MétaCan
Menu
Retour à la cohorte
Enregistrement W4385620698 · doi:10.1111/cdev.13963

Hands-On: Investigating the role of physical manipulatives in spatial training

2023· article· en· W4385620698 sur OpenAlexaff
Katie Anne Gilligan-Lee, Zachary Hawes, Ashley Y. Williams, Emily K. Farran, Kelly S. Mix

Notice bibliographique

RevueChild Development · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueSpatial Cognition and Navigation
Établissements canadiensUniversity of Toronto
Organismes subventionnairesBritish Academy
Mots-clésEmbodied cognitionSpatial abilityPsychologyPsychological interventionSpatial learningTraining (meteorology)Action (physics)Mathematics educationCognitive psychologyComputer scienceCognitionArtificial intelligenceGeography

Résumé

récupéré en direct d'OpenAlex

Studies show that spatial interventions lead to improvements in mathematics. However, outcomes vary based on whether physical manipulatives (embodied action) are used during training. This study compares the effects of embodied and non-embodied spatial interventions on spatial and mathematics outcomes. The study has a randomized, controlled, pre-post, follow-up, training design (N = 182; mean age 8 years; 49% female; 83.5% White). We show that both embodied and non-embodied spatial training approaches improve spatial skills compared to control. However, we conclude that embodied spatial training using physical manipulatives leads to larger, more consistent gains in mathematics and greater depth of spatial processing than non-embodied training. These findings highlight the potential of spatial activities, particularly those that use physical materials, for improving children's mathematics skills.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,775
Score d'incertitude au seuil0,235

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,030
Tête enseignante GPT0,240
Écart entre enseignants0,210 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
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

Citations18
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChild DevelopmentMême sujetSpatial Cognition and NavigationTravaux en français237 207