Fokus på den spesialiserte fagkunnskapen. - En intervjustudie for å identifisere og beskrive matematikklærerens fagkunnskap.
Notice bibliographique
Résumé
Denne masteroppgaven rapporterer fra en studie hvor målet var å finne ut mer om lærernes\nkunnskap. Med utgangspunkt i tidligere forskning på området har jeg forsøkt å belyse\nhvordan matematikklærerens spesialiserte fagkunnskap skiller seg fra allmenn fagkunnskap i\nen kvalitativ intervjustudie av to lærere og to ingeniører. Disse to begrepene har jeg hentet fra\nLMT-prosjektet (Learning Mathematics for Teaching) som er et amerikansk forskningsarbeid\ngjennomført av et forskerteam ved University of Michigan. Intensjonen med prosjektet deres\ner å undersøke den matematiske kunnskapen lærere trenger for å undervise, samt hvordan\ndenne kunnskapen utvikles gjennom praksis og utdannelse\n(http://sitemaker.umich.edu/lmt/home). LMT-prosjektet har sammen med beslektede studier\nbidratt som en teoretisk og begrepsmessig ramme for studien min. I tillegg har jeg brukt et\nmetodisk verktøy (multiple-choice oppgaver) utviklet av disse forskerne som en del av\nmetoden i arbeidet mitt.\nData er basert på to fokusgruppeintervju, ett lærerintervju og ett ingeniørintervju. Begge ble\ngjennomført ut fra oppgaveløsing av ti multiple-choice oppgaver hentet fra LMT-prosjektet. I\nanalysen har jeg hovedsakelig tatt utgangspunkt i lærernes refleksjoner rundt disse oppgavene\nfremfor de skriftlige besvarelsene. I løpet av dette arbeidet har jeg blant annet fått innblikk i\nhvordan lærere og ingeniører resonnerer rundt sine egne løsningsstrategier og matematiske\nkunnskap. Jeg har også fått belyst ulike sider ved lærernes undervisning, for eksempel hvilke\nfaktorer lærerne prioriterer i arbeidet sitt.\nStudien dokumenterer eksistensen av en spesialisert fagkunnskap som skiller seg fra den\nallmenne fagkunnskapen. Lærernes refleksjoner viser at de har kunnskap om konkretisering\nog bruk av matematiske regler/algoritmer ut fra en undervisningskontekst. Ingeniørene hadde\nsvært begrenset kunnskap om dette, noe som antyder at dette er en unik kunnskap for lærerne.\nPå bakgrunn av lærernes lave matematikkutdannelse er dette sannsynligvis en type kunnskap\nsom har utviklet seg gjennom praksis.\nMåten ingeniørene løste og reflekterte rundt oppgavene på kan kategoriseres som solid\nallmenn fagkunnskap. Lærernes begrensninger tilknyttet oppgaveløsningen viser en svakere\nallmenn fagkunnskap som først og fremst kan ses i sammenheng med utdannelsen deres.\nStudien antyder videre at fagkunnskap påvirker den fagdidaktiske kunnskapen, og at den\nspesialiserte fagkunnskapen fungerer som et bindeledd mellom disse to\nIII\nkunnskapskategoriene. En implikasjon av dette vil være å forske videre på den spesialiserte\nfagkunnskapen for å finne ut om og hvordan de ulike kunnskapskategoriene påvirker\nhverandre.\nStudien viser at lærerens kunnskap er kompleks og dynamisk. Samtidig viser den at\nundervisningsarbeidet både krever og skaper spesialisert fagkunnskap unik for\nlærerprofesjonen.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,153 | 0,078 |
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 source (Gemma direct ou Codex distillé), 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 ».