Notice bibliographique
Résumé
The phrase "opportunities to learn" (OTL) is most commonly interpreted in institutional, or inter-individual, terms but it can also be viewed as a cognitive, or intra-individual, phenomenon. How student learning heterogeneity (LH) - learning differences manifested when children's understanding is later assessed - is understood varies by OTL interpretation. In this study, I argue that the cognitive underpinning of learning disability, learning difficulty, typical achievement, and gifted achievement in mathematics is not well understood in part because of the ambiguity of LH assumptions in previous studies. Data from 104,315 Ontario students who had responded to provincially-mandated mathematics tests in grades 3, 6, and 9 dataset were analyzed using latent trait analysis (LTM) and latent class analysis (LCA). The tests were constructed to distinguish four achievement levels per grade and, either five curriculum strands (grades 3 and 6), three strands (grade 9 applied) or four strands (grade 9 academic). Best-fitting LTM models reflected 3- or 4-factors (grade 9 applied and grades 3, 6, 9 academic, respectively). Best-fitting LCA solutions reflected 4- or 5-classes (grade 3, 6 and grade 9 applied, academic, respectively). There were differences in relative proportions of students who were distributed across levels and classes. Moreover, grade 9 models were more complex than the reported four achievement levels. To explore intrinsic modeled results further, latent factors were plotted against latent classes. Implications of institutional versus cognitive interpretations are discussed.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».