MétaCan
Menu
Retour à la cohorte
Enregistrement W4409611303 · doi:10.5430/jct.v14n2p58

Mathematical Literacy of Indonesian Elementary School Students: A Case Study of Bandung School

2025· article· en· W4409611303 sur OpenAlexvenueno aff
Irfan Fauzi, Jiraporn Chano, Chi Cheng Wu

Notice bibliographique

RevueJournal of Curriculum and Teaching · 2025
Typearticle
Langueen
DomaineMathematics
ThématiqueMathematics Education and Pedagogy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIndonesianMathematics educationLiteracySchool teachersPedagogyPsychologySociologyLinguisticsPhilosophy

Résumé

récupéré en direct d'OpenAlex

Improving mathematical skills is one of the critical goals of school education. The study aimed to try to figure out how the mathematical literacy skills of students in elementary schools based on OECD indicators and the results of the minimum competency assessment (MCA). This research uses a quantitative approach with a descriptive method. A purposive and convenient sampling was undertaken, and one hundred thirty-two participants were in grade 5 at an elementary school in Bandung. The data showed that the average mathematical literacy score was 56.84, indicating a low score. 63% (N=83) of students displayed low achievement outcomes, those students are positioned at a knowing level in the minimum competency minimum (MCA) and only master 1-2 indicators in the OECD. The results indicate that the mathematical literacy outcomes of the grade 5 students in Bandung fall far behind the governmental goal. On the other hand, this study is severely subjective to the limited sample, and a larger sample is suggested in the future to give a snapshot of students’ mathematical literacy achievement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,789
Score d'incertitude au seuil0,515

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,026
Tête enseignante GPT0,421
Écart entre enseignants0,394 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Curriculum and TeachingMême sujetMathematics Education and PedagogyTravaux en français237 207