MétaCan
Menu
Retour à la cohorte
Enregistrement W4405021807 · doi:10.1080/10508406.2024.2432677

Unifying dialogic learning and mathematics learning: A discursive lens for the study of dialogic mathematics peer learning

2024· article· en· W4405021807 sur OpenAlexfundno aff
Naama Ben-Dor, Einat Heyd‐Metzuyanim

Notice bibliographique

RevueJournal of the Learning Sciences · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensnon disponible
Organismes subventionnairesAzrieli FoundationIsrael Science Foundation
Mots-clésDialogicMathematics educationPedagogyMathematicsPsychology

Résumé

récupéré en direct d'OpenAlex

Background Although it has been suggested that peer interactions that are meaningful both mathematically and dialogically are rare, not much is known about them. We draw on commognition to suggest a unified definition of dialogic mathematics peer learning as a peer interaction including two features: (a) a shift from familiar ways and rules of doing mathematics to newer, more developed ones; (b) openness to and critical engagement with each other’s suggestions that involves reliance on the more developed rules.Method We empirically demonstrate the affordances of the suggested lens by micro-analyzing five dyadic interactions of middle-school students working on a geometric task designed to encourage a shift from familiar visual/configural ways of doing geometry to more developed deductive ones.Findings Only one out of the five interactions included both features of dialogic mathematics peer learning; three interactions lacked both features; and one interaction included the openness and critical engagement feature but still not the mathematical shift feature.Contribution The paper provides discursive conceptual and methodological tools for examining the intersection between two important strands of the learning sciences—mathematics learning and dialogic learning—as well as empirical and practical conclusions that foreground the complexity and fragility of this intersection.

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)0,017
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,020
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0090,005
Études des sciences et des technologies0,0120,107
Communication savante0,0170,021
Science ouverte0,0040,014
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,131
Tête enseignante GPT0,435
Écart entre enseignants0,304 · 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'étudeQualitatif
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

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Learning SciencesMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207