MétaCan
Menu
Retour à la cohorte
Enregistrement W4389569560 · doi:10.1080/0020739x.2023.2288818

Flexibility of differentiation procedures in calculus

2023· article· en· W4389569560 sur OpenAlexaff
Wes Maciejewski

Notice bibliographique

RevueInternational Journal of Mathematical Education in Science and Technology · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMathematics Education and Teaching Techniques
Établissements canadiensRed Deer Polytechnic
Organismes subventionnairesnon disponible
Mots-clésFlexibility (engineering)CLARITYCalculus (dental)Construct (python library)Mathematics educationSubject (documents)Class (philosophy)Focus (optics)Teaching methodComputer scienceMathematicsMedicineArtificial intelligenceProgramming language

Résumé

récupéré en direct d'OpenAlex

Calculus is perhaps the most widely taught and researched upper-secondary/post-secondary mathematics subject the world over. The research literature is amassing greater clarity around students’ understandings of calculus, yet calculus instruction tends to be at odds with this literature, maintaining a focus on procedural aspects of the subject. This current work explores one central procedural topic, differentiation, through the broader lens of procedural flexibility. Both students and experts calculated the derivatives to a collection of functions in multiple ways, selected their preferred method and commented on their preference. Many students demonstrated a knowledge of multiple procedures and an ability to select appropriate solutions. Experts produced a greater number of distinct solution methods, including some not found among the student responses. The primary impact of this paper is a more nuanced understanding of ‘flexibility’ as a construct, buttressed by contrasting student and expert data, especially as it concerns procedures in higher-level mathematics. These results are expected to contribute to a bridge between the research on and practice of calculus instruction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,042
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,042
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,008
Communication savante0,0040,005
Science ouverte0,0010,005
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 GPT0,428
Écart entre enseignants0,398 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Mathematical Education in Science and TechnologyMême sujetMathematics Education and Teaching TechniquesTravaux en français237 207