Necessity is the Mother of Invention: How the Need for Online Schooling Impacted Mathematics Teaching Practices and Student Engagement
Notice bibliographique
Résumé
In this paper, we document elementary school teachers’ attitudinal and pedagogical changes during the rapid move from brick-and-mortar to virtual schooling initiated by the COVID-19 pandemic. We administered four online surveys (in September and October 2020, and in March and June 2021) to determine teachers’ perceived challenges and successes in using online technology, as well as applied mixed-methods action research to identify their approaches to teaching mathematics online. The initial challenges included gaining skills, resources, and know-hows for teaching online, and supporting students and their families in the swift transition, while also maintaining instructional goals and overcoming stress. The later challenges included dealing with workload and engaging students in learning. As their comfort with technology increased, teachers started realizing that many old pedagogies were either impossible or inadequate in the online environment, and they began to innovate with virtual classrooms that encompassed students’ homes, parents, and the outdoors. Mathematics manipulatives were found in the kitchen and measurements were done in the home or during walks outside. Mathematics concepts became more real-life centered, and learning became more playful and problem-oriented. Technology helped to create and sustain learning communities, and exposed student thinking at their comfort level. For some students, this approach worked better than brick-and-mortar schools; for most teachers, it created opportunities to provide and receive feedback differently, collaborate widely, reinvent their practice, and contribute to changing norms. We conclude by providing suggestions for moving forward.
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 | 0,013 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».