Mobile Learning in Mathematics: Benefits, Challenges, Strategies, and Proponents’ and Opponents’ Views
Notice bibliographique
Résumé
Integrating mobile learning technologies in mathematics education in light of the pandemic, natural disasters, and recent technological developments is a significant shift in practice. This research applied the systematic review approach to assess the impact of mobile learning aids on students’ learning attitudes, motivation, and performance in mathematics. Based on a synthesis of peer-reviewed articles published from 2010 to 2024, this paper focuses on five themes: (a) student and educator experience and engagement, (b) modification in instructional practices, (c) learning and achievements, (d) opportunities, challenges, and strategies, and (e) mobile learning perceptions. The review reveals that mobile learning enhances students’ essential and higher-order thinking skills by establishing interactivity and learning through inquiry. However, other factors, such as the unequal distribution of resources and technology, still pose a challenge. To address these issues, it is suggested that future policies should focus on improving infrastructure, digital competency, and professional learning for instructors. Further, it is essential for institutions to engage faculty members in collaborative platforms to enhance their practice and have secure measures for data protection. This systematic review emphasizes the need for the researcher to conduct these evaluations over time to gauge the long-term impact of mobile learning and to look at the effects of this form of learning on different groups of students. It also concludes that future studies need to pay attention to ethical concerns and ways to provide equal opportunities in integrating technology into mathematics education for all 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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».