### از الگوریتم تا شناخت: چارچوبی نظری برای تبیین حل مسئله و خودتنظیمی شناختی با الهام از میراث خوارزمی

عنوان انگلیسی: From Algorithm to Cognition: A Theoretical Framework for Understanding Problem Solving and Cognitive Self-Regulation Inspired by Al-Khwarizmi’s Legacy

نویسنده: سعید واعظ فر

### چکیده

الگوریتم به عنوان مجموعه ای سازمان یافته از مراحل برای حل یک مسئله، یکی از مفاهیم بنیادی در ریاضیات و علوم رایانه است. با وجود این، اصول نهفته در تفکر الگوریتمی می توانند زمینه ای مفهومی برای بررسی برخی فرایندهای شناختی انسان، از جمله بازنمایی مسئله، انتخاب راهبرد، پایش عملکرد و اصلاح خطا فراهم کنند. هدف مقاله حاضر، ارائه چارچوبی نظری با الهام از میراث ریاضی محمد بن موسی خوارزمی و پیوند مفهومی آن با روان شناسی شناختی است. این مقاله با روش تحلیل مفهومی و تلفیق نظری، ابتدا مبانی تاریخی الگوریتم و رویکرد پردازش اطلاعات به شناخت را بررسی می کند؛ سپس با بهره گیری از ادبیات حل مسئله، نظریه بار شناختی، فراشناخت، یادگیری مهارت و یادگیری خودتنظیم شده، چارچوب پیشنهادی «ذهن الگوریتمی» را معرفی می کند. در این چارچوب، حل مسئله به صورت چرخه ای شامل صورت بندی مسئله، طراحی راهبرد، اجرا، پایش و بازبینی تعریف می شود. فرض اصلی آن است که کیفیت حل مسئله تنها به درستی مراحل اجرایی وابسته نیست، بلکه از تعامل میان دانش پیشین، ظرفیت حافظه کاری، توانایی پایش فراشناختی و انعطاف پذیری در تغییر راهبرد تاثیر می پذیرد. مقاله همچنین مجموعه ای از گزاره های نظری و پیشنهادهایی برای آزمون تجربی مدل ارائه می دهد. این چارچوب در وضعیت کنونی یک پیشنهاد مفهومی است و برای تایید اعتبار، تمایز از نظریه های موجود و تعیین قدرت پیش بینی آن، به پژوهش های تجربی نیاز دارد.

کلیدواژه ها: خوارزمی، روان شناسی شناختی، تفکر الگوریتمی، حل مسئله، فراشناخت، بار شناختی، خودتنظیمی شناختی

### ۱. مقدمه

انسان برای مواجهه با مسائل پیچیده، اطلاعات محیطی را دریافت و سازمان دهی می کند، وضعیت موجود را با وضعیت مطلوب مقایسه می کند، راهبردهایی را انتخاب می کند و بر نتایج عملکرد خود نظارت دارد. این فرایندها از موضوعات اساسی روان شناسی شناختی هستند. یکی از پرسش های محوری این حوزه آن است که چگونه می توان از شناختی که گاه پراکنده، محدود و متاثر از شرایط است، برای دستیابی به عملکردی هدفمند و منظم استفاده کرد.

در تاریخ ریاضیات، آثار محمد بن موسی خوارزمی در توسعه جبر و روش های محاسباتی جایگاهی مهم دارند. سنت ریاضی مرتبط با نام او نشان می دهد که مسائل را می توان با استفاده از قواعد و مراحل مشخص صورت بندی و حل کرد. اصطلاح الگوریتم نیز از صورت لاتینی شده نام خوارزمی گرفته شده است. بااین حال، این پیوند تاریخی به معنای آن نیست که خوارزمی نظریه ای درباره شناخت انسان ارائه کرده باشد؛ بلکه می توان میراث روش شناختی او را نقطه عزیمتی برای یک بازخوانی معاصر دانست.

