Современные социально-экономические преобразования, возникающие под влиянием глобального процесса цифровизации, предъявляют новые требования к результатам общего образования. Ключевым вектором развития становится формирование цифровой компетентности, неотъемлемой частью которой выступает алгоритмическое мышление. Под алгоритмическим мышлением в педагогическом контексте принято понимать совокупность умственных действий, направленных на построение четкой, детерминированной последовательности шагов для достижения поставленной цели с использованием ограниченного набора средств [4]. Его значимость выходит за рамки сугубо предметной области информатики, становясь метапредметным навыком, необходимым для системного анализа проблем, их декомпозиции и выработки рациональных стратегий решения в любой сфере деятельности [7].

Между тем, педагогическая практика сталкивается с существенным противоречием. С одной стороны, образовательные стандарты декларируют необходимость развития данного вида мышления, с другой - преобладающие методические подходы нередко приводят к формированию его ограниченной, репродуктивной формы. Как справедливо отмечают исследователи, в массовой школьной практике зачастую культивируется не гибкое продуктивное мышление, а так называемое «шаблонное алгоритмическое мышление» [7]. Этот феномен возникает, когда технология формирования универсальных учебных действий, сосредоточенная на внешнем контроле выполнения операций, не обеспечивает подлинной интериоризации, то есть преобразования внешнего действия в глубокую внутреннюю умственную деятельность. Усвоенные алгоритмы остаются набором формальных предписаний, «чуждых для самого обучаемого», и не могут быть творчески применены в новых, нестандартных контекстах [7]. Подобный дефицит в развитии креативных интеллектуальных ресурсов молодежи уже сегодня имеет негативные социально-экономические последствия, выражаясь в кадровом «истощении» для высокотехнологичных отраслей [7, 5].

В этой связи возникает насущная научно-методическая проблема поиска и обоснования эффективных дидактических средств, способных вывести процесс формирования алгоритмического мышления за рамки отработки готовых схем. Необходимы такие содержательные контексты и педагогические инструменты, которые бы естественным образом вовлекали учащихся в анализ структуры сложных процессов, проектирование их этапов и критическую оценку результатов, тем самым стимулируя развитие подлинно продуктивного мыслительного стиля. Одним из перспективных инструментов, отвечающих данным требованиям, представляется использование в обучении задач из области оптического распознавания текста. Данная проблематика, находящаяся на стыке компьютерного зрения, обработки сигналов и теории информации, предлагает богатый, наглядный и практически значимый материал для моделирования и изучения многоэтапных алгоритмических систем прямо в рамках школьного курса информатики.

Дидактический потенциал задач распознавания текста коренится в их сложносоставной и иерархической природе, которая находится в полном соответствии со структурой алгоритмического мышления. Для того чтобы преобразовать изображение, содержащее текст, в редактируемую символьную последовательность, необходимо последовательно решить ряд подзадач, каждая из которых активизирует определенные мыслительные операции. Исходным этапом является предобработка изображения, включающая операции повышения контраста, фильтрации шумов и бинаризации (перевод цветного изображения или изображения в градациях серого в двухцветное черно-белое). На этом этапе происходит абстрагирование - отвлечение от несущественных визуальных деталей (артефактов сканирования, неравномерности фона) с целью выделения семантически значимых объектов - символов. Этот процесс учит отличать существенную информацию от фоновой, что является фундаментальным навыком при формализации любой задачи [1].

Следующая ключевая стадия - сегментация, то есть разделение обработанного изображения на отдельные логические блоки: строки, слова и, наконец, символы. Сегментация представляет собой классический пример декомпозиции - разбиения целостной сложной системы на более простые, функционально самостоятельные элементы, которые могут быть проанализированы последовательно. Учащиеся могут исследовать различные алгоритмические подходы к сегментации, такие как анализ горизонтальных и вертикальных проекционных профилей или выделение связных областей, что демонстрирует множественность возможных решений одной подзадачи и важность выбора критериев [1, 3]. Сердцевиной процесса распознавания является классификация выделенных изображений символов. На этом этапе происходит сопоставление неизвестного графического образа с эталонным набором, что требует построения алгоритмов сравнения, измерения метрик схожести (например, расстояния Хэмминга при работе с бинарными шаблонами) и принятия решения. Работа с этой подзадачей позволяет обсудить фундаментальные ограничения простых методов и естественным образом подвести учащихся к осознанию необходимости более совершенных моделей, таких как нейронные сети, которые способны к обобщению и работе с вариативностью данных [1].

Наконец, заключительный этап часто включает постобработку, контекстный анализ и синтез текста, где распознанные символы объединяются в слова с возможной коррекцией ошибок на основе языковых моделей или словарей. Данная стадия развивает навыки логического вывода и работы со структурами данных, поскольку предполагает проверку гипотез (является ли данная последовательность символов словом) и обращение к внешним источникам знаний для верификации результата. Таким образом, сквозной процесс OCR представляет собой целостную и логически связную алгоритмическую повествовательную цепь, где выход одного этапа является входом для следующего, а общая цель — получение корректного цифрового текста — остается четко определенной и мотивирующей на протяжении всего решения. Такая целостность делает задачу исключительно ценным дидактическим объектом.

