Upload
trannga
View
238
Download
6
Embed Size (px)
Citation preview
1
ISSN (p) 2303-4890, ISSN (o) 1986–518X ISTRAŽIVANJE MATEMATIČKOG OBRAZOVANJA
http://www.imvibl.org/dmbl/meso/imo/imo2.htm
Vol. VII (2015), Broj 13, 1–12
Originalni istraživački rad
Analiziranje matematičkih zadataka
korištenjem MATH taksonomije
Siniša Crvenković Univerzitet u Novom Sadu, Departman za matematiku, Trg Dositeja Obradovića 4, 21000 Novi Sad, Srbija
e-mail: [email protected]
Mirela Mrđa
Univerzitet u Novom Sadu, Pedagoški fakultet Sombor, Podgorička 4, 25000 Sombor, Srbija
e-mail: [email protected]
Daniel A. Romano Univerzitet u Istočnom Sarajevu, Pedagoški fakultet Bijeljina,
76300 Bijeljina, Semberskih ratara b.b., Bosna i Hercegovina
e-mail: [email protected]
Marina Zubac
Universitet u Mostaru, Fakultet pirodoslovno-matematičkih i odgojnih nauka,
88000 Mostar, Matice Hrvatske b.b., Bosna i Herzegovina
e-mail: [email protected]
Sažetak: U ovom tekstu izložena je analiza jednog modela testiranja studenata na sadržaje univerzitetskog kursa
Matematika 1 uz upotrebu MATH taksonomije.
Ključne riječi i fraze: testiranje, Matematika 1, MATH taksomomija
Abstract. In this article an analyse of a mathematical task model using by MATH taxonomy is presented.
Key words and phrases: student testing, Mathematics 1, MATH taxonomy
Math. Subject Classification (2010): 97B40, 97D60
Didactic Subject Classification (2010): C70, D60
Uvod
Podsjetimo se kako su Jeremy Kilpatrick, Jane Swafford i Bradford Findell, u svojoj čuvenoj knjizi
“Adding It Up: Helping Children Learn Mathematics” (Kilpatrick et all, 2001) opisali matematička umjeća.
Priznajući da ne postoji termin koji bi u potpunosti pokrio sve aspekte stručnosti, sposobnosti, znanja i
vještina u nastavi matematike, odabrali su da terminom „matematička umjeća’ pokriju sve ono što
akademska zajednica istraživača matematičkog obrazovanja vjeruje da je potrebno svakome da uspješno
nauči matematiku. Prema toj knjizi, sastoje se od slijedećih pet isprepletanih struna:
• Konceptualno razumijevanje – Razumijevanje matematičkih pojmova (objekata i procesa), operacija sa
njima i njihovih meĎusobnih odnosa (Konceptualno razumijevanje odnosi se na integralno i funkcionalno
shvaćanja matematičkih ideja.)
• Proceduralne vještine - Vještost u obavljanju postupaka fluentno, tačno, učinkovito i na odgovarajući
način (Proceduralne vještine se odnosi na znanje o procedurama, poznavanje kada i kako ih koristiti na
odgovarajući način, te vještine u njihovom izvoĎenju fleksibilno, tačno i učinkovito.)
• Strateška nadležnost - Mogućnost formulisanja, predstavljnja i rješavanje matematičkih problema
(Strateška nadležnost se odnosi na sposobnost da se formulišu matematički problemi, da se predstave i da
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
2
se umiju riješiti. (Postoje meĎusobno podržavajuće veze izmeĎu strateških sposobnosti i oba prethodno
pomenuta umjeća – razumijevanje koncepata, procesa sa njima i njihovo fluentno korištenje u
procedurama.)
• Prilagodljivo rasuĎivanje – Kapacitet za logičko razmišljanje, promišljanje, objašnjavanje i opravdavanje.
(Adaptivno rasuĎivanje se odnosi na sposobnost da se misle logično o odnosima meĎu pojmovima i
situacijama.)
• Produktivna dispozicija / Operativna sklonost – stalna sklonost da se na Matematiku gleda kao na
racionalnu, korisnu i aplikativnu ljudsku djelatnost uz vlastitu uvjerenost u marljivost i sopstvenu
efikasnost.
