What the Science of Learning Teaches Us About Arithmetic Fluency
Notice bibliographique
Résumé
High-quality mathematics education not only improves life outcomes for individuals but also drives innovation and progress across society. But what exactly constitutes high-quality mathematics education? In this article, we contribute to this discussion by focusing on arithmetic fluency. The debate over how best to teach arithmetic has been long and fierce. Should we emphasize memorization techniques such as flashcards and timed drills or promote "thinking strategies" via play and authentic problem solving? Too often, recommendations for a "balanced" approach lack the depth and specificity needed to effectively guide educators or inform public understanding. Here, we draw on developmental cognitive science, particularly Sfard's process-object duality and Karmiloff-Smith's implicit-explicit knowledge continuum, to present memorization and thinking strategies not as opposing methods but as complementary forces. This framework enables us to offer specific recommendations for fostering arithmetic fluency based on the science of learning. We define arithmetic fluency, provide evidence on its importance, describe the cognitive structures and processes supporting it, and share evidence-based guidance for promoting it. Our recommendations include progress monitoring for early numeracy, providing explicit instruction to teach important strategies and concepts, implementing well-structured retrieval practice, introducing time-limited practice only after students demonstrate accuracy, and allocating sufficient time for discussion and cognitive reflection. By blending theory, evidence, and practical advice, we equip educators and policymakers with the knowledge needed to ensure all children have access to the opportunities needed to achieve arithmetic fluency.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».