Notice bibliographique
Résumé
Exploring students’ habits of using WhatsApp is important: such introspection helps students to reflect, and improve their actions. Habits are subconscious thoughts that drive students, for example, to use WhatsApp, even without concentrating on their learning actions. Habits are formed after students have repeated the same action. Twelve students, registered for a Bachelor of Education degree in Mathematics Education at a university in South Africa, were selected to participate. The objective of this study was to understand students’ habits of using WhatsApp in the learning of mathematics. Reflective activities, focus-group discussion, and one-on-one semi-structured interviews, framed by interpretive case study, were used for data production. The students’ habits revealed that The Tree Three Rings Theory was useful when applied as the learning framework. Such application of the theory generated three categories of habits of WhatsApp usage. Categories were social, discipline/disciplinary, and personal habits. The university at which these students were registered prescribed Moodle as the learning management system (LMS). However, the students mostly used WhatsApp. As a result, they used WhatsApp even during face-to-face classes. It appeared that students had been ‘captured’ by WhatsApp, using it as their ‘master’, instead of using it as both their ‘master’ and ‘servant’. The study concluded that, although there were elements of both personal and discipline habits, the social habits drove the learning. Consequently, this study recommends that students should reflect; using social, discipline, and personal actions as taxonomies of education habits, in order to address societal, individual, and the mathematics education needs.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».