Examining the Use of Worked Example Video Podcasts in Middle School Mathematics Classrooms: A Formative Analysis / Étude sur l'utilisation de podcasts d’exemples pratiques dans des classes de mathématiques à l'école secondaire de premier cycle
Notice bibliographique
Résumé
Video podcasts allow students to control when, where, and what they learn, as well as the pace of learning. Considerable research has been conducted in higher education on video podcasts use, but not in middle schools (grades six to eight). This study investigated the use of worked example video podcasts in mathematics classrooms with students 11 to 13 years old. One hundred thirty-six pupils individually watched video podcasts designed to teach basic mathematics concepts. Students were positive about the quality of worked example video podcasts and appreciated the step-by-step, easy to follow explanations, diagrams, and being able to control the pace of learning. Learning performance increased significantly after using worked example video podcasts. There were no gender or grade level differences in attitudes toward worked example video podcasts or learning performance. Les podcasts vidéo permettent aux étudiants de contrôler quand, où, et ce qu'ils apprennent, ainsi que le rythme d'apprentissage. Un grand nombre de recherches ont été menées sur l'utilisation de podcasts vidéo dans l'enseignement supérieur, mais pas dans les écoles secondaires de premier cycle (classes de sixième à huitième). Cette étude a examiné l'utilisation des podcasts vidéo d’exercices pratiques dans des classes de mathématiques avec des élèves de 11 à 13 ans. Cent trente-six élèves ont regardé individuellement des podcasts vidéo conçus pour enseigner des concepts mathématiques de base. L’évaluation des élèves a été positives quant à la qualité de podcasts vidéo et ils ont apprécié les explications par étapes et faciles à suivre, les schémas ainsi que la possibilité de contrôler le rythme de l'apprentissage. La performance d'apprentissage s’est améliorée de manière significative après l'utilisation des podcasts vidéo. Il n'y avait de pas de différence selon le sexe ou le niveau scolaire dans les attitudes envers les podcasts vidéo ou dans la performance d'apprentissage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».