Að sníða nemendum stakk eftir vexti : kennsla nemenda sem eiga í erfiðleikum með stærðfræðinám
Bibliographic record
Abstract
Það getur verið snúið verkefni fyrir kennara að finna leiðir til að styðja nemendur, sem eiga í erfiðleikum með stærðfræðinám, við að auka hæfni sína í stærðfræði. Nemendur, sem ítrekað hafa upplifað ósigur í námi, telja sér oft trú um að stærðfræði sé námsgrein sem sumir hafa á valdi sínu og aðrir ekki. Þeir álíta að þeir hafi ekki það sem þarf til að verða góðir í stærðfræði og sjá ekki tilgang með náminu. Tilgangur rannsóknarinnar, sem hér fer á eftir, er að auka þekkingu og dýpka skilning á reynslu kennara af því að vinna með nemendum sem eiga erfitt með stærðfræði. Leitað var svara við eftirfarandi spurningu: Hver er reynsla kennara af því að vinna með nemendum sem eiga erfitt með stærðfræðinám? \nTil að svara rannsóknarspurningunni var valin fyrirbærafræðileg aðferð, Vancouver-skólinn, sem ætlað er að auka skilning á mannlegum fyrirbærum. Átta kennarar voru þátttakendur í rannsókninni og byggðust viðtölin upp á opnum spurningum. Fjögur meginþemu komu fram: \na) Nemendum, sem eiga í erfiðleikum með stærðfræðinám, er oft kennt í annarri stofu en bekkjarstofu, því það þjónar hagsmunum þeirra betur. \nb) Að finna sínar eigin lausnaleiðir hefur jákvæð áhrif, bæði á námsgleði og námsárangur nemenda sem eiga í erfiðleikum með stærðfræðinám, einnig í hópavinnu nemenda sem búa yfir ólíkri hæfni í stærðfræði. \nc) Ýmsir þættir hafa áhrif á að flestir nemendur vinni með sama námsefni í stærðfræði. \nd) Í stærðfræðikennslu nemenda, sem eiga erfitt með stærðfræðinám, er mikil áhersla lögð á vellíðan þeirra, en eitt það erfiðasta sem stærðfræðikennarar standa frammi fyrir er uppgjöf nemenda. \nLeiðir til úrbóta og hugmyndir að framtíðarrannsóknum voru reifaðar og sú ályktun dregin að fara þyrfti markvisst inn í skólasamfélagið með fræðslu um nýjustu rannsóknir sem snúa að stærðfræðinámi. Fræðslan þyrfti að ná til nemenda, foreldra, kennara, skólastjórnenda og annarra starfsstétta sem koma að stærðfræðinámi nemenda
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.134 | 0.063 |
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".