Enhancing Students’ Understanding of Functions and Graphs through GeoGebra-Based Instruction
Notice bibliographique
Résumé
Proficiency in functions and graphs is fundamental in Senior High School mathematics, serving as a prerequisite for advanced courses in calculus, statistics, and real-world applications. This study employed a quasi-experimental two-group pretest–posttest design to compare the effectiveness of the Traditional Lecture Method (TLM) and GeoGebra-based instruction in teaching functions and graphs to Grade 11 GAS students at Dapa National High School, S.Y. 2022–2023. Fifty students were purposively selected and randomly assigned into two groups of 25 each. The TLM group was taught through lecture-discussion and chalkboard demonstrations, while the GeoGebra group used interactive software for dynamic visualization. Results showed that in the first trial run, the TLM group improved from 28.18% (Low Mastery) to 39.45% (Average Mastery), while the GeoGebra group increased from 30.27% (Low Mastery) to 68.71% (Moving Towards Mastery). In the second trial run, the TLM group advanced from 33.45% to 66.13%, whereas the GeoGebra group progressed from 35.76% to 80.21%. ANCOVA confirmed a statistically significant difference favoring GeoGebra (p < 0.05). Perception results revealed a grand mean of 3.17 (Moderately Perceived), with students strongly agreeing on GeoGebra’s user-friendliness, motivational value, and effectiveness in visualizing graphs. Findings suggest that integrating GeoGebra enhances mastery, motivation, and engagement, making it a valuable instructional tool for strengthening mathematics learning.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».