Learning progressions in context: Tensions and insights from a semester‐long middle school modeling curriculum
Notice bibliographique
Résumé
Abstract Schwarz and colleagues have proposed and refined a learning progression for modeling that provides a valuable template for envisioning increasingly sophisticated levels of modeling practice at an aggregate level (Fortus, Shwartz, & Rosenfeld, ; Schwarz et al., ; Schwarz, Reiser, Archer, Kenyon, & Fortus, ). Thinking about learning progressions for modeling, however, involves challenges in coordinating between aggregate arcs in the curriculum and individual student learning trajectories. First, individual student performance is often dependent on students’ epistemic aims and the nature of the conceptual and representational context. Second, approaches for longitudinally supporting students in modeling is a relatively nascent endeavor, although notable exemplars have been developed (e.g., IQWST). Third, research on the highest levels of the proposed progression is often hypothetical, because few students demonstrate high‐level modeling practices in typical classrooms. In response to these challenges, we conducted a semester‐long design‐based study of eighth graders engaging in diagrammatic, physical, and computational modeling. In this paper, we explore conceptual and representational contexts designed to support sophisticated modeling practices and beliefs, analyze the nature of high‐level performances achieved through these contexts, and suggest revisions to the articulation of the Schwarz and colleagues learning progression to increase its utility and generalizability when viewed through a resource‐related lens.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».