در روان شناسی شناختی، نیوول و سایمون (Newell & Simon, 1972) حل مسئله انسانی را در قالب جست وجو در فضای مسئله و استفاده از عملگرهایی برای حرکت از وضعیت موجود به وضعیت هدف بررسی کردند. این رویکرد، پیوندی مفهومی میان توصیف مرحله ای حل مسئله و مطالعه فرایندهای شناختی ایجاد می کند. در ادامه این سنت، پژوهش های مربوط به بار شناختی، فراشناخت و یادگیری مهارت نشان داده اند که عملکرد موثر تنها به داشتن یک توالی از مراحل وابسته نیست؛ بلکه دانش، منابع شناختی و توانایی نظارت بر عملکرد نیز اهمیت دارند (Anderson, 1982; Flavell, 1979; Sweller, 1988).

بنابراین، پرسش اصلی مقاله حاضر چنین است:

آیا می توان با الهام از تفکر الگوریتمی، چارچوبی شناختی تدوین کرد که تعامل میان صورت بندی مسئله، اجرای راهبرد، پایش فراشناختی و اصلاح مسیر را توضیح دهد؟

هدف مقاله، ارائه چارچوبی نظری و قابل آزمون برای پاسخ اولیه به این پرسش است. نوآوری پیشنهادی نه در ادعای کشف اصل جدیدی درباره ذهن، بلکه در سازمان دهی این مولفه ها در قالب مدلی یکپارچه و تدوین روابط فرضی میان آن ها قرار دارد.

### ۲. روش تدوین مقاله

این مقاله یک پژوهش نظری و مفهومی است، نه مطالعه تجربی و نه مرور نظام مند منابع. روش تدوین آن شامل سه مرحله است:

1\. استخراج مولفه های روش شناختی مرتبط با حل مرحله ای مسائل از سنت ریاضی و الگوریتمی.

2\. بررسی ارتباط این مولفه ها با مفاهیم تثبیت شده در روان شناسی شناختی، به ویژه حل مسئله، بار شناختی، فراشناخت و یادگیری مهارت.

3\. تدوین یک مدل مفهومی و مجموعه ای از گزاره های آزمون پذیر برای پژوهش های آینده.

منابع مورد استفاده شامل آثار نظری کلاسیک و مقالات علمی دارای مشخصات کتاب شناختی قابل بررسی هستند. بااین حال، چون این مقاله مرور نظام مند نیست، نمی توان ادعا کرد که همه پژوهش های مرتبط در حوزه بررسی شده اند.

### ۳. مبانی نظری

### ۳.۱. میراث خوارزمی و منطق حل مرحله ای مسئله

اهمیت تاریخی خوارزمی را باید در بستر توسعه روش های ریاضی و نظام مندکردن عملیات جبر و محاسبه بررسی کرد. کتاب جبر او در سنت ریاضی قرون میانه تاثیری ماندگار گذاشت و به انتقال و توسعه دانش جبر کمک کرد.

از منظر مقاله حاضر، اهمیت این میراث در یک اصل روش شناختی قابل بازخوانی است: تبدیل مسئله ای که در نگاه نخست پیچیده به نظر می رسد، به مجموعه ای از عملیات تعریف شده و قابل پیگیری.

این اصل را می توان در سطح نظری با حل مسئله انسانی مقایسه کرد. البته باید میان الگوریتم ریاضی و شناخت انسان تمایز گذاشت. الگوریتم صوری، در صورت رعایت شرایط تعریف شده، از قواعد مشخص پیروی می کند؛ اما انسان ممکن است اطلاعات ناقص داشته باشد، مسئله را نادرست بازنمایی کند، از راهبرد نامناسب استفاده کند یا به دلیل محدودیت منابع شناختی، مراحل را به درستی اجرا نکند.

ازاین رو، الگوریتم در این مقاله نه مدل کاملی از ذهن، بلکه الگویی برای سازمان دهی و تحلیل برخی فرایندهای شناختی در نظر گرفته می شود.

### ۳.۲. حل مسئله در روان شناسی شناختی

نیوول و سایمون (1972) در تحلیل حل مسئله، بر وضعیت اولیه، وضعیت هدف، عملگرهای مجاز و فرایند جست وجو تاکید کردند. از این دیدگاه، حل مسئله مستلزم یافتن مسیری میان وضعیت موجود و وضعیت مطلوب است.

