Development of Learning Achievement and Motivation in Learning Mathematics of Grade 10 Students by Cooperative Learning
Notice bibliographique
Résumé
This research developed academic achievements to attain a pass rate of 70% and assessed student motivation in studying mathematics. The target group consisted of 40 Grade 10 students during the second term of the 2023 academic year at Sarakham Pittayakhom School under the Mahasarakham Secondary Educational Service Area Office. The tools used in this research included (1) a plan for organising 12 cooperative learning activities, (2) a mathematical achievement test on the topic of logarithmic functions, (3) a measure of mathematical learning motivation and (4) a diary record. Statistical data included percentages, means and standard deviations. Content analysis was employed as qualitative data and the action research model was divided into three cycles as Cycle 1 organized cooperative learning activities using the TAI technique with 40 students. Thirteen students (32.50%) passed the 70% criterion, while 27 (67.50%) did not. The average motivation score was 3.46, indicating moderate motivation among all the students. Cycle 2 implemented the STAD technique with the same group. Twenty two students (55%) passed the 70% criterion, while 18 (45%) did not. The average motivation score increased to 4.24, showing high motivation levels. Cycle 3 utilised the Think-Pair-Share. Thirty nine students (97.50%) passed the 70% criterion, with only one (2.50%) failing. The motivation score further increased to 4.46, suggesting very high motivation levels. After completing the operating circuits, almost all the students met the required academic achievement criterion in mathematics and exhibited high levels of study motivation.
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 | 0,002 | 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 | 0,000 | 0,000 |
| 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 ».