Kako se to postiže? – pitanje je koji svaki realizator nastave matematike postavi sebi (ali i svom
okruženju – društvenoj i akademskoj zajednici) na početku svoje nastavničke karijere. U nas, većina
univerzitetskih nastavnika, podučavajući buduće nastavnike Metodici nastave matematike, pozivajući se na
Bloomovu taksonomiju, operacionalizaciju ciljeva nastave matematike realizuje zadacima nastave
matematike podučavajući svoje studente vještinama rješavanja matematičkih zadataka. U domeni
‟Istraživanje matematičkog obrazovanja‟ akademska zajednica razvila je različite taksonomije kako da se
analiziraju i klasifikuju matematički zadaci. Te taksonomije zasnovane su na različitim principijelno-
filozofskih pristupima. Takve su na primjer slijedeće taksonomije: (1) Tradicuionalni pristup; (2) Bloom-ova
taksonomija; (3) SOLO taksonomija; (4) MATH taksonomija; (5) TMS taksonomija; (6) Gelbrajt-Hejnesova
taxonomija i (7) Taksonomija komponentnih procjena; (8) Procjenjivanje pitanjima sa više izlaznih
mogućnosti; (9) Procjenjivanje pitanjima sa ponudjenim odgovorima.
Slijedeća pitanje, koja se postavljaju, su:
- Kako se provjerava da li su dosegnuti ciljevi nastave matematike?
- Koje pokazatelje bi trebalo procijenjivati da se utvrdi da li su se kod studenta razvila poželjna
matematička umjeća?
- Kako ustanoviti skalu za procjenjivanje nivoa usvojenih umjeća?
U ovom tekstu, mi nudimo jedan od mogućih modela za procjenu uspješnosti studenata u ovladavanju
znanjima i vještinama koje potražuje nastavni program enciklopedijskog kursa ‟Matematika 1‟ na tehničkim
fakultetima u nas. Da bi procjenili njegovu svrsihodnost, očekivane aktivnosti studenata pri rješavanju
zadataka ponuĎenog modela determinisani su elementima MATH taksonomije (‟The Mathematical
Assessment Task Hierarchy‟ taxonomy). U daljem, analizira je njegova primjena na završnim testiranjima
studenata Tehnološkog i Mašinskog fakuklteta Univerziteta u Banjoj Luci. Procjenjujući studentske
uspješnosti deskriptorima ove taksonomije dedukovane su slijedeće hipoteze /zaključci:
- Primjena MATH taksonmije na modele procjene studentske uspješnosti daje drugačije pokazatelje
nego je to bio slučaj primjenom tradicionalnih procjena.
- Prethodnim upoznavanjem testiranih studenata o aktivnostima pri rješevanju zadataka koje potražuje
ova taksonomija dobija se više kvalitetnijih pokazatelja nego je to slučaj kada nisu upoznati.
- Kategorije ove taksonomije omogućavaju uvid u kognitivni domen studentske uspješnosti.
- Radi sticanja uvida i u afektivni domen studentskih usvojenih umjeća trebalo bi analiziranje modela
procjenjivanja studentske uspješnosti kombinovati i drugim taksonomijama.
O opravdanosti ovih zaključaka i signifikantnosti parametara na kojima su zasnovani trebalo bi da su
predmet dugotrajnijih i detaljnijih ispitivanja. Ovo su namjere novoformiranog istraživačkog tima (Bijeljina,
Mostar, Novi Sad i Sombor). Naša slijedeća namjera je konstruisanje i analiziranje modela procjene
studentske uspješnosti kotištenjem elemenata više različitih taksonomija.
Modeli procjena
Karakter modela procjene proizlazi iz aspekata procjene. Različite metode i svrhe za procjenu
podrazumijevaju više dimenzija. Prva dimenzija ovog okvira uključuje procjenjivanje studentskog
razumijevanja koncepta matematičkih objekata i matematičkih procesa, procjenjivanje usvojenih vještina,
sposobnosti aplikacija, procjenjivanje njihovih stavova i uvjerenja. Niss (1993) koristi termin „režim
procjene’. Pod tim terminom on podrazumijeva slijedeće:
Subjekti procjene, tj. ko se procjenjuje.
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
3
Predmet procjene.
Objekte procjene.