این دیدگاه برای چارچوب حاضر اهمیت دارد، زیرا نشان می دهد که حل مسئله را می توان به مولفه هایی تفکیک کرد که امکان مطالعه مستقل و سپس بررسی تعامل میان آن ها وجود دارد.

بااین حال، مسیر حل مسئله همیشه از پیش تعیین شده نیست. فرد ممکن است در جریان اجرا، بازنمایی اولیه خود را تغییر دهد یا متوجه شود که راهبرد انتخاب شده به نتیجه مطلوب نمی رسد. بنابراین، یک مدل شناختی واقع بینانه باید علاوه بر اجرای مراحل، امکان بازگشت، بازبینی و تغییر راهبرد را نیز در نظر بگیرد.

### ۳.۳. بار شناختی و محدودیت منابع ذهنی

نظریه بار شناختی بر این نکته تاکید دارد که ظرفیت پردازش اطلاعات در حافظه کاری محدود است و شیوه ارائه اطلاعات و سازمان دهی فعالیت های یادگیری می تواند بر عملکرد تاثیر بگذارد (Sweller, 1988).

در یک مسئله پیچیده، فرد ممکن است هم زمان درگیر فهم صورت مسئله، نگهداری اطلاعات، انتخاب عملیات و بررسی درستی پاسخ باشد. اگر بخش زیادی از منابع شناختی صرف نگهداری و هماهنگ کردن اطلاعات پراکنده شود، منابع کمتری برای استدلال و یادگیری باقی می ماند.

بر اساس این مبنا، می توان فرض کرد که تفکیک مناسب مسئله به مراحل معنادار، در برخی شرایط، بار ناشی از سازمان دهی اطلاعات را کاهش می دهد. البته این اثر همیشگی نیست؛ مراحل بیش ازحد جزئی، دستورالعمل های غیرضروری یا قواعد نامتناسب با سطح مهارت فرد نیز ممکن است بار شناختی را افزایش دهند.

بنابراین، ارزش تفکر الگوریتمی به تعداد مراحل آن وابسته نیست، بلکه به تناسب ساختار مراحل با ماهیت مسئله و دانش حل کننده بستگی دارد.

### ۳.۴. فراشناخت و پایش عملکرد

فلاول (Flavell, 1979) فراشناخت را در ارتباط با دانش فرد درباره شناخت و نظارت بر فعالیت های شناختی بررسی کرد. از این منظر، فرد تنها مسئله را حل نمی کند، بلکه می تواند درباره میزان فهم خود، کارآمدی راهبرد و احتمال موفقیت نیز قضاوت کند.

نلسون و نارنس (Nelson & Narens, 1990) نیز چارچوبی برای مطالعه رابطه میان پایش وضعیت شناختی و کنترل فرایندهای یادگیری و حافظه ارائه کردند.

این مطالعات نشان می دهند که اجرای مراحل، به تنهایی برای توضیح عملکرد کافی نیست. حل کننده باید تا حدی بتواند تشخیص دهد که آیا مسیر فعلی موثر است، آیا اطلاعات کافی در اختیار دارد و آیا ادامه دادن راهبرد فعلی منطقی است.

در چارچوب پیشنهادی، فراشناخت نقش یک ناظر بیرونی واقعی را ندارد؛ بلکه مجموعه ای از فرایندهای شناختی است که می توانند انتخاب، ادامه یا تغییر راهبرد را تحت تاثیر قرار دهند.

### ۳.۵. یادگیری مهارت و خودتنظیمی

اندرسون (Anderson, 1982) در نظریه اکتساب مهارت شناختی، فرایندهایی را توضیح داد که از طریق آن ها دانش اولیه می تواند به اجرای رویه ای و کارآمدتر تبدیل شود. این دیدگاه به فهم رابطه میان دانستن قواعد و توانایی اجرای آن ها کمک می کند.

همچنین، زیمرمن (Zimmerman, 2002) یادگیری خودتنظیم شده را فرایندی فعال می داند که در آن یادگیرنده اهداف خود را تعیین می کند، راهبردهای مناسب را به کار می گیرد و عملکردش را ارزیابی می کند.

این دو حوزه برای مدل حاضر مکمل یکدیگرند: اولی به تغییر در شیوه اجرای مهارت در طول تمرین توجه دارد و دومی به نقش هدف گذاری، پایش و تنظیم فعالیت یادگیری.

