MétaCan
Menu
Retour à la cohorte
Enregistrement W1984789420 · doi:10.2190/dqgn-my7j-49t0-er40

The Contribution of Technology to the Implementation of Mathematics Education Reform: Case Studies of Grade 1–3 Teaching

2002· article· en· W1984789420 sur OpenAlexaff
John A. Ross, Anne Hogaboam‐Gray, Douglas McDougall, Cathy Bruce

Notice bibliographique

RevueJournal of Educational Computing Research · 2002
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducation and Technology Integration
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMathematics educationEquity (law)Scope (computer science)Math educationComputer literacyLiteracyTechnology integrationComputer scienceEducational technologyPedagogyPsychologyPolitical science

Résumé

récupéré en direct d'OpenAlex

Previous research suggests that access to technology contributes to the implementation of mathematics education reform. This case study of three primary (grade 1–3) teachers investigated how access to computers and math teaching software influenced nine dimensions of reform. Teachers were selected on the basis of their commitment to math reform and their technological literacy. Interviews and observations over five months found that technology had its greatest impact by helping teachers expand the scope of their programs and by promoting positive attitudes toward math. Teachers adapted computer tasks to fit their off-line activities, heightening or depleting the contribution of technology to reform. The computer promoted equity of access to all forms and strands of mathematics but this did not necessarily ensure that all students had access to higher math. None of the teachers realized the potential of the computer to increase student-student construction of mathematical ideas, in part because of hardware problems but more because of their decision to assign students to individual computer tasks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,003
Communication savante0,0030,002
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,122
Tête enseignante GPT0,549
Écart entre enseignants0,427 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Educational Computing ResearchMême sujetEducation and Technology IntegrationTravaux en français237 207