MétaCan
Menu
Retour à la cohorte
Enregistrement W7154260560 · doi:10.63311/jksmed.2023.26.1.1

Intervening in Mathematics Group Work in the Middle Grades

2023· article· en· W7154260560 sur OpenAlexaff
Tye G. Campbell, Sheunghyun Yeo, M R Green, Erin Rich

Notice bibliographique

RevueMathematics Education Research and Practice · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueParental Involvement in Education
Établissements canadiensCrandall University
Organismes subventionnairesnon disponible
Mots-clésWork (physics)Group (periodic table)Class (philosophy)Group workTerm (time)

Résumé

récupéré en direct d'OpenAlex

Over the last three decades, there has been an increasingly strong emphasis on groupcentered approaches to mathematics teaching.One primary responsibility for teachers who use group-centered instruction is to "check in", or intervene, with groups to monitor group learning and provide mathematical support when necessary.While prior research has contributed valuable insight for successful teacher interventions in mathematics group work, there is a need for more fine-grained analyses of interactions between teachers and students.In this study, we co-conducted research with an exemplary middle grade teacher (Ms.Green) to learn about fine-grained details of her intervention practices, hoping to generate knowledge about successful teacher interventions that can be expanded, replicated, and/or contradicted in other contexts.Analyzing Ms. Green's practices as an exemplary case, we found that she used exceptionally short interventions (35 seconds on average), provided space for student dialogue, and applied four distinct strategies to support groups to make mathematical progress: (1) observing/listening before speaking; (2) using a combination of social and analytic scaffolds; (3) redirecting students to task instructions; (4) abruptly walking away.These findings imply that successful interventions may be characterized by brevity, shared dialogue between the teacher and students, and distinct (and sometimes unnatural) teaching moves.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0070,004
Communication savante0,0050,002
Science ouverte0,0020,007
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,444
Tête enseignante GPT0,531
Écart entre enseignants0,088 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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 revueMathematics Education Research and PracticeMême sujetParental Involvement in EducationTravaux en français237 207