Stavke procjene, odnosno koje vrste izlaznih pokazatelja se ocjenjuju.
Povodi i motivi procjene, odnosno kada i zašto se procjena odvija.
Postupcima i okolnosti procjene.
Poentiranje u procjeni, odnosno ono što je naglasio u postupcima procjenjivanja.
Izvještavanje o ishodima procjene.
Za potrebe ove studije, fokusiraćemo se na objekte procjene, odnosno vrste matematičkih sadržaja i koje
vrste studentskih matematičkih umjeća prepoznajemo procjenjivajući nivo usvajanjem tih pomenutih
sadržaja. Ovo uključuje:
(A) Znanje matematičkih činjenica. Misli se na procjenjivanje nivoa znanja definicija, teorema, formula,
odreĎenih specifičnih dokaza, istorijske i biografske podatke.
(B) Standardne metode i tehnike za dobijanje matematičkih rezultata. Ovo uključuju kvalitativne i
kvantitativne zaključke, rješenja problema i prikaz rezultata.
(C) Standardne aplikacije koje uključuju poznate, karakteristične vrste matematičkih situacija koje se mogu
tretirati pomoću ranije prihvaćenih i detaljno determinisanim matematičkim alatima.
U manjoj mjeri, objekti procjene takoĎer uključuju:
(D) Heurističke metode dokazivanja kao načina stvaranja matematičkih rezultata u ne-rutinskim
kontekstima.
(E) Rješavanje nestandardnih problema.
(F) Modeliranje konteksta u matematičke probleme.
Na kraju, u matematici susrećemo i
(G) Istraživanje hipoteza generalizacija kao predmet procjene.
Prve tri stavke zahtijevaju znanje činjenice, ovladavanje standardnim metodama i tehnikama i učinak
standardnih matematičkih aplikacija, a sve u tipičnim, poznatim situacijama. U daljem, u ovom modelu treba
obratiti pažnju na procjenjivanje studentskih sposobnosti sagledavanja matematičkih objekata i procesa koje
podrazumijevaju razumijevanje kognitivno zahtijevnijih matematičkih ideja. Zahtijevanjem od studenata da
reprodukuju dokaze, da rješavaju matematičke probleme, da modeliraju kontekste u matematičke zadatke, da
prepoznaju potrebne i dovoljne uslove za egzistenciju matematičkih objakata i procesa procjenjuju se
studentska umjeća za:
- Rješavanje problema otvorenog tipa;
- Rješavanje kompleksnijih problema;
- Realizovanje modeliranja realnih situacija;
- Istraživanje matematičkih struktura; i
- Analiziranje hipotetičkih generalizacija.
Prihvata se da su stavke (A)-(G) u ovom modelu procjenjivanja i korespodentna studentska umjeća opšte
prihvaćene kao esencijalne reprezentacije onoga što se smatra da matematika i matematičke aktivnosti
stvarno jesu. Prve tri stavke na gornjoj listi naglašavajući usvojene rutine karakterišu nizak nivo
matematičkih aktivnosti. Preostale stavke su kognitivno zahtijevnije. Pokazatelji (A), (B) i (C) su osnovni
slučajevi matematičkih znanja, razumijevanja i sposobnosti. U našem obrazovnom sistemu najčešći modeli
za procjenjivanje u matematičkom obrazovanju su ograničena na samo ove prve tri stavke. Jedan od razloga
za to je što metode za procjenu stavki (A), (B) i (C) najlakše osmisliti. Osim toga, tradicionalne metode
procjene ispunjavaju zahtijeve valjanosti, pouzdanosti i, najčešće ne ostavljaju prostora da različiti
procjenjivači različito procjenjuju studentske aktivnosti. Daleko teže je osmisliti alate za ocjenjivanje stavki
(D) - (G). Uključivanje ovih instanci u model procjene sigurno unosi i druge dimenzije važnosti u
procjenjivanju matematičkih uspješnosti. Ako se ograničimo samo na procjenjivanje stavki (A), (B) i (C) i
izostavimo stavke (D) - (G) izvan opsega procjene, ne samo da sebe ograničavamo u procesu procjenjivanja,
već se može desiti da steknemo iskrivljen i pogrešan dojam o uspješnosti testiranih kandidata. (Webb and
Romberg 1992; Niss, 1993).
