Encouraging Student Engagement in Lecture-based Mathematics Courses
Notice bibliographique
Résumé
This workshop will focus on promoting student engagement through small changes within the traditional lecture-based model of an undergraduate mathematics class. The workshop focuses specifically on the language we use to introduce courses, to teach in the classroom, and to provide support to students. The workshop seeks to identify unhelpful trends in the language which is commonly used in the mathematics classroom and to offer alternatives which have been shown through research to cultivate a more positive learning environment (e.g., Slattery & Carlson, 2005; Mesa & Chang, 2010; Rattan, Good & Dweck, 2012).\nThe workshop begins by comparing the effect of using mathematical jargon versus accessible vocabulary when introducing a mathematical subject to new students. Next, the facilitator will define and identify monogloss versus heterogloss voice and discuss the impact each can have on classroom discourse. Finally, the workshop looks at the way in which we provide feedback to students. Even with the best intentions, the language used when providing feedback can actually result in demotivating students and lowering their expectation of success. Participants will consider examples of statements to avoid and construct a model for providing more effective feedback.\nMany undergraduate students see math courses as a necessary evil they must “suffer through” and as such are disengaged from the material. This workshop aims to show that we can improve student motivation and achievement by using accessible language in the course syllabus, by employing linguistic techniques which promote student participation in the classroom, and by offering strategy-oriented feedback throughout the course. This workshop will apply these techniques to address four main areas of improvement in an undergraduate mathematics course (see Figure 1). Working from the first to the last day of class, small changes in language can be used to address the important questions found at each stage.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».