In the Netherlands there is discussion about the best way to teach mathematics, especially in the case of primary school students. Being able to identify and understand pupils’ multiple problem solving strategies is one of the pillars of pedagogy. However, it is very demanding for teachers, since it requires to notice and analyze pupils’ mathematical thinking and to understanding their actions. The skill to notice and analyze a student’s mathematical thinking is usually not emphasized in Dutch primary school teacher training. It is important to find ways to help teacher-students to analyze student mathematical reasoning, and to learn to recognize the importance of such analysis. Sherin and van Es used the concept of video clubs to help teachers in US schools to notice and analyze their students’ mathematical thinking. In such video clubs, students jointly discuss their filmed lessons. This leads to the following research question:How can video clubs be used to teach students who are learning to become primary school teachers to analyze their pupils’ mathematical thinking and to learn to recognize the importance of such analysis?This paper describes a study that monitors a video club with four participants.
LINK
Torpedo is a digital learning environment for developing mathematical problem-solving ability through self-study for pre-service teachers in primary teacher education. To achieve this, Torpedo supports and challenges pre-service teachers’ reflection during and after solving non-routine mathematics problems. To investigate the feasibility of the Torpedo approach, 271 pre-service teachers used Torpedo during one month in a pilot study. They used and evaluated Torpedo’s reflective elements differently. The results varied from pre-service teachers who experienced that reflection really contributed to the development of their problem-solving ability, to pre-service teachers who hardly reflected. The last group consisted of those who found the problems too difficult to reflect upon and those who used Torpedo to prepare for the National Mathematics Test and preferred to do so by drill and practice. As a conclusion, the study provides clues for improving Torpedo so that it invites more reflective self-study behaviour. For pre-service teachers who consider reflection valueless, however, self-study in a digital learning environment may be insufficient to change this attitude.
We investigated whether Early Algebra lessons that explicitly aimed to elicit mathematical discussions (Shift-Problem Lessons) invoke more and qualitatively better mathematical discussions and raise students’ mathematical levels more than conventional lessons in a small group setting. A quasi-experimental study (pre- and post-test, control group) was conducted in 6 seventh-grade classes (N =160). An analysis of the interaction processes of five student groups showed that more mathematical discussions occurred in the Shift-Problem condition. The quality of the mathematical discussions in the Shift-Problem condition was better compared to that in the Conventional Textbook condition, but there is still more room for improvement. A qualitative illustration of two typical mathematical discussions in the Shift-Problem condition are provided. Although students’ mathematical levels were raised a fair amount in both conditions, no differences between conditions were found. We concluded that Shift-Problem Lessons are powerful for eliciting mathematical discussions in seventh-grade Shift-Problem Early Algebra Lessons.
Het stabiel operationeel houden van anaerobe vergisters van organische afvalstromen (bijvoorbeeld mest, voedselafval of zuiveringsslib) is een grote uitdaging. Veel vergisters draaien daardoor suboptimaal of staan zelfs helemaal stil, met economische schade voor de boer, leveranciers van biovergisters, als samenleving door minder omzetting van circulaire grondstoffen tot bijvoorbeeld vetzuren of methaan. Mechanistische modellen worden toegepast voor geautomatiseerde procesregeling, maar de onderliggende microbiële en fysisch chemische processen zijn dusdanig gecompliceerd dat de regeling weinig robuust is. Daarentegen kan kunstmatige intelligentie –en met name Artificial Neural Network (ANN)– systeemgedrag beschrijven zonder voorkennis van de in de bioreactor optredende mechanismen. ANN-modellen hebben met succes biogasproductie voorspeld en geoptimaliseerd met specifieke input- en outputparameters. Dit voorstel beoogt een Slimme Procesregeling voor Anaerobe VERgisters en geeft de aanzet tot een ANN-model dat in staat is om het vergistingsproces onder verschillende omstandigheden te voorspellen op basis van gegevens verkregen uit literatuuronderzoek en experimenten. Een vervolgproject kan dit uitbouwen naar een nauwkeuriger ANN-model dat een proactieve regelstrategie kan geven voor de vergisters in het werkveld van onder andere de projectpartners HoSt en Methaplanet. Vernieuwend is de kruisbestuiving tussen verwaarding van organische reststromen met kunstmatige intelligentie in een samenwerkingsverband tussen de Saxion-lectoraten Duurzame Energievoorziening, Ambient Intelligence, de UT-vakgroep Discrete Mathematics and Mathematical Programming, genoemde vergisterleveranciers en ToPerform. Dit moet leiden tot een betere benutting van organische reststromen door middel van vergisting. Het voorstel past daarom binnen het thema “Chemische processen en technologie”, van de GoChem-missie Duurzame Chemie. Beoogde projectresultaten zijn: 1. Een trainingsset van empirische data die procesparameters kan relateren aan procesfalen voor verschillende soorten organische reststromen; 2. Een opzet voor een ANN die met geleverde trainingsset de mogelijkheid voor een proactieve regelstrategie voor vergisters aantoont; 3. Een aanzet voor een vervolgproject om de ANN uit te werken tot een proactieve regelstrategie voor de mkb-partners in het werkveld.