Descriptori MATH taksonomije
Za potrebe ovog rada fokusiraćemo se na taksonomiju koja dolazi iz kognitivne tradicije „The
Mathematical Assessment Task Hierarchy taxonomy‟ (u daljem, MATH taksonomija), koju su 1996. godine
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
4
razvili Geoffrey H. Smith, Leigh N. Wood, Marry Coupland, Brain Stefenson, Kethrin Crawford i Geoff
Ball (Smith et all, 1996; Bennie, 2005; D‟Souza and Wood, 2003).
Cilj taksonomija je pomoći predavačima da razviju uravnotežene procjene matematičkih zadataka za
čije rješavanje se zahtijeva niz znanja i vještina. Principijelne kategorije ove taksonomje dizajnirane su da bi
se opisala "priroda aktivnosti ... a ne stepen složenosti ili stepen poteškoća” (Smith et al. 1996, 68). MATH
nomenklatura (vidi Tabelu 1.) je dizajnirana za analiziranje ispitnih zadataka u starijim razredima srednje
škole i dodiplomskim studijama.
Nivoi kompleksnosti Niži nivo
Grupa A
Srednji nivo
Grupa B
Viši nivo
Grupa C
A1. Znanje činjenica
B1. Prenos informacija
C1. Argumentacija i
tumačenje
A2. Razumijevanje
B2. Primjena u novim
situacijama
C2. Implikacije, pravljenje
hipoteza i uporeĎivanje
A3. Rutinska upotreba
Procedura
C3. Evaluacija
Tabela 1 (Kategorije MATH taksonomije)
Grupa A. Zahtijevno je potpuno determinisati sadržaj koji bi trebalo da pokrije ova kategorija. To se
odnosi na veliki broj zapamćenih specifičnih formula, definicija i teorema. Naravno, moguće je
reprodukovati iskaz nekog teorema bez razumijevanja, ali reprodukcija dokaza tog teorema zahtijeva
razumijevanje meĎuodnosa objekata i procesa koji se pri tome pojavljuju. Da bi demonstrirao to
razumijevanje, učenik bi trebalo da:
- Bude u mogućnosti da sa pouzdanjem obrazloži da li su neki od uslova koji se pojavljuju u
definicijama zadovoljeni ili ne;
- Razumije važnost simbola u formulama, definicijama i iskazima teorema; i
- Prepoznaje primjere i kontraprimjere.
U demonstriranju ovladanim vještinama razumijevanja i korištenja procedura student bi trebalo da je vičan
upotrebi procedura po analogiji.
Grupa B. B.1. može biti pokazano posredstvom slijedećih zadataka:
- Transformacijom informacija iz jednog u drugi oblik;
- Procjenjivanjem da li su u nekom konkretnom slučaju uslovi neke definicije zadovoljeni ili ne;
- Prepoznavanje primjenljivosti neke formule ili metoda u različitim kontekstima;
- Prepoznavanje neprimjenljivosti neke genetičke formule u nekim kontekstima;
- Sublimiranje informacija u netehničkim terminima za različite potrebe;
- Formulisanje matematičkih argumenata;
- Uočavanje i argumentacija meĎuodnosa komponenata nekog materijala;
- Konstruisanjem prihvatljivih obrazloženja procesa;
- Rekonstruisanje komponenata neke argumentacije u logički redoslijed;
B2. Primjena u novim situacijama uključuje i slijedeće:
- Modeliranje realnih situacija;
- Dokazivanje ranije nepoznatih tvrdnji ili rezultata koji dolaze iza korištenja rutinskih procedura;
- Korištenje poznatih procedura u novim situacijama;
- Izbor i primjena prihvatljivih statističkih tehnika;
- Izbor i primjena prihvatljivih algoritama.
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
5
Grupa C. C1. Ovdje se misli na sposobnost studenata da procijene i/ili da interpretiraju date ili
dobijene podatke. Ovo uključuje:
- Dokazivanje teorema u namjeri da se procjeni rezultat, metod ili model;
- Sposobnost de se uoče i rekonstruišu grešeke u razmišljanju;
- Sposobnost procjenjivanja da li je neki model prihvatljiv;
- Prepoznaju ograničenja u modelima;
- Prepoznaju ograničenja primjenenih algoritama i izvori pogrešaka;
- Interpretiranje regresivnih modela;
- Sposobnost voĎenja razgovora o signifikantnosti datih primjera ili kontraprimjera;
- Prepoznavanje neodrživih pretpostavki.
