Analyzing trends and suggested instructional strategies for Geometry education: Insights from Uganda Certificate of Education-Mathematics Examinations, 2016-2022
Notice bibliographique
Résumé
Geometry education plays a pivotal role in fostering analytical, spatial, and problem-solving skills among students. Nonetheless, there is still a problem with how well geometry training in Ugandan schools accomplishes these objectives and this is evident in the Uganda Certificate of Education (UCE) examinations. To close this gap, a comprehensive examination of data taken from Uganda National Examinations Board (UNEB) reports covering the years 2016 to 2022 was carried out; with an emphasis on candidates’ performance, the study looks at common geometric ideas, pinpoints areas of weakness for candidates, and assesses response quality. This study's content analysis reveals notable variations in the quality of responses to various mathematics areas, with geometry consistently having the largest percentage of poor responses. Interestingly, in most areas, attempt levels positively correlate with response quality; but, in the case of geometry, this correlation reverses, suggesting that learners in this domain confront different problems. These problems include using geometric principles for problem-solving, combining algebraic and geometric concepts, and spatial visualization. The study advocates for using technology, active and problem-based learning; as these approaches provide opportunities for experiential learning, and conceptual knowledge reinforcement to learners. All this will support ongoing attempts to enhance mathematics education, particularly in the field of geometry, within the Ugandan context.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».