Реализация развивающего потенциала задач распознавания текста требует их методически грамотной интеграции в образовательный процесс, основанной на принципах дифференциации и постепенного усложнения познавательной деятельности. В качестве методологической основы может выступать подход, предложенный в контексте формирования цифровой грамотности, где ключевую роль играет использование разноуровневых заданий [9]. Построение системы работы с OCR-задачами может быть выстроено по трехуровневой модели, обеспечивающей плавный переход от освоения базовых алгоритмических конструкций к самостоятельной исследовательской и проектной деятельности.

Начальный, репродуктивный уровень направлен на формирование понимания формальной сути алгоритма. Здесь учащимся предлагается для анализа готовое описание или блок-схема одного из сравнительно простых этапов, например, алгоритма бинаризации по порогу. Задача школьников заключается в пошаговом «прохождении» этого алгоритма с конкретными входными данными, прогнозировании промежуточных и конечных результатов, а также в вербальном описании совершаемых действий. Эта работа закладывает основу для осознания таких свойств алгоритма, как детерминированность и массовость, и созвучна идее первоначального знакомства с алгоритмическим предписанием как точной инструкцией [6]. На этом этапе эффективно использовать визуальные среды, которые позволяют манипулировать алгоритмическими блоками без погружения в синтаксис текстового программирования. К таким средам относятся платформы «Урок Цифры» и «Кодвардс», а также среда программирования Scratch. Они позволяют учащимся собрать и протестировать простейшую цепочку обработки, например, применить фильтр к изображению или отсортировать объекты.

Следующий, конструктивный уровень предполагает активное преобразование и создание алгоритмических решений. В рамках этого этапа учебная деятельность может быть организована вокруг модификации существующих решений для обработки более сложных случаев, таких как изображения с наклоном текста или низкой контрастностью. Подобная задача требует от учащихся проведения диагностического анализа недостатков базового алгоритма, формулирования гипотез по его улучшению и практической апробации предложенных изменений, возможно, путем написания соответствующего кода в учебной среде программирования, например, «КуМире» или на Python [2, 8]. Именно переход к текстовому программированию на Python открывает широкие возможности для моделирования всех этапов OCR. Библиотеки PIL/Pillow позволяют реализовать базовые операции предобработки, а OpenCV — более сложные алгоритмы сегментации и анализа. Это открытая библиотека для работы с алгоритмами компьютерного зрения, машинным обучением и обработкой изображений [10]. Для знакомства с самим принципом распознавания символов на конструктивном уровне можно рассмотреть возможность интеграции в учебные проекты открытого движка Tesseract. Другой формой работы на данном уровне является сравнительный анализ эффективности двух альтернативных методов решения одной подзадачи (к примеру, разных алгоритмов сегментации), что воспитывает критическое мышление и умение делать обоснованный выбор на основе экспериментальных данных.

Высший, творческий уровень реализуется через проектную и исследовательскую деятельность, которая является наиболее действенным средством предотвращения формирования шаблонного мышления и развития подлинно продуктивных интеллектуальных способностей [8]. На этом этапе учащиеся погружаются в решение прикладной проблемы, имеющей черты неопределенности и требующей интеграции знаний и навыков. Примером может служить проект по созданию прототипа системы для оцифровки текста с тематических плакатов или рукописных анкет. Такой проект охватывает полный жизненный цикл: от постановки задачи и сбора исходных данных (создания собственного миниатюрного датасета) через проектирование и реализацию конвейера обработки (предобработка, сегментация, распознавание) до тестирования, оценки точности и рефлексии. Для реализации таких проектов наиболее подходит язык программирования Python как основной инструмент, позволяющий объединить все этапы в единую программу. В рамках профильного обучения или дополнительного образования старшеклассникам могут быть предложены специализированные курсы, например, «IT Школа Samsung» или курсы программирования для школьников CODDY, где подобные комплексные проекты являются частью учебной программы. Альтернативой может выступить исследовательское задание, сфокусированное на изучении влияния какого-либо фактора (разрешения изображения, типа шрифта, уровня шума) на качество работы упрощенного алгоритма распознавания. Подобная деятельность не только углубляет предметные знания, но и формирует универсальные компетенции: планирование, анализ ошибок, работу с гипотезами, презентацию результатов, что в полной мере соответствует целям современного образования [8]. Важно отметить, что предложенная модель носит гибкий характер, позволяя педагогу осуществлять дифференцированный подход, предлагая учащимся с разным уровнем подготовки и познавательными интересами адекватные и значимые точки входа в учебную деятельность.
Проведенный анализ дидактического потенциала задач распознавания текста позволяет заключить, что задачи оптического распознавания текста обладают значительным и многогранным дидактическим потенциалом в контексте развития алгоритмического мышления школьников. Их принципиальная ценность заключается не в прикладном результате - преобразовании изображения в текст, а в том, что сам процесс решения выступает прозрачной и содержательной моделью сложного алгоритмического процесса. Работа с такими задачами создает естественную среду для овладения ключевыми операциями алгоритмического мышления: от декомпозиции общей проблемы на последовательность взаимосвязанных подзадач до синтеза конечного результата на основе абстрагирования и логического вывода.

