Il metodo MERLO per la didattica della matematica
Bibliographic record
Abstract
L'elaborato vuole esplorare le potenzialità del metodo MERLO nella didattica della matematica. Il metodo MERLO (Meaning Equivalence Reusable Learning Object) nasce negli anni novanta in Canada e solo da qualche anno è stato portato nel contesto italiano, principalmente grazie al Dipartimento di Matematica dell'Università di Torino. \nQuesto metodo per incentivare l'apprendimento concettuale si basa sull'uso di schede con rappresentazioni multisemiotiche con lo scopo di evidenziare un Boundary Of Meaning (BOM) ossia un confine di significato. L'affermazione di cui si vuole indagare la conoscenza e le sue diverse rappresentazioni semiotiche rientrano nel BOM mentre rappresentazioni semiotiche simili ma con un significato diverso ne sono esclusi. \nNell'elaborato sono stati analizzati quelli che sono i principali fattori che intervengono nell'apprendimento di un concetto. È stato poi esposto in cosa consiste il metodo MERLO e come è stato trasposto in Italia, per meglio capire le potenzialità e criticità nella sua applicazione è stata riportata una sperimentazione didattica in una classe terza di una scuola secondaria di primo grado. Per avere una visione completa dell'introduzione del MERLO nel contesto della didattica della matematica sono state intervistate alcune docenti che ne fanno uso nella propria didattica e è stato intervistato anche il Professor Kennet che ha collaborato con i creatori del metodo. \nAl termine dell'elaborato sono state indicate le criticità del metodo MERLO e le sue potenzialità.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.030 | 0.008 |
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".