C2. Imajući ili dobijajući rezultate / situaciju student bi trebalo da je sposoban opisati implikacije i
meĎuodnose objekata u dobijenim podacima. TakoĎe, trebalo bi da je sposoban da ih procijeni ili dokaže.
Studenti bi trebalo da su sposobni da uporede procjene u različitim matematičkim kontekstima. Primjeri za
prethodno su:
- Sposobnost da se uoče ili naprave veze zasnovane na individualnuim ili heurističkim elementima;
- Sposobnost da se uočene veze dokažu korištenjem rigoroznih metoda;
- Sposobnost uporeĎivanja upotrebljibih algoritama;
- Sposobnost dedukovanja implikacija iz dobijenih podataka;
- Konstrukcija primjera i kontraprimjera.
C3. Evaluacija se odnosi na sposobnost procijenjivanja vrijednosti materijala u naznačene namjere
prema reterminisanim kriterijima. Od studenata se može zathijevati da prepoznaju i determinišu kriterije u
nekom kontekstu. Ovo uključuje i slijedeće:
- Sposobnost da se prave procjene;
- Sposobnost da se razvrstaju informacije po značajnosti;
- Sposobnost da se koherentno raspravlja o cjelini i o elementima ponaosob nekog algoritma;
- Organizacione vještine;
- Kreativnost koja uključuje snalaženje sa objektima i imformacijama prethodno dobijenim,
preureĎenje podataka i informacija u novi niz, i sagledavanje informacija koje nisu očigledno
ponuĎene (prisutne).
Na osnovu dostupne literature o modelima procjene i taksonomije u matematici (Anderson et all, 2001;
Bloom et all, 1956; Niss, 1993; Smith et al., 1996; Huntley, Engelbrecht and Harding, 2009), za potrebe ove
studije bilo je potrebno kompilirati neke od taksonomija kako bi se odgovorilo na pitanje procjene nivoa
kognitivnih zahtjevnosti matematičkih zadataka, kao i kognitivne sposobnosti povezane sa svakim od nivoa.
Sa ovim ciljem, poslužićemo se tzv. Taksonomijom komponentnih procjena (U originalnu: Assessment
component taxonomy) koju su razvili Belinda Huntley, Johann Engelbrecht i Ansie Harding (Huntley,
Engelbrecht and Harding, 2009). Ova taksonomija se sastoji od skupa sedam stavki, u daljem tekstu
matematike komponente procjene. Ovaj set od sedam matematičkih komponenti je determinisan nivoima
kognitivne kompleskonsti kao i prirodom matematičkih zadataka. Komponente procjene su:
(1) Tehnička,
(2) Predmetna,
(3) Konceptualna,
(4) Logička,
(5) Modeliranje,
(6) Rješavanje problema, i
(7) Konsolidacija.
Pitanja koja uključuju manipulacije i račun se smatraju tehničkim. Oni koji se oslanjaju na memoriju i
reprodukciju znanja i činjenice tretiraju se kao predmetnim komponentama. Komponente procjene (1) i (2)
uključuju pitanja zasnovana sa matematičkim činjenicama i standardnim metodama i tehnikama.
Konceptualne komponenta (3) uključuje umjeća razumijevanje i rad sa algebarskim, verbalnim, numeričkim
i vizualnim (grafičkim) pitanjima vezanim za standardne aplikacije. Komponente procjene (4), (5) i (6)
odgovaraju logičkim pitanjima u vezi sa dokazivanjem, modeliranje sa prevoĎenjem konteksta u
matematičke simbole a rješavanja problema pronalaženje matematičke metode da se doĎe do rješenja.
Komponenta procjene (7) konsolidacija uključuje procese sinteze (okupljanje različitih tema u jedno
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
6
pitanje), analize (razbijanje pitanja u različite teme) i evaluacija zahtijeva istraživanja i generacija hipoteza.
