Tre matematiklæreres praksisfortolkninger af læremidler
Bibliographic record
Abstract
Anvendelsen af læremidler i matematikundervisningen har udviklet og ændret sig meget i løbet af det sidste årti. I denne artikel undersøger vi mere specifikt, på hvilken måde en lærers drivkræfter (Siedel & Stylianides, 2018) påvirker de forskellige didaktiske transformationer, der foregår mellem læremidler og læremidler i brug både i forhold til intentioner i læremidlet, undervisningen, som præsenteres af læreren, og oplægget realiseret i interaktionen i klassen (Stein, Remillard & Smith, 2007). Tre kompetente lærere fra forskellige regioner i Danmark er blevet udvalgt, interviewet, observeret og videofilmet. De tre lærere er derefter blevet klassificeret ud fra Siedel og Stylianides’ (2018) kategoriseringer af læreres forskellige drivkræfter til undervisning og efterfølgende perspektiveret i forhold til Rezat og Sträßers (2012) sociodidaktiske tetraeder. Resultaterne indikerer, at lærernes drivkræfter tydeligvis påvirker lærernes transformationer af læremidlerne. Dette visualiseres synligt i det sociodidaktiske tetraeder. Denne påvirkning ved læreres brug af læremidler er væsentlig at italesætte både på læreruddannelsen og i efteruddannelsesprogrammer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.009 | 0.009 |
| Scholarly communication | 0.019 | 0.011 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.059 | 0.019 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".