Effects of spatial training on mathematics performance: A meta-analysis.
Notice bibliographique
Résumé
Prior research has revealed robust and consistent relations between spatial and mathematical skills. Yet, establishing a causal relation has been met with mixed effects. To better understand whether, to what extent, and under what conditions mathematics performance can be improved through spatial training, we conducted a systematic meta-analysis of the extant literature. Our analysis included 29 studies that used controlled pre-post study designs to test the effects of spatial training on mathematics (N = 3,765; k = 89). The average effect size (Hedges's g) of training relative to control conditions was .28 (SE = .07). Critically, there was also evidence that spatial training improved individuals' spatial thinking (g = .49, SE = .09). Follow-up analyses revealed that age, use of concrete manipulatives, and type of transfer ("near" vs. "far") moderated the effects of spatial training on mathematics. As the age of participants increased from 3 to 20 years, the effects of spatial training also increased in size. Spatial training paradigms that used concrete materials (e.g., manipulatives) were more effective than those that did not (e.g., computerized training). Larger transfer effects were observed for mathematics outcomes more closely aligned to the spatial training delivered compared to outcomes more distally related. None of the other variables examined (training dosage, spatial gains, posttest timing, type of control group, experimental design, publication status) moderated the effects. Additionally, analyses of publication bias and selective outcome reporting were nonsignificant. Overall, our results support prior research and theoretical claims that spatial training is an effective means for enhancing mathematical understanding and performance. However, our meta-analysis also highlights a poor understanding of the mechanisms that support transfer. To fully realize the potential benefits of spatial training on mathematics achievement, more theoretically guided studies are needed. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,032 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».