Humanizing Proof-based Mathematics Instruction Through Experiences Reading Rich Proofs and Mathematician Stories
Notice bibliographique
Résumé
Abstract The Reading and Appreciating Mathematical Proofs (RAMP) project seeks to provide novel resources for teaching undergraduate introduction to proof courses centered around reading activities. These reading activities include (1) reading rich proofs to learn new mathematics through proofs as well as to learn how to read proofs for understanding and (2) reading mathematician stories to humanize proving and to legitimize challenge and struggle. One of the guiding analogies of the project is thinking about learning proof-based mathematics like learning a genre of literature. We want students to read interesting proofs so they can appreciate what is exciting about the genre and how they can engage with it. Proofs were selected by eight professors in mathematics who as curriculum co-authors collected intriguing mathematical results and added stories of their experience becoming mathematicians. As mathematicians of colour and/or women mathematicians, these co-authors speak to the challenges they faced in their mathematical history, how they overcame these challenges, and the key role mentors and community have played in that process. These novel opportunities to learn to read and read to learn in the proof-based context hold promise for supporting student learning in new ways. In this commentary, we share how we have sought to humanize proof-based mathematics both in the reading materials and in our classroom implementation thereof.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,021 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».