Shifts in meta-level learning agreement during mathematics peer learning: integrating positioning theory and commognitive framework
Notice bibliographique
Résumé
Abstract Symmetric positional structures are often seen as conducive to peer learning, yet some argue that asymmetric expert–novice dynamics are essential in contexts such as meta-level learning, in which students shift to more advanced mathematics discourses. In this study, we investigate positioning dynamics within the context of meta-level peer learning through a case study of two 9th graders, Orna and Tamara, who participated in interviews and a peer activity aimed at shifting from visually based Configural discourse to Deductive discourse in geometry. We integrate Positioning Theory with the Commognitive framework to define the Meta-level Learning Agreement (MLA) as consisting of three components: (1) agreement on the leading discourse, (2) agreement on positions, and (3) agreement on the course of action. In their stories about peer learning during interviews, the students echoed divergent storylines: Tamara maintained a fixed expert–novice storyline, consistently positioning herself as expert, while Orna embraced a more flexible collaboration storyline. These differences played out dynamically during two meta-level shifts occurring within their peer interaction. When Configural discourse led, Tamara’s fixed expert positioning steered the solution. But once Orna began prioritizing Deductive discourse, she resisted Tamara’s position as expert. Full MLA agreement was reached only after instructor interventions, when both students prioritized Deductive discourse, agreed on a deductive course of action and assumed symmetrical co-constructor positions. These findings illuminate how symmetric and asymmetric structures function in meta-level peer learning and how mathematics discourse and positioning reciprocally shape one another. We discuss the study’s contribution to peer learning research.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».