تاثیر استفاده از بازنمایی ها بر کیفیت تدریس مفاهیم جبری (معادله درجه اول )
الموضوعات :
اکرم دریایی
1
(گروه ریاضی، دانشکده علوم پایه، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
ابوالفضل تهرانیان
2
(گروه ریاضی، دانشکده علوم پایه، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
آحمد شاهورانی
3
(گروه ریاضی، دانشکده علوم پایه، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
محسن رستمی مال خلیفه
4
(گروه ریاضی، دانشکده علوم پایه، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
الکلمات المفتاحية: Mathematics, Algebra Teaching, linear equation, representation, Performance,
ملخص المقالة :
یاددهی و یادگیری مفاهیم جبری همواره با مشکلاتی مواجه بوده است. فرایند یاددهی و یادگیری جبر در مدارس باید به گونه ای باشد تا دانش آموزان بدانند اغلب ایده های جبری می تواند به صورتی عینی و ملموس، با استفاده از بازنمایی ها معرفی شوند. بنابراین با تلاش در بوجود آوردن یک دیدگاه شهودی در دانش آموزان و حرکت تدریجی از تجربه های عینی و ملموس به سمت ایده های مجردتر و استفاده ی مناسب از بازنمایی ها می توان به ساخته شدن مفاهیم و ایده های ریاضی در آن ها کمک نمود. هدف اصلی این پژوهش، بررسی تاثیر استفاده از بازنماییها بر کیفیت تدریس مفاهیم جبری میباشد. چارچوب پژوهش به کمک سه نوع بازنمایی؛ عددی، نمادین و نموداری است. نمونه در دسترس از یک مدرسه در منطقة 4 شهر تهران انتخاب شده است. روش پژوهش نیمه آزمایشی با طرح پیشآزمون و پسآزمون با گروه کنترل در میان 83 دانشآموز دختر پایه دهم در سه رشته انسانی، تجربی و ریاضی پیادهسازی و اجرا شد. ابزار پژوهش آزمون محقق ساخته است که روایی صوری و محتوایی آزمون توسط 8 نفر از اساتید ریاضی تأیید گردید. به کمک معیار آلفای کرونباخ ضریب پایایی آن 85/0 به دست آمد. دادههای پیش و پس از آموزش مبتنی بر بازنماییها در گروه آزمایش و آموزش سنتی در گروه کنترل جمعآوری شد. نتایج یافتهها با استفاده از نرم افزار SPSS 24 نشان داد که استفاده از هر یک از "بازنمایی به شیوه نموداری، عددی، و نمادین" با توجه به موقعیتهای تدریس مفاهیم جبری و متناسب با شرایط دانشآموزان، تأثیر مثبتی بر عملکرد آنها در حل مسائل جبری پایه دهم داشته است. نتایج این پژوهش برای آموزشگران ریاضی و مؤلفین کتب درسی مفید است.
[1] L. Caccetta, B. Qu, and G. Zhou. A globally and quadratically convergent method for absolute value equations. Computational Optimization and Applications, 48(1):45–58, 2011.
[2] A. Cordero, J. L. Hueso, E. Martinez, and J. R. Torregrosa. A modified Newton-Jarratts composition. Numerical Algorithms, 55(1):87–99, 2010.
[3] A. Cordero, T. Lotfi, K. Mahdiani, and J. R. Torregrosa. A stable family with high order of convergence for solving nonlinear equations. Applied Mathematics and Computation, 254:240–251, 2015.
[4] R. Farhadsefat, T. Lotfi, and J. Rohn. A note on regularity and positive definiteness of interval matrices. Open Mathematics, 10(1):322–328, 2012.
[5] F. K. Haghani. On generalized Traubs method for absolute value equations. Journal of Optimization Theory and Applications, 166(2):619–625, 2015.
[6] N. J. Higham. Accuracy and stability of numerical algorithms. SIAM, 1996.
[7] J. L. Hueso, E. Martinez, and J. R. Torregrosa. Modified Newtons method for systems of nonlinear equations with singular Jacobian. Journal of Computational and Applied Mathematics, 224(1):77–83, 2009.
[8] T. Lotfi, P. Bakhtiari, A. Cordero, K. Mahdiani, and J. R. Torregrosa. Some new efficient multipoint iterative methods for solving nonlinear systems of equations. International Journal of Computer Mathematics, 92(9):1921–1934, 2015.
[9] T. Lotfi, K. Mahdiani, P. Bakhtiari, and F. Soleymani. Constructing two-step iterative methods with and without memory. Computational Mathematics and Mathematical Physics, 55(2):183–193, 2015.
[10] O. Mangasarian. A generalized newton method for absolute value equations. Optimization Letters, 3(1):101–108, 2009.
[11] O. Mangasarian and R. Meyer. Absolute value equations. Linear Algebra and Its Applications, 419(2-3):359–367, 2006.
[12] O. L. Mangasarian. Absolute value equation solution via concave minimization. Optimization Letters, 1(1):3–8, 2007.
[13] O. L. Mangasarian. A hybrid algorithm for solving the absolute value equation. Optimization Letters, 9(7):1469–1474, 2015.
[14] O. Prokopyev. On equivalent reformulations for absolute value equations. Computational Optimization and Applications, 44(3):363, 2009.
[15] J. Rohn. On unique solvability of the absolute value equation. Optimization Letters, 3(4):603–606, 2009.
[16] J. Rohn, V. Hooshyarbakhsh, and R. Farhadsefat. An iterative method for solving absolute value equations and sufficient conditions for unique solvability. Optimization Letters, 8(1):35–44, 2014.
[17] F. Soleymani, T. Lotfi, and P. Bakhtiari. A multi-step class of iterative methods for nonlinear systems. Optimization Letters, 8(3):1001–1015, 2014.
[18] J. Stoer and R. Bulirsch. Introduction to numerical analysis, volume 12. Springer Science & Business Media, 2013.
[19] J. F. Traub. Iterative methods for the solution of equations, volume 312. American Mathematical Soc., 1982.
[20] H. Wozniakowski. Numerical stability for solving nonlinear equations. Numerische Mathematik, 27(4):373–390, 1976.
[21] N. Zainali and T. Lotfi. On developing a stable and quadratic convergent method for solving absolute value equation. Journal of Computational and Applied Mathematics, 330:742–747, 2018.
[22] T. Lotfi; Y. Seif, An improved generalized Newton generalized method for absolute value equation, New Researches in Mathematics, 29 (7) 103-110, 2021
[23] Wang, A., Cao, Y., Chen, J.-X., Modified Newton-Type iteration methods for generalized absolute value equations, J. Optimization Theory and Applications, 181(1), 216-230, 2019
[24] L. Zheng, L. The Picard-HSS-SOR iteration method for absolute value equations. J Inequal Appl 2020, 258 2020.
[25] Y. Cao, Q. Shi, S. Zhu, A relaxed generaized Newton iteration method for generalized absolute value equation, AIMS Mathematics, 6(2), 1258-1275, 2021