MétaCan
Menu
Retour à la cohorte
Enregistrement W4383741278 · doi:10.5539/hes.v13n3p95

The Use of the KWDL Technique in Developing Grade 4 Elementary School Student Combined Operations

2023· article· en· W4383741278 sur OpenAlexvenueno aff
Nataree Pongsai, Apantee Poonputta

Notice bibliographique

RevueHigher Education Studies · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTechnology-Enhanced Education Studies
Établissements canadiensnon disponible
Organismes subventionnairesMahasarakham University
Mots-clésMathematics educationCluster samplingContext (archaeology)Test (biology)MetacognitionTeaching methodAchievement testElementary mathematicsPsychologyClass (philosophy)Plan (archaeology)Academic achievementMathematicsComputer scienceStandardized testCognitionArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The ability to recognize one’s learning processes is important for learning mathematics as it helps learners to practice the thinking process of how each element works in solving mathematics problems. The K-W-D-L technique has emerged as a technique that could bring about metacognition in learning and it could be beneficial in elementary school mathematics education. The objective of the study was to examine the effectiveness of the K-W-D-L technique on the learning achievement of fourth-grade elementary school students in combined operations. The participants grade 4 students in a public school in the Thai educational context. They were cluster sampling methods. The instruments were a K-W-D-L learning management plan, a learning achievement test, and a mathematic problem-solving test. The statistics used in data analysis were percentage, mean score, standard deviation, one sample t-test, and effectiveness index. The results of the study indicate the effectiveness index of the learning management plan designed using the K-W-D-L technique reached the determining criteria. Moreover, both participants’ learning achievement and mathematic problem-solving abilities were found to be at the desired level of the class.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,293
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0020,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,155
Tête enseignante GPT0,456
Écart entre enseignants0,301 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHigher Education StudiesMême sujetTechnology-Enhanced Education StudiesTravaux en français237 207