The Effect of Concrete and Virtual Manipulative Blended Instruction on Mathematical Achievement for Elementary School Students
Notice bibliographique
Résumé
Abstract Mathematics has been crucial to learning and extending the frontiers of knowledge in all academic areas. At the elementary level, several teaching approaches have been implemented to improve students’ mathematical achievement. However, compared to traditional teaching exposition techniques, the teaching with the use of math manipulatives has been found useful to enhance mathematical achievement. The current quasi-experimental study was carried out with Pakistani students, and aimed to explore the blended effect of concrete and virtual manipulatives on fifth-graders’ mathematical achievement. Different mathematical concepts such as whole number, decimals and percentages, fraction, unitary method, perimeter, area, and geometry from a grade 5 textbook were targeted for the intervention period. Following randomization, one section from a public school was chosen as a control group and the other section classified as an experimental group. The mathematical achievement of fifth graders was measured through mathematics achievement test (MAT), developed, and piloted for this particular study, in a pre–posttest design. The data were analysed using one-way ANCOVA and mixed between-within ANOVA test to examine the significant differences, if any exist, in pretest/posttest scores between and within the groups over the period of intervention. The results revealed blended use of concrete and virtual manipulatives significantly enhances students’ mathematical achievement as compared to the results achieved from traditional instruction. This study offers information for teachers and students to incorporate concrete and virtual manipulatives simultaneously in mathematics lessons.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».