Sequencing computer-assisted learning of transformations of trigonometric functions
Notice bibliographique
Résumé
Studies incorporating technology into the teaching of trigonometry, although sparse, have demonstrated positive effects on student achievement. The optimal sequence for integrating technology with teacher-led mathematics instruction has not been determined. Our research investigated whether technology has a greater impact on student achievement and attitudes if it is implemented before or after whole class teaching. The curriculum context of the study was a set of learning objects (CLIPS: Trig) designed to support student learning of transformations of trigonometric functions. The software includes functional features identified in prior research: it relieves students of the tedium of creating graphs by hand; sliders give students control of the simulations within program parameters; there are easy transitions between algebraic and graphic representations; the environment is dynamic; animation and visualization are included with graphing functions. Twenty Canadian classrooms (N = 489 grade 11–12 students, aged 17–18 years) were randomly assigned to two instructional sequences: CLIPS: Trig followed by whole-class teaching (CLIPS early treatment) and whole-class teaching followed by CLIPS: Trig (CLIPS late treatment). We found that in the pre-test to post-test comparisons, students who experienced CLIPS: Trig after whole-class teaching of core concepts learned more than students who began the unit with technology-supported simulations. However, there were no statistically significant differences in the pre-test to delayed post-comparisons. Beginning the trigonometry unit with CLIPS: Trig enhanced the impact of whole-class teaching, while beginning with whole-class teaching enriched students’ technology experience. The findings suggest that a tight integration of whole-class and technology-assisted instruction is preferable.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».