evaluation. The study is conducted in the form of a case study, wherein the laboratory was conducted with agroup of 20 students. Two Python tasks, Task A (without chatGPT) and Task B (with chatGPT) were designed to stimulate computational thinking concepts and were solved by the students inpairs. During the laboratory, the students' discussions were audio recorded, and they also provided written explanations of their problem-solving methods. The data, comprising audio recordings and written materials, were analyzed using specific techniques and patterns identified within the framework. The study employed a pattern matching method to draw conclusions based on the analyzed data. The results indicated that students solving Task A demonstrated emergence of all computational thinking concepts (indications). On the other hand, students who worked on task B showed emergence of computational thinking indicators mainly through their recorded audio discussions but not in their written solutions.