Предлагаемая трехуровневая методическая модель, основанная на принципах дифференциации и постепенного наращивания самостоятельности и сложности деятельности, предоставляет конкретный инструментарий для интеграции данного содержания в уроки информатики. Поэтапный переход от анализа готовых алгоритмов через их конструирование и оптимизацию к полноценной проектно-исследовательской работе обеспечивает условия для интериоризации алгоритмических принципов, превращая их из внешних предписаний во внутренние инструменты мышления. Это открывает путь к преодолению феномена «шаблонного» мышления и формированию у учащихся способности к самостоятельному структурированию сложных проблем, выдвижению и проверке гипотез, критической оценке решений.

Таким образом, целенаправленное и систематическое использование задач распознавания текста в школьном курсе информатики может рассматриваться как эффективное направление обогащения его методического аппарата. Оно способствует не только достижению предметных результатов, связанных с пониманием основ компьютерного зрения и обработки информации, но и, что более существенно, решению метапредметной задачи развития гибкого, продуктивного и критического алгоритмического мышления как основы цифровой компетентности будущего выпускника.

Литература:
1.    Агафьина А. Д., Никитин А. А. Об автоматическом распознавании печатного текста // International Journal of Open Information Technologies. 2024. № 9. URL: https://cyberleninka.ru/article/n/ob-avtomaticheskom-raspoznavanii-pechatnogo-teksta
2.    Ахонов Д. А., Катанова Т. Н. О формировании алгоритмического мышления в школьном курсе информатики на основе среды «кумир» // Сборник статей по материалам XХVIII Межрегиональной научно-методической конференции и II Всероссийской научно-практической конференции. Пермь, 2025. URL:  https://www.elibrary.ru/download/elibrary_82903948_91303994.pdf  
3.    Болтунова Е. М., Лаптев А. К. Распознавание рукописного текста и интеллектуальный анализ: возможности нейронных технологий (на примере работы с «Дневником» Ф. П. Литке) // Имагология и компаративистика. 2025. № 23. URL: https://cyberleninka.ru/article/n/raspoznavanie-rukopisnogo-teksta-i-intellektualnyy-analiz-vozmozhnosti-neyronnyh-tehnologiy-na-primere-raboty-s-dnevnikom-f-p-litke
4.    Губина Т. Н. Методические приемы развития алгоритмического мышления будущего учителя информатики // Современные информационные технологии и ИТ-образование. 2016. № 3-1. URL: https://cyberleninka.ru/article/n/metodicheskie-priemy-razvitiya-algoritmicheskogo-myshleniya-buduschego-uchitelya-informatiki
5.    Кальней В. А., Шишов С. Е. Алгоритмическое мышление в контексте цифровой компетентности обучающихся // Вестник РМАТ. 2021. № 1. URL: https://cyberleninka.ru/article/n/algoritmicheskoe-myshlenie-v-kontekste-tsifrovoy-kompetentnosti-obuchayuschihsya
6.    Маматкулов Б. Х. Решение задач с применением алгоритмического предписания // Экономика и социум. 2025. № 3-2 (130). URL:  https://cyberleninka.ru/article/n/reshenie-zadach-s-primeneniem-algoritmicheskogo-predpisaniya
7.    Терехова Т. А., Портнова Л. К., Тюлюпов Ю.Ф.Алгоритмическое мышление: образовательные причины развития и место в классификации видов мышления // Baikal Research Journal. 2023. № 4. URL: https://cyberleninka.ru/article/n/algoritmicheskoe-myshlenie-obrazovatelnye-prichiny-razvitiya-i-mesto-v-klassifikatsii-vidov-myshleniya
8.    Тимичева А. А. Формирование алгоритмического мышления и проектных навыков на уроках информатики // Вестник науки. 2025. № 8 (89). URL: https://cyberleninka.ru/article/n/formirovanie-algoritmicheskogo-myshleniya-i-proektnyh-navykov-na-urokah-informatiki
9.    Тресцов Н. А. Разноуровневые задания как эффективный метод обучения информатике для формирования цифровой грамотности старших школьников // Поволжский вестник науки. 2025. № 36. URL: https://cyberleninka.ru/article/n/raznourovnevye-zadaniya-kak-effektivnyy-metod-obucheniya-informatike-dlya-formirovaniya-tsifrovoy-gramotnosti-starshih-shkolnikov
10.  OpenCV // Skillfactory media. URL: https://blog.skillfactory.ru/glossary/opencv/