Augmented Reality and MS-Kinect in the Learning of Basic Mathematics: KARMLS Case
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
By its nature, the learning of certain complex contents has always been a focus of attention and a challenge in the study of mathematics. This fact acquires greater importance if it is about the learning of children, because the psycho-cognitive skills of this type of user, especially when they attend the first levels of Basic General Education are not yet mature. As a result, children are unable to assimilate correctly and easily certain content of an abstract nature during the early stages of mathematics learning. This study presents the results of the application of a computer system called “Kinect based Augmented Reality Math Learning System - KARMLS”, whose design and development uses the Augmented Reality technology and the motion sensor implemented in MS-Kinect camera. The developed application covers elementary math topics corresponding to the Basic General Education curriculum of the Republic of Ecuador. The study used an experimental quantitative approach, involving 29 third-grade children (13 girls and 16 boys), who attend to 2 Basic General Education schools in Riobamba city, Ecuador. The results that allowed to evaluate the prototype proposed in the study were obtained by means of a pretest and a posttest, which were contrasted with the students’ t-test for paired samples. Through the analysis of data obtained and the discussion, it is concluded that the applied computer system had a positive effect for the learning when used as a supplementary tool in the classroom and that it was more effective in children who previously had low performance than with those of high performance. Also, the children were motivated and with positive attitudes regarding the use of the analyzed software.
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.
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 | 0,001 | 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 | 0,000 | 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 découle