Developing Numbers and Algebra Outcomes Using an Intelligent Tutoring System
Notice bibliographique
Résumé
Mathematical proficiency, particularly in Numbers and Algebra outcomes, is critical for academic achievement and real-world problem-solving. This study examines the impact of an intelligent tutoring system on seventh-grade students’ mathematical development. The research had two goals: (1) to compare the conceptual understanding between experimental and control groups, and (2) to assess learning progression over time. Eighty-four seventh-grade students from the Demonstration School of Khon Kaen University (Modindaeng), Thailand, were selected through systematic random sampling. Students were assigned either to an experimental group (42 students) that used intelligent tutoring with automated feedback or to a control group (42 students) using the same system without feedback. Research tools included a mathematical ability assessment and intelligent tutoring lessons. Data were analyzed through an independent samples t-test, repeated measures ANOVA, and relative gain scores. The results showed that: (1) the experimental group achieved significantly greater improvement (p < .05), with mean scores rising from 0.33 (SD = 0.78) to 1.67 (SD = 1.57), compared to 0.33 (SD = 0.84) to 0.95 (SD = 1.30) in the control group; and (2) learning progression was significantly higher in the experimental group (p = .003), with a 40.67% (SD = 38.96) average gain versus 19.64% (SD = 30.00) for the control group. The findings confirm that diagnostic-based intelligent tutoring significantly boosts students’ conceptual understanding and learning growth, underlining the potential of digital technology to drive future innovations in mathematics education.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».