در نتیجه، می توان تفکر الگوریتمی را نه صرفا پیروی از یک دستورالعمل، بلکه ظرفیتی برای سازمان دهی فعالیت هدفمند و اصلاح آن بر اساس اطلاعات حاصل از اجرا تعریف کرد.

### ۴. چارچوب پیشنهادی: مدل ذهن الگوریتمی

### ۴.۱. تعریف مفهومی

در این مقاله، «ذهن الگوریتمی» به صورت یک سازه نظری پیشنهادی تعریف می شود:

ذهن الگوریتمی عبارت است از توانایی فرد در تبدیل یک مسئله به بازنمایی قابل عمل، طراحی و اجرای راهبردی متناسب، پایش نتایج و اصلاح مسیر بر اساس بازخورد و شرایط شناختی.

این تعریف به معنای آن نیست که ذهن انسان یک رایانه یا یک الگوریتم ثابت است. منظور آن است که برخی فعالیت های شناختی را می توان با استفاده از زبان مراحل، قواعد، بازخورد و اصلاح راهبرد توصیف کرد.

### ۴.۲. مولفه های مدل

مدل پیشنهادی از پنج مولفه مرتبط تشکیل شده است.

مولفه اول: صورت بندی شناختی مسئله

در این مرحله، فرد مسئله را تعریف می کند، اطلاعات مرتبط را از اطلاعات نامرتبط متمایز می سازد و وضعیت مطلوب را مشخص می کند. کیفیت این مرحله تعیین می کند که راهبردهای بعدی تا چه اندازه با مسئله واقعی تناسب داشته باشند.

مولفه دوم: طراحی راهبرد

فرد بر اساس دانش پیشین، تجربه و محدودیت های مسئله، مسیر یا مجموعه عملیاتی را انتخاب می کند. این مسیر ممکن است یک الگوریتم دقیق، یک راهبرد ابتکاری یا ترکیبی از چند روش باشد.

مولفه سوم: اجرای شناختی

در این مرحله، عملیات انتخاب شده اجرا می شوند. اجرای موفق به دانش مرتبط، مهارت، توجه و تناسب میان پیچیدگی مسئله و منابع شناختی وابسته است.

مولفه چهارم: پایش فراشناختی

فرد شواهدی از پیشرفت یا شکست راهبرد را بررسی می کند. این پایش می تواند شامل تشخیص خطا، برآورد میزان فهم، بررسی پیشرفت نسبت به هدف و ارزیابی احتمال موفقیت باشد.

مولفه پنجم: اصلاح و بازسازمان دهی

بر اساس نتایج پایش، فرد ممکن است راهبرد را ادامه دهد، بخشی از آن را تغییر دهد، به مرحله قبلی بازگردد یا مسئله را به شکل دیگری بازنمایی کند.

ویژگی مهم این مدل، چرخه ای بودن آن است. اصلاح راهبرد می تواند به بازتعریف مسئله منجر شود و بازتعریف مسئله نیز ممکن است نیازمند طراحی یک مسیر تازه باشد.

### ۴.۳. روابط میان مولفه ها

در مدل پیشنهادی، این مولفه ها به صورت زنجیره ای ثابت و یک طرفه عمل نمی کنند. رابطه آن ها بازگشتی است:

صورت بندی مسئله ← طراحی راهبرد ← اجرا ← پایش ← اصلاح راهبرد.

در صورت بروز خطا یا ناکامی، فرایند می تواند به هر یک از مراحل پیشین بازگردد. افزون بر این، دانش پیشین و بار شناختی بر چندین مرحله اثر می گذارند؛ درحالی که فراشناخت می تواند تصمیم درباره ادامه یا تغییر مسیر را تحت تاثیر قرار دهد.

ازاین رو، مدل را می توان به صورت یک سامانه پویا در نظر گرفت که در آن کیفیت عملکرد، حاصل تعامل مولفه هاست، نه نتیجه یک عامل منفرد.

### ۴.۴. تمایز میان اجرای الگوریتم و شناخت الگوریتمی

یکی از تمایزهای مهم مدل پیشنهادی، تفاوت میان اجرای درست یک رویه و توانایی مدیریت شناختی آن است.