Veza izmeĎu ovih komponenata i MATH taksonomije je slijedeća:
Tabela 2: Komponente procjene MATH taksonomije i nivo kognitivnih zahtijevnosti
Kognitivni nivo zahtjevnosti Komponente procjene MATH (1) Tehnički Nivo nižih kognitivnih zahtijeva / grupa A
(2) Predmetni
(3) Konceptualni Nivo srednjih kognitivnih zahtijeva / grupa B
(4) Logički
(5) Modeliranje Nivo viših kognitivnih zahtijeva / grupa C
(6) Rješavanje problema
(7) Konsolidacija
Tabela 3. sumira predloženi komponente procjene matematike i odgovarajući kognitivne potrebne
vještine u okviru svake komponente.
Komponente procjene MATH /
Kognitivni nivo zahtjevnosti
Kognitivne sposobnosti
Tehničke Manipulacija
Izračunavanje
Matematičke Memorija
Znanje činjenica
Konceptualne Razumijevanje
- algebarsko razumijevanje
- verbalno razumijevanje
- numeričko razumijevanje
- vizuelno-grafičko razumijevanje
Logičke - UreĎenost
- dokazivanje
Modelitanje Transformacija konteksta u matematičku
simboliku
Rješavanje problema Identifikacija i primjena matematičkih metoda u
cilju dobijanja rješenja
Konsolidacija - Analiza
- Sinteza
- Evaluacija
Tabela 3: Komponenta procjene MATH taksonomija i kognitivnih umjeća
Teorijske osnove za istraživanje
Znatan broj članova Zajednice realizatora nastave matematike i Zajednice istraživača matematičkog
obrazovanja prihvataju konstruktivističke teorije matematičkog obrazovanja kao što su, na primjer ‟Teorija
didaktičkih situacija‟ i ‟Teorija realističkog matematičkog obrazovanja‟ za poboljšanje učenja matematike.
Prema tim teorijama, učenje se javlja u direktnom odnosu studenta prema onome što je već naučio. To
predznanje je organizovano u mentalne modele, vjerovanja i uvjerenja i gradi jedan sistem referencije u
njihovim umovima. Posredstvom tog sistem razumijevaju se, tumače i usvajaju značenja novoformiranih
matematičkih ideja, objekata, procesa i procedura sa njima. Studenti, u konstruktivističkom okruženju, u
interakciji sa tim svojim vlastitim okruženjem, razvijaju svoje sposobnosti i usvajaju nove vještine kreirajući
ekstenzije reinterpretiraju vlastite interpretacije stvarnosti u skladu sa ranije pomenutim sistemo lične
referencije. Učenje se realizuje kada se ostvari konsolidacija tog novog znanja. To bi trebalo da se
prepoznaje kao studentska sposobnost u izgradnji smislenih reprezentacija elemenata novoformiranog
znanja.
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
7
Procjena uspješnosti u realizaciji nastave matematike najčešće se vrši pismenim i usmenim testiranjem
učenika / studenata. Većina tih testiranja zasnovani su na zahtijevima da se prepoznaju, registruju i procijene
matematička umjeća studenata u skladu sa ciljevima nastave matematike.
Model
Zadatak 1. (13 bodova) Označimo sa 2N skup svih parnih prirodnih brojeva. Data je implikacija :
n22N n2N.
1.1 Izdvoj hipotezu i iskaži je riječima.
1.2 Izdvoj konsekvent i iskaži ga riječima.
1.3 Konstruiši obrat ove implikacije.
1.4 Konstruiši kontrapoziciju date implikacije.
1.5 Dokaži datu implikaciju.
1.6 Dokaži kontrapoziciju date implikacije.
Zadatak 2. (18 bodova) Dati su skupovi: А = {1,3,5,7,9} i B = {0,2,4,6,8}. Konstruiši korespodenciju izmeĎu
skupa А i skupa B tako da:
2.1. nije funkcija izmeĎu A i B;
2.2. јeste funkcija izmeĎu A i B;
2.3. D() A;
2.4. D() = A;
2.5. јeste surjekcija i nije injekcija izmeĎu A i B;
2.6. јeste bijekcija izmeĎu А i B.
Zadatak 3. (12 bodova) Neka je А podskup polja R realnih brojeva.
