Enhancing the Teaching and Learning of Basic Arithmetic Through Subitizing
Notice bibliographique
Résumé
This paper examines how subitizing (recognizing a quantity and naming it without having to count the objects individually) can help develop students’ understanding of basic arithmetic and how teachers’ and students’ actions can inform one another. Studies suggest that subitizing is underused in teaching and can be harnessed to enhance the learning of subtraction and addition because of its deep links to visualization. Pairing research that points to possibilities of using subitizing to teach arithmetic with an enactivist view of teaching, this research examines how teachers’ and students’ actions co-adapt. Data from short, seven- to eight-minute addition and subtraction lessons in a Grade 2 classroom were collected and analyzed with an enactivist view of teaching actions as triggers. Actions included verbal prompts, movement of small circular objects that represent numbers and hand gestures above the objects. In these lessons, teachers and students arranged small circular objects to guess/identify one another’s computational strategies to arithmetic questions. Our findings suggest that teacher actions triggered and were triggered by students’ subitizing capabilities and occasioned making connections between number (de)composition and operations. Teachers’ actions were contingent on students’ actions as they repeated, enhanced or changed their actions. Triggered by teachers’ actions, students were able to use subitizing to describe their computation strategies instead of counting to combine and/or form large values and to (de)compose, add or subtract values. This research recommends the use of subitizing to make arithmetic strategies visual and calls for more research on the co-emergence of teaching and learning in mathematics classrooms.
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 | 0,007 | 0,021 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».