Computational Thinking Workshop: A New Way to Learn and Teach Mathematics
Notice bibliographique
Résumé
In this digital era, technology has entered every aspect of our life, including educational system. Computational thinking (CT) and programming are a relatively recent part of certain school curricula. The idea of CT was originated in 1950s, and the first usage of the term CT was by Papert in 1980; the notion/concept was refreshed by Wing in 2006. CT is the focus of attention for many researchers, such as Gadanidis , Namukasa, Kotsopoulos, Curzon, diSessa, Farris, Sengupta and so on ; they argued that using CT tools, ideas and activities in mathematics pedagogies and curricula contributes to learning in creative and imaginative ways. In this paper, the ways that students interact with their peers during CT and mathematical thinking activities are investigated in the context of an instrumental case study of 10 elementary students. Observational, interview, and reflection data collected during two workshops were analyzed to determine the ways in which the activities impacted students’ interacting and understanding. Students engaged in three CT activities: symmetry app, Scratch program, and Sphero robot. As a result, CT activities allow students to learn mathematical concepts better, when they are working with CT ideas and activities. This study was limited in its sampling as it only focused on primary grades 3 - 6 in a private school. For future studies, the researchers suggest conducting a study that will include public schools and involve tools for teaching mathematics concepts.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,005 | 0,013 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,015 |
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 ».