3.1. Definiši pojam gornja granica skupa А .
3.2. Determiniši koncept supA.
3.3. Definiši pojam donja granica skupa А .
3.4. Determiniši concept infA.
3.5. Pokaži da je skup А = { 1 +1
𝑛 𝑛
:𝑛 ∈ 𝑁} ograničen.
3.6. Obrazloži zašto postoji sup{ 1 +1
𝑛 𝑛
:𝑛 ∈ 𝑁} u polju R .
Zadatak 4 (17 bodova) Dati su kompleksni brojevi z1 = 2-3i и z2 = -5+4i kao elementi linearnog prostora C nad
poljem R realnih brojeva.
4.1. Izračunaj njihove norme i ustanovi da li su normirani.
4.2. Ustanovi da li su meĎusobno ortogonalni.
4.3. Ustanovi da su linearno nezavisni.
4.4. Ustanovi da kompleskni brojevi z1 = 2-3i i z2 = -5+4i čine bazu lineranog prostora C nad poljem R .
4.5. Prikaži kompleksne brojeve z3 = 1, z4 = 0 , z5 = i z6 = -3-2i i z7 = 4-5i u bazi B1 = {z1, z2}.
4.6. Izračunaj skalarni proizvod brojeva z6 = -3-2i i z7 = 4-5i u bazama B = {0, i} i B1 = {z1, z2}.
Zadatak 5 (28 bodova) Date su funkcije f, g i h sа f(x) = 𝑥
ln(𝑥+1), g(x) =
𝑥2−1
𝑥+2, h(x) = x arctgx.
5.1. Izračunaj domene ovih funkcija.
5.2. Ustanovi ponašanje ovih funkcija na rubovima domena.
5.3. PronaĎi asimptote ovih funkcija.
Zadatak 6 (12 bodova) Za matricu А = 3 10 1
indukcijom pokaži da vrijedi Аn =
3𝑛 1
2 3𝑛 − 1
0 1 za n 1.
Napomene. 0. Zadaci su vrednovani neravnomjerno. Minimalan broj bodova koji kandidat treba da prikupi pri rješavanju
seta zadataka je 51% od ukupnog broja bodova.
1. Kod „‟ znači da kandidat nije ponudio bilo kakve informacije kao odgovor na postavljeno pitanje.
2. Kod „0‟ znači da su informacije koje je kandidat ponudio kao odgovor na postavljeno pitanje bile potpuno
neptrihvatljive.
3. Svaki pojedinačni korak u svakom pojedinačnom zadatku vrednovan je shodno njegovoj kompleksnosti.
Vrednovanje 1. 2. 3. 4. 5. 6
Zadatak 1 1.5 1.5 1.5 1.5 3.0 4.0 13
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
8
Zadatak 2 3.0 3.0 3.0 3.0 3.0 3.0 18
Zadatak 3 1.5 1.5 1.5 1.5 3 3 12
Zadatak 4 3.0 2.0 2.0 1.5 4 4.5 17
Vrednovanje (a) (b) (c) i Zadatak 5.1 0.5 1.0 1.0 2.5
28 Zadatak 5.2 0.5+1.0+1.0+1.0 1.5+0.5+0.5+0.5 0.5+0.5 7.5
Zadatak 5.3 7.5 7.5 3.0 18
Vrednovanje I II III IV
Zadatak 6 2.0 2.0 4.0 4.0 12
Procjena modela
Zadatak 1. Zadatak se sastoji od šest podzadataka. Neki od njih zahtijevaju samo memorijske aktivnosti
(podkategorija A1: zadaci 1.1, 1.2.), a neki (zadaci 1.3. i 1.4.) zahtijevaju i razumijevanje koncepta
implikacije (Podkategorija A2). Svaki od prethodno nabrojanih podzadataka zahtijeva samo jednu aktivnost.
Podzadatak 1.5. zahtijeva rekonstrukciju dokaza valjanosti implikacije n22N n2N. Dokaz se izvodi
indirektnim putem oslanjanjem na logičke alate „Princip isključenja trećeg‟ i „Princip nekontradikcije‟
(Podkategorija A3). Podzadakat 1.6., (n2N) (n22N), ne treba dokazivati jer su implikacija i njena
kontrapozicije logički ekvivalentne. Zadatak razvrstavamo u podkategoriju B1 sa logičkