MétaCan
Menu
Retour à la cohorte
Enregistrement W3093238068 · doi:10.1080/13803611.2020.1830119

Effective numeracy educational interventions for students from disadvantaged social background: a comparison of two teaching methods

2019· article· en· W3093238068 sur OpenAlexaff
Céline Guilmois, Maria Popa-Roch, Céline Clément, Steve Bissonnette, Bertrand Troadec

Notice bibliographique

RevueEducational Research and Evaluation · 2019
Typearticle
Langueen
DomaineMathematics
ThématiqueCognitive and developmental aspects of mathematical skills
Établissements canadiensUniversité TÉLUQ
Organismes subventionnairesnon disponible
Mots-clésDisadvantagedMathematics educationSocioeconomic statusNumeracySubtractionPsychologyPsychological interventionTeaching methodSocial constructivismMastery learningSocial studiesPedagogyMathematicsMedicinePopulationLiteracy

Résumé

récupéré en direct d'OpenAlex

The purpose of this study was to assess the effectiveness of explicit instruction, compared to constructivist instruction, in teaching subtraction in schools with a high concentration of students from a disadvantaged social background: eighty-seven second graders (mean age in months = 90.95, SD = 5.30). Two groups received explicit versus constructivist instruction during 5 weeks. Pre- and posttest analyses were conducted to compare the effects of the instruction type on subtraction skills taught through the partitioning subtraction method. Results showed that although all students progressed between both evaluations, those who received explicit instruction performed better. The findings from this study suggest that explicit instruction teaching is a promising approach in supporting the learning of mathematical knowledge for low-achieving students from disadvantaged social background. A larger scale study comparing the outcomes of children from different socioeconomic backgrounds would be needed to extend the applicability of the positive effects of this study.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,362
Tête enseignante GPT0,674
Écart entre enseignants0,312 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEducational Research and EvaluationMême sujetCognitive and developmental aspects of mathematical skillsTravaux en français237 207