Fokus på den spesialiserte fagkunnskapen. - En intervjustudie for å identifisere og beskrive matematikklærerens fagkunnskap.
Bibliographic record
Abstract
Denne masteroppgaven rapporterer fra en studie hvor målet var å finne ut mer om lærernes\nkunnskap. Med utgangspunkt i tidligere forskning på området har jeg forsøkt å belyse\nhvordan matematikklærerens spesialiserte fagkunnskap skiller seg fra allmenn fagkunnskap i\nen kvalitativ intervjustudie av to lærere og to ingeniører. Disse to begrepene har jeg hentet fra\nLMT-prosjektet (Learning Mathematics for Teaching) som er et amerikansk forskningsarbeid\ngjennomført av et forskerteam ved University of Michigan. Intensjonen med prosjektet deres\ner å undersøke den matematiske kunnskapen lærere trenger for å undervise, samt hvordan\ndenne kunnskapen utvikles gjennom praksis og utdannelse\n(http://sitemaker.umich.edu/lmt/home). LMT-prosjektet har sammen med beslektede studier\nbidratt som en teoretisk og begrepsmessig ramme for studien min. I tillegg har jeg brukt et\nmetodisk verktøy (multiple-choice oppgaver) utviklet av disse forskerne som en del av\nmetoden i arbeidet mitt.\nData er basert på to fokusgruppeintervju, ett lærerintervju og ett ingeniørintervju. Begge ble\ngjennomført ut fra oppgaveløsing av ti multiple-choice oppgaver hentet fra LMT-prosjektet. I\nanalysen har jeg hovedsakelig tatt utgangspunkt i lærernes refleksjoner rundt disse oppgavene\nfremfor de skriftlige besvarelsene. I løpet av dette arbeidet har jeg blant annet fått innblikk i\nhvordan lærere og ingeniører resonnerer rundt sine egne løsningsstrategier og matematiske\nkunnskap. Jeg har også fått belyst ulike sider ved lærernes undervisning, for eksempel hvilke\nfaktorer lærerne prioriterer i arbeidet sitt.\nStudien dokumenterer eksistensen av en spesialisert fagkunnskap som skiller seg fra den\nallmenne fagkunnskapen. Lærernes refleksjoner viser at de har kunnskap om konkretisering\nog bruk av matematiske regler/algoritmer ut fra en undervisningskontekst. Ingeniørene hadde\nsvært begrenset kunnskap om dette, noe som antyder at dette er en unik kunnskap for lærerne.\nPå bakgrunn av lærernes lave matematikkutdannelse er dette sannsynligvis en type kunnskap\nsom har utviklet seg gjennom praksis.\nMåten ingeniørene løste og reflekterte rundt oppgavene på kan kategoriseres som solid\nallmenn fagkunnskap. Lærernes begrensninger tilknyttet oppgaveløsningen viser en svakere\nallmenn fagkunnskap som først og fremst kan ses i sammenheng med utdannelsen deres.\nStudien antyder videre at fagkunnskap påvirker den fagdidaktiske kunnskapen, og at den\nspesialiserte fagkunnskapen fungerer som et bindeledd mellom disse to\nIII\nkunnskapskategoriene. En implikasjon av dette vil være å forske videre på den spesialiserte\nfagkunnskapen for å finne ut om og hvordan de ulike kunnskapskategoriene påvirker\nhverandre.\nStudien viser at lærerens kunnskap er kompleks og dynamisk. Samtidig viser den at\nundervisningsarbeidet både krever og skaper spesialisert fagkunnskap unik for\nlærerprofesjonen.
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.011 | 0.008 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.153 | 0.078 |
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".