The Effect of Mangala, the Intelligence Game Taught by Distance Education, on the Mathematical Motivations and Problem-solving Skill Levels of 6th-Grade Students
Notice bibliographique
Résumé
This study examines the effect of "Mangala" on the mathematical motivation and problem-solving skill levels (PSoSL) of 6th-grade students. A single-group pre-test-post-test quasi-experimental design based on the quantitative research approach was used in the study conducted through distance education. The sample consisted of 14 6th-grade students. The data collection tools used in the study, which continued for three weeks in the 2020-2021 academic year, were the Mathematical Motivation Scale (MMS) and Performance Tasks (PT). The data obtained from this study were analyzed using the SPSS 22.0 package program. Since the sample size was small and the data did not show normal distribution, data analysis was carried out using the Wilcoxon Signed Rank Test, one of the non-parametric statistical tests. Data analysis showed a statistically significant difference between the pre and post-experiment MMS scores of the students. The effect of "Mangala" on students' PSoSL was evaluated through performance tasks. The Progressive Scoring Scale (PSS) taken from Baki (2014) was used to evaluate performance tasks. Researchers redefined each criterion in the scoring key and set four levels: "very good," "good," "unsatisfactory," and "empty." The analysis of the problems in the performance tasks showed that the students usually gave "very good" and "good" answers. However, some students had difficulties finding solution strategies and writing a similar problem; thus, they left blank answers.
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 | 0,001 | 0,001 |
| 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 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 ».