Exploring Existing Knowledge using Query Type of Questions to Launch and Sequentially Conduct a Math Lesson
Notice bibliographique
Résumé
The underlying logic behind most of the things is a form of mathematics. Therefore, a grasp and ownership of mathematical concepts is key to understanding how things work, particularly at tertiary level of education. Given the importance of math, from registration records, it was found that approximately 1500, i.e., 16.3% of the current student population at a private university in Bangladesh, delayed taking the foundation course on math till the final year of study. Among these are students who are retaking the subject. Among reasons found are that students do not like mathematics, or are not interested and/or have a fear of math. Based on these apprehensions in mind, the lesson delivery methodology of an existing foundation mathematics course was redesigned. The Query Based Access to Neurons (QuBAN) methodology is an interactive brain-engaging teaching methodology that first taps existing knowledge of the learners, then utilizes this to build new knowledge. This study aims to evaluate the efficacy of the QuBAN approach. Before and after the course were evaluated for measuring changes in their perceptions, interests, views, and thoughts about mathematics and the new teaching methodology through the pre and post-questionnaires respectively. Half of the students found the usefulness of the methodology is between 6.84 to 7.5 out of 10. That is, the methodology has shown its effectiveness to reduce fear of mathematics in the students.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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 ».