فردی ممکن است یک دستورالعمل را بدون خطا اجرا کند، اما متوجه نباشد که دستورالعمل برای مسئله حاضر مناسب نیست. در مقابل، فردی دیگر ممکن است اجرای اولیه ناموفقی داشته باشد، ولی خطا را تشخیص دهد و راهبرد خود را اصلاح کند.

بنابراین، توانایی شناختی مورد نظر صرفا دقت اجرایی نیست؛ بلکه شامل انتخاب، پایش و بازنگری نیز می شود.

این تمایز می تواند در پژوهش های آینده برای بررسی تفاوت میان مهارت اجرایی، انعطاف پذیری شناختی و دقت فراشناختی به کار رود.

### ۵. گزاره های نظری و فرضیه های قابل آزمون

چارچوب حاضر را می توان از طریق گزاره های زیر به پژوهش تجربی پیوند داد.

### گزاره اول: ساختاردهی مسئله

در مسائل پیچیده ای که امکان تقسیم به زیرمسئله های معنادار وجود دارد، ارائه ساختار مناسب ممکن است عملکرد حل مسئله را بهبود دهد؛ به ویژه هنگامی که فرد هنوز مهارت بالایی در آن حوزه ندارد.

این گزاره با نظریه بار شناختی سازگار است، اما شدت اثر باید با توجه به نوع مسئله و سطح مهارت بررسی شود (Sweller, 1988).

### گزاره دوم: نقش پایش فراشناختی

توانایی تشخیص به موقع ناکارآمدی راهبرد، باید با احتمال اصلاح مسیر و کاهش تداوم خطا ارتباط داشته باشد.

این گزاره از ادبیات فراشناخت الهام می گیرد، اما برای تایید آن باید پایش واقعی فرد از عملکرد او جداگانه سنجیده شود (Flavell, 1979; Nelson & Narens, 1990).

### گزاره سوم: تعامل دانش پیشین و ساختار مراحل

اثر دستورالعمل های مرحله ای بر عملکرد باید با میزان دانش پیشین و تجربه فرد تعامل داشته باشد. یک ساختار راهنمایی که برای مبتدی مفید است، ممکن است برای فرد ماهر زائد یا محدودکننده باشد.

این پیش بینی با یافته های مربوط به بار شناختی و اکتساب مهارت هم راستا است (Anderson, 1982; Sweller, 1988).

### گزاره چهارم: نقش بازخورد در اصلاح راهبرد

بازخوردی که اطلاعات تشخیصی درباره نوع خطا ارائه می کند، ممکن است در مقایسه با بازخوردی که صرفا درستی یا نادرستی پاسخ را اعلام می کند، به اصلاح دقیق تر راهبرد کمک کند.

این گزاره نیازمند مقایسه تجربی انواع بازخورد است و نباید به عنوان نتیجه قطعی مدل تلقی شود.

### گزاره پنجم: انعطاف پذیری راهبردی

در مسائلی که چند راه حل معتبر دارند یا شرایط آن ها تغییر می کند، توانایی بازنگری در راهبرد باید با عملکرد بهتر ارتباط داشته باشد؛ در مقابل، پیروی سخت گیرانه از یک رویه ثابت ممکن است در برخی شرایط مانع حل مسئله شود.

این گزاره بر تمایز میان اجرای الگوریتم و مدیریت شناختی راهبرد تاکید دارد.

### ۶. کاربرد مدل در یادگیری و آموزش

چارچوب ذهن الگوریتمی می تواند برای طراحی مداخلات آموزشی و بررسی فرایند مطالعه به کار رود.

برای مثال، دانش آموزی را در نظر بگیریم که در حل مسائل فیزیک عملکرد ضعیفی دارد. به جای آنکه صرفا تعداد تمرین های او افزایش یابد، می توان پنج مرحله زیر را بررسی کرد:

1\. آیا دانش آموز صورت مسئله را درست بازنمایی می کند؟

2\. آیا راهبرد مناسبی برای حل انتخاب می کند؟

3\. آیا مراحل اجرا را با دقت کافی انجام می دهد؟

4\. آیا می تواند محل و نوع خطا را تشخیص دهد؟

5\. آیا پس از دریافت بازخورد، روش خود را اصلاح می کند؟

این تحلیل امکان می دهد که مداخله آموزشی متناسب با منشا مشکل انتخاب شود. اگر مسئله در فهم صورت سوال باشد، تمرین محاسبات بیشتر لزوما پاسخ مناسبی نیست؛ همان طور که اگر مشکل در پایش خطا باشد، ارائه یک دستورالعمل ثابت ممکن است به تنهایی کافی نباشد.

