MARC

 008250123s2024        us                              c    eng  d
■001000017164284
■00520250211152943
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342137614
■035    ▼a(MiAaPQ)AAI31591776
■035    ▼a(MiAaPQ)Stanfordgf326jc6533
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a370
■1001  ▼aDelaney,  Victoria  Leah.
■24510▼aThe  Mathematics  of  Facial  Recognition:  Statistics  Teachers'  Adaptations  to  a  Machine  Learning  Curriculum
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a440  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Borko,  Hilda.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aToday's  students  are  surrounded  by  machine  learning  (ML)-powered  tools.  Yet,  few  understand  how  they  work.  While  there  are  numerous  opportunities  for  students  to  learn  about  ML  in  informal  settings  (e.g.,  Alvarez  et  al.,  2022;  Druga  et  al.,  2022)  and  online  (e.g.,  code.org,  Scratch),  there  are  far  fewer  opportunities  in  the  United  States  for  students  to  learn  about  how  ML  works  while  they  are  in  school.  Although  curriculum  and  standards  frameworks  have  been  developed  to  help  educators  navigate  machine  learning  education,  it  is  not  yet  known  if  teachers  can  or  want  to  enact  ML  curriculum  in  their  practice.As  a  former  classroom  teacher  and  ML  graduate  student,  I  saw  interdisciplinary  commonalities  between  machine  learning  and  statistics,  the  subject  I  used  to  teach.  In  response,  I  co-designed  a  one-unit  curriculum,  The  Math  of  Facial  Recognition  (FaceID),with  a  practicing  high  school  teacher.  We  built  the  curriculum  with  three  goals:  (1)  that  it  would  aim  to  help  teachers  and  students  build  high-level  intuitions  about  ML,  (2)  that  it  would  draw  from  teachers'  and  students'  prior  statistics  knowledge,  and  (3)  that  it  would  bridge  statistics  and  ML  concepts  by  exploring  facial  recognition  in  smartphones,  a  ML  application  that  students  likely  use  everyday.  We  built  custom  web  applications,  termed  "widgets,"  with  the  purpose  of  enabling  students  to  explore  and  test  hypotheses  about  facial  recognition  using  images  of  themselves.  Finally,  we  designed  the  curriculum  with  features  that  intentionally  encouraged  statistics  teachers  to  adapt  segments  and  activities  of  lessons  for  their  students.That  teachers  would  adapt  a  curriculum  for  instruction  is  not  surprising;  in  fact,  it  is  an  expected  component  of  good  teaching.  Drawing  from  studies  in  curriculum  theory,  I  argue  that  teachers'  adaptations  of  curriculum  -  from  written  documents,  to  teacher-intended  curricula,  to  jointly-enacted  curricula  between  teachers  and  students  -  are  supported  by  their  pedagogical  design  capacity  (PDC)  (Brown,  2009).  In  the  context  of  my  study,  PDC  refers  to  statistics  teachers'  diverse  resources  as  designers  of  instruction:  their  statistics  pedagogical  content  knowledge  (PCK),  subject-matter  knowledge  of  statistics,  students  PCK,  general  knowledge  of  pedagogy,  and  their  goals.  Teachers'  goals  may  or  may  not  align  with  goals  stated  in  the  written  curriculum,  which  can  influence  their  adaptations.  Two  key  goals  of  this  work  are  to  investigate  how  teachers'  PDC  supported  their  ability  to  adapt  FaceID,and  to  identify  their  rationales  for  making  adaptations.To  implement  my  study,  I  partnered  with  three  experienced  high  school  statistics  teachers  who  agreed  to  enact  FaceID  in  their  classrooms.  I  observed  each  teacher's  enactment,  noting  where  and  how  teachers  made  adaptations.  I  interviewed  each  teacher  before  and  after  they  taught  the  curriculum  to  learn  about  their  prior  knowledge,  experiences,  goals,  and  post-implementation,  the  nature  of  their  adaptations.  I  also  asked  each  teacher  to  identify  their  adaptations  separately  in  a  reflection  document,  because  I  was  curious  to  understand  how  teachers  defined  an  "adaptation"  in  their  own  practice.  After  concluding  my  field  work,  I  analyzed  the  data  to  determine  what  adaptations  teachers  made  to  FaceIDand  their  rationales  for  adapting  segments  and  activities,  taking  note  of  instances  where  teachers  interpreted  their  adaptations  differently  than  the  researchers.
■590    ▼aSchool  code:  0212.
■650  4▼aPedagogy
■650  4▼aComputer  science
■650  4▼aWriting
■650  4▼aAdaptation
■650  4▼aEducational  technology
■650  4▼aCore  curriculum
■650  4▼aTeachers
■650  4▼aClassrooms
■650  4▼aSchools
■650  4▼aScience  education
■650  4▼aDesign
■650  4▼aDigital  technology
■650  4▼aCurriculum  development
■690    ▼a0389
■690    ▼a0984
■690    ▼a0800
■690    ▼a0456
■690    ▼a0710
■690    ▼a0714
■690    ▼a0727
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164284▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서