MétaCan
Menu
Retour à la cohorte
Enregistrement W7135510119

El uso de materiales manipulativos para trabajar las matemáticas en Educación Infantil

2023· dissertation· W7135510119 sur OpenAlexaboutno aff
Hirune Michelena Laurnagaray

Notice bibliographique

RevueAcademica-e (Universidad Pública de Navarra) · 2023
Typedissertation
Langue
DomainePsychology
ThématiqueDevelopmental and Educational Neuropsychology
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Quarter (Canadian coin)Period (music)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Mediante este Trabajo Fin de Grado se han reconocido diferentes formas de trabajar las matemáticas en Educación Infantil, así como sus puntos fuertes y débiles. Para ello, primero se han dado explicaciones sobre el constructivismo, los procesos matemáticos y el principio de globalización. A continuación se ha revisado la legislación de la etapa, creando conexiones con las ideas anteriores. Después, se han analizado dos metodologías diferentes. Por un lado se han dado explicaciones teóricas sobre el método tradicional y, por otro lado, sobre el juego y los materiales manipulativos. Para profundizar en el método tradicional, se han analizado varias fichas utilizadas para trabajar las matemáticas en un centro que seguía esta metodología. Así, se ha observado que sus debilidades son evidentes. En respuesta, se ha creado un proyecto para trabajar las matemáticas con materiales manipulativos en segundo curso del segundo ciclo de Educación Infantil. Aunque el proyecto ha surgido en torno al tema de los animales de granja, el trabajo de las matemáticas ha sido el más importante. Para ello, el proyecto se ha basado en las ideas del constructivismo, los procesos matemáticos, la globalización y el juego, y se ha incorporado el uso de materiales manipulativos.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,701
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0030,000
Intégrité de la recherche0,0050,004
Charge utile insuffisante (le modèle a refusé de juger)0,0100,014

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,374
Écart entre enseignants0,337 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademica-e (Universidad Pública de Navarra)Même sujetDevelopmental and Educational NeuropsychologyTravaux en français237 207