Determining the Most Effective Stage of the Think-Pair-Share Teaching Strategy
Notice bibliographique
Résumé
This investigation was carried out to examine the effect of think-pair-share on high school learners’ academic attainment in fractions and the most effective stage of the think-pair-share. Two research questions and five hypotheses guided this study. An explanatory sequential mixed method design was used. Purposive and convenience sampling techniques were used to select the first-years and the 78 participants, respectively. Teacher-made fractions achievement tests and interviews were used as the data-gathering instruments. Students’ academic achievement was analysed using independent and paired samples t-tests whilst the interview data was analysed thematically. The study found that learners who received fractions instructions using the think-pair-share model outperformed their colleagues who were taught fractions without think-pair-share. Also, the performance of students at the pair stage was higher than the performance of the same students at the think stage on the same test items. It was again found that intolerance, lack of self-confidence and inability to build consensus on the part of some students affected their performances at the pair stage. It was, therefore, concluded that Think-Pair-Share is effective in teaching fractions and that the most effective stage of the Think-Pair-Share strategy is the pair stage. It was therefore recommended that teachers be encouraged to use the think-pair-share teaching strategy in their teaching and that think-pair-share should be made to form an integral part of the Senior High School mathematics curriculum. Again, teachers and the Ghana education service should consider assessing students in pairs. Also, teachers should encourage students to be tolerant and confident in themselves.
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 | 0,006 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».