Integrating Social and Emotional Learning into Mathematics Education: A Multiple Case Study of JUMP Math’s Approach to Creating Socially and Emotionally Supportive Learning Environments
Notice bibliographique
Résumé
Integrating social and emotional learning (SEL) into academic instruction may improve well-being and achievement. In mathematics-where anxiety and negative attitudes often hinder learning-SEL may be especially useful. This multiple case study examined how a math curriculum that explicitly embeds SEL principles shapes learning environments and teacher/student experiences. Using a multiple case study design, we conducted classroom observations, teacher interviews, and check-ins in six Grade 5-7 classrooms implementing JUMP Math, a program that centers social-emotional well-being. Three themes characterized the SEL-integrated environment: (1) Teaching Energy-steady pacing, enthusiastic delivery, and humor; (2) Learning Harmony-progressing together, peer help, and the normalization of mistakes; and (3) Emotional Stability-supportive feedback, invitations to participate, and respectful, responsive interactions. Teachers reported greater confidence and reduced math anxiety; students showed higher engagement, cooperation, and resilience in problem-solving. Findings indicate that math curricula intentionally designed with SEL can create emotionally supportive classrooms that benefit both teachers and students, while advancing academic goals. The findings contribute to understanding how academic instruction can be leveraged to develop social and emotional competence while maintaining focus on academic 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 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».