Contenido principal del artículo

Alejandra Deriard
Universidad Tres de Febrero
Argentina
Vol. 39 (2020), Monografía, Páginas 157-175
DOI: https://doi.org/10.14201/hedu202039157175
Cómo citar

Resumen

Ante la inexistencia de referencias historiográficas acerca de la llegada de la Didáctica de la Matemática francesa a Buenos Aires, se realiza una búsqueda de los actores pertenecientes a ese espacio temporal y se los contrasta con fuentes documentales. Los resultados indican que esta teoría didáctica ingresa a Buenos Aires mediante un proceso de triangulación Francia, México, Buenos Aires, a fines de la década de 1980, constituyéndose en grupos de investigación. La puesta en marcha de situaciones didácticas, del estilo de las utilizadas por Brousseau (Brousseau, 1986) durante los procesos investigativos, fueron consecuencia del armado de equipos de investigación, cuyo efecto fue la escritura de documentos oficiales y del Diseño Curricular de la Ciudad de Buenos Aires. Se utilizan para el análisis metodologías correspondientes a la Historia Presente, siguiendo las recomendaciones metodológicas de Arostegui (2004) y de Valente (2007) con respecto a la Historia de la Enseñanza de la Matemática.

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Citas

Biel, C., Cierniak, G., D. Johnson, M., Bull, S., & Hesse, F. W. (2016). Influencing Cognitive Density and Enhancing Classroom Orchestration. En P. Reimann, S. Bull, M. Kickmeier-Rust, R. Vatrapu, & B. Wasson (Eds.), Measuring and Visualizing Learning in the Information-Rich Classroom. doi:https://doi.org/10.4324/9781315777979

Corbett, A. T., & Anderson, J. R. (1995). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253-278. doi:https://doi.org/10.1007/BF01099821

Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340. doi:https://doi.org/10.2307/249008

Djoub, Z. (2017). Assessment for learning: Feeding back and feeding forward. En E. Cano & G. Ion (Eds.), Innovative Practices for Higher Education Assessment and Measurement (pp. 19-35). Hershey PA, USA: IGI Global. doi:https://doi.org/10.4018/978-1-5225-0531-0

Dunlap, K., & Piro, J. S. (2016). Diving into data: Developing the capacity for data literacy in teacher education. Cogent Education, 3(1), 1132526. doi:https://doi.org/10.1080/2331186X.2015.1132526

Garrison, D. R., & Vaughan, N. D. (2007). Blended Learning in Higher Education: Framework, Principles, and Guidelines. San Francisco, CA, USA: John Wiley & Sons, Inc. doi:https://doi.org/10.1002/9781118269558

Gómez-Aguilar, D. A., García-Peñalvo, F.-J., & Therón, R. (2014). Analítica visual en e-learning. El Profesional de la Informacion, 23(3), 236-245. doi:https://doi.org/10.3145/epi.2014.may.03

Gómez-Aguilar, D. A., Hernández-García, Á., García-Peñalvo, F. J., & Therón, R. (2015). Tap into visual analysis of customization of grouping of activities in eLearning. Computers in Human Behavior, 47, 60-67. doi:https://doi.org/10.1016/j.chb.2014.11.001

Guàrdia, L., Crisp, G., & Alsina, I. (2017). Trends and Challenges of E-Assessment to Enhance Student Learning in Higher Education. En E. Cano & G. Ion (Eds.), Innovative Practices for Higher Education Assessment and Measurement (pp. 36-56). Hershey PA, USA: IGI Global. doi:https://doi.org/10.4018/978-1-5225-0531-0.ch003

Hattie, J. (2008). Visible Learning: A Synthesis of Over 800 Meta-Analyses Relating to Achievement. Abingdon, UK: Routledge.

Henri, M., Johnson, M. D., & Nepal, B. (2017). A Review of Competency-Based Learning: Tools, Assessments, and Recommendations: A Review of Competency-Based Learning. Journal of Engineering Education, 106(4), 607-638. doi:https://doi.org/10.1002/jee.20180

Idrissi, M. K., Hnida, M., & Bennani, S. (2017). Competency-Based Assessment: From Conceptual Model to Operational Tool. En E. Cano & G. Ion (Eds.), Innovative Practices for Higher Education Assessment and Measurement (pp. 55-78). Hershey PA, USA: IGI Global. doi:https://doi.org/10.4018/978-1-5225-0531-0.ch004

Kay, J., & Bull, S. (2015). New Opportunities with Open Learner Models and Visual Learning Analytics. En C. Conati, N. Heffernan, A. Mitrovic, & M. F. Verdejo, (Eds.), Artificial Intelligence in Education. AIED 2015 (pp. 666-669). Cham: Springer. doi:https://doi.org/10.1007/978-3-319-19773-9_87

Miller, H. G., & Mork, P. (2013). From Data to Decisions: A Value Chain for Big Data. IT Professional, 15(1), 57-59. doi:https://doi.org/10.1109/MITP.2013.11

Pardo, A., & Dawson, S. (2016). Learning Analytics: How can Data be used to Improve Learning Practice. En P. Reimann, S. Bull, M. Kickmeier-Rust, R. Vatrapu, & B. Wasson (Eds.), Measuring and Visualizing Learning in the Information-Rich Classroom (pp. 41-55). New York, USA: Routledge. doi:https://doi.org/10.4324/9781315777979

Romero, C., Romero, J. R., & Ventura, S. (2014). A Survey on Pre-Processing Educational Data. En A. Peña-Ayala (Ed.), Educational Data Mining (Vol. 524, pp. 29-64). Cham: Springer. doi:https://doi.org/10.1007/978-3-319-02738-8_2

Shields, M. (2005). Information Literacy, Statistical Literacy, Data Literacy. IASSIST Quarterly, 28(2), 7-14. doi:https://doi.org/10.29173/iq790

Taherdoost, H. (2018). A review of technology acceptance and adoption models and theories. Procedia Manufacturing, 22, 960-967. doi:https://doi.org/10.1016/j.promfg.2018.03.137

Vaughan, N. (2014). Student Engagement and Blended Learning: Making the Assessment Connection. Education Sciences, 4(4), 247-264. doi:https://doi.org/10.3390/educsci4040247

Villamañe, M., Alvarez, A., & Larrañaga, M. (2018). Supporting competence-based learning with visual learning analytics and recommendations. 2018 IEEE Global Engineering Education Conference (EDUCON) (pp. 1572-1575). USA: IEEE. doi:https://doi.org/10.1109/EDUCON.2018.8363421

Wahdain, E. A., & Ahmad, M. N. (2014). User Acceptance of Information Technology: Factors, Theories and Applications. Journal of Research and Innovation in Information Systems, 6, 17-25.

Yudelson, M. V., Koedinger, K. R., & Gordon, G. J. (2013). Individualized Bayesian Knowledge Tracing Models. En H. C. Lane, K. Yacef, J. Mostow, & P. Pavlik (Eds.), Artificial Intelligence in Education. AIED 2013, (pp. 171-180). Berlin: Springer. doi:https://doi.org/10.1007/978-3-642-39112-5_18