Pedagogy of Risk: Why and How Should We Teach Risk in High School Math Classes?
Notice bibliographique
Résumé
Risk is everywhere yet the concept of risk is seldom investigated in high school mathematics. After presenting arguments for teaching risk in the context of high school mathematics, the article describes a case study of teaching risk in two grade 11 classes in Canada- an all-boy independent school (23 boys) and a publicly funded religious school (19 girls and 4 boys). The findings suggest that the students possessed intuitive knowledge that risk of an event should be assessed by both its likelihood and its impact. Following and amending pedagogic model of risk (Levinson, R., Kent, P., Pratt, D., Kapadia, R., & Yogui, C., 2012), the study suggests that pedagogy of risk should include five components: 1) knowledge, beliefs, and values, 2) judgment of impact, 3) judgment of probability, 4) representations, and 5) estimation of risk. These components do not necessarily appear in the instruction or students’ decision making in chronological order,; furthermore, they influence each other. The implication for mathematics education is that a meaningful instruction about risk should go beyond mathematical representations and reasoning and include other components of the pedagogy of risk. The article also illustrates the importance of reasoning about rational numbers (rates, ratios, and fractions) and their critical interpretation in the pedagogy of risk.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».