در حوزه مطالعه نیز می توان چرخه ای مشابه طراحی کرد: تعیین هدف مطالعه، انتخاب راهبرد، اجرای مطالعه، سنجش یادگیری و اصلاح برنامه. این کاربرد با رویکرد یادگیری خودتنظیم شده هم خوانی دارد (Zimmerman, 2002).

بااین حال، اثربخشی یک برنامه آموزشی مبتنی بر این مدل باید به صورت تجربی سنجیده شود. سازگاری مفهومی با نظریه های موجود، به تنهایی اثربخشی مداخله را اثبات نمی کند.

### ۷. بحث

هدف این مقاله، پیوند دادن یک اصل روش شناختی برگرفته از سنت الگوریتمی با مفاهیم تثبیت شده روان شناسی شناختی بود. چارچوب پیشنهادی نشان می دهد که حل مسئله را می توان فرایندی شامل صورت بندی، طراحی راهبرد، اجرا، پایش و اصلاح در نظر گرفت؛ فرایندی که در آن منابع شناختی، دانش پیشین و فراشناخت نقش های مکمل دارند.

نخستین اهمیت این چارچوب، تاکید بر تفاوت میان داشتن راهبرد و مدیریت راهبرد است. فرد ممکن است از روشی آگاه باشد، اما نتواند زمان مناسب استفاده از آن را تشخیص دهد یا در صورت شکست، آن را تغییر دهد. از این منظر، عملکرد موثر به توانایی هماهنگ کردن اجرای راهبرد با اطلاعات حاصل از پایش وابسته است.

دومین اهمیت مدل، توجه به نقش بازگشت و اصلاح است. در یک توصیف ساده از حل مسئله، مراحل ممکن است خطی به نظر برسند؛ اما در شناخت واقعی، بازنمایی مسئله و انتخاب راهبرد می توانند در طول فرایند تغییر کنند. ازاین رو، مدل بازگشتی توصیف مناسبتری از حل مسئله انعطاف پذیر فراهم می کند.

سومین اهمیت، توجه به محدودیت های شناختی است. تقسیم مسئله به مراحل تنها زمانی مفید است که سازمان دهی حاصل، پردازش اطلاعات را تسهیل کند. مرحله بندی افراطی یا پیروی مکانیکی از دستورالعمل می تواند مانع درک روابط کلی شود. بنابراین، ذهن الگوریتمی نباید به معنای ذهنی تعریف شود که همواره از یک دستور ثابت پیروی می کند؛ بلکه باید توانایی انتخاب، ارزیابی و تغییر رویه را نیز شامل شود.

از نظر جایگاه نظری، این مدل با رویکردهای حل مسئله، فراشناخت، بار شناختی و خودتنظیمی هم پوشانی دارد. در نتیجه، نمی توان صرفا بر اساس صورت بندی حاضر ادعا کرد که نظریه ای کاملا مستقل یا بی سابقه ارائه شده است. ارزش علمی بالقوه آن در ایجاد یک چارچوب یکپارچه، تدوین فرضیه های دقیق و فراهم کردن امکان آزمون تجربی روابط میان مولفه ها قرار دارد.

### ۸. محدودیت ها و مسیرهای پژوهشی آینده

این مقاله چند محدودیت اساسی دارد.

نخست، مدل بر اساس تحلیل مفهومی تدوین شده و هنوز داده تجربی مستقیمی برای تایید ساختار آن ارائه نشده است.

دوم، «ذهن الگوریتمی» در وضعیت کنونی یک سازه پیشنهادی است و برای استفاده پژوهشی، به تعریف عملیاتی دقیق نیاز دارد. برای مثال، باید مشخص شود که پایش شناختی با چه شاخص هایی اندازه گیری می شود و انعطاف پذیری راهبردی چگونه از دانش عمومی یا توانایی اجرایی متمایز خواهد شد.

سوم، رابطه میان مرحله بندی و عملکرد به نوع تکلیف، سطح تخصص، انگیزش و ویژگی های فردی وابسته است. بنابراین، تعمیم نتایج احتمالی از یک حوزه، مانند ریاضیات، به حوزه هایی مانند تصمیم گیری اجتماعی یا خلاقیت نیازمند شواهد جداگانه است.

چهارم، این مقاله ادعای ارائه تاریخ جامع ریاضیات اسلامی یا بازسازی کامل اندیشه خوارزمی را ندارد. استفاده از میراث خوارزمی در اینجا الهام بخش و روش شناختی است، نه انتساب یک نظریه روان شناختی مدرن به یک دانشمند تاریخی.

برای آزمون مدل، می توان پژوهش هایی طراحی کرد که در آن ها شرکت کنندگان به صورت تصادفی با آموزش مرحله ای، آموزش معمول یا آموزش مرحله ای همراه با بازخورد فراشناختی مواجه شوند. سپس می توان دقت، زمان حل، انتقال یادگیری به مسائل جدید، تعداد خطاهای تکرارشونده و دقت ارزیابی فرد از عملکرد خودش را اندازه گیری کرد.

چنین طرحی امکان می دهد بررسی شود که آیا افزودن آموزش پایش و اصلاح به مرحله بندی مسئله، فراتر از ارائه دستورالعمل صرف، مزیت قابل اندازه گیری ایجاد می کند یا خیر.

### ۹. نتیجه گیری

میراث خوارزمی را می توان از منظر معاصر به عنوان الهامی برای بررسی سازمان دهی مرحله ای حل مسئله به کار گرفت؛ اما تبیین شناخت انسان نیازمند فراتررفتن از منطق اجرای دستورالعمل است. انسان مسئله را بازنمایی می کند، راهبرد انتخاب می کند، با محدودیت منابع شناختی مواجه می شود، عملکرد خود را پایش می کند و در صورت لزوم مسیرش را تغییر می دهد.

چارچوب «ذهن الگوریتمی» در این مقاله برای یکپارچه کردن این فرایندها پیشنهاد شد. مطابق این چارچوب، کیفیت حل مسئله نه فقط به درستی اجرای مراحل، بلکه به تناسب راهبرد، دانش پیشین، پایش فراشناختی و توانایی اصلاح وابسته است.

در نهایت، این مدل را باید فرضیه ای نظری و قابل آزمون دانست، نه نظریه ای تجربی که اعتبار آن از پیش اثبات شده باشد. گام بعدی، تعریف عملیاتی سازه ها، طراحی ابزارهای سنجش و انجام مطالعات تجربی برای تعیین قدرت تبیینی و پیش بینی کنندگی آن است.

### منابع

Anderson, J. R. (1982). Acquisition of cognitive skill. Psychological Review, 89(4), 369–406. [https://doi.org/10.1037/0033-295X.89.4.369](https://doi.org/10.1037/0033-295X.89.4.369?utm_source=chatgpt.com)

Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive–developmental inquiry. American Psychologist, 34(10), 906–911. [https://doi.org/10.1037/0003-066X.34.10.906](https://doi.org/10.1037/0003-066X.34.10.906?utm_source=chatgpt.com)

Newell, A., & Simon, H. A. (1972). Human problem solving. Prentice-Hall.

Nelson, T. O., & Narens, L. (1990). Metamemory: A theoretical framework and new findings. In G. H. Bower (Ed.), The psychology of learning and motivation (Vol. 26, pp. 125–173). Academic Press. [https://doi.org/10.1016/S0079-7421(08)60053-5](https://doi.org/10.1016/S0079-7421\(08\)60053-5?utm_source=chatgpt.com)

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. [https://doi.org/10.1207/s15516709cog1202_4](https://doi.org/10.1207/s15516709cog1202_4?utm_source=chatgpt.com)

Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. [https://doi.org/10.1207/s15430421tip4102_2](https://doi.org/10.1207/s15430421tip4102_2?utm_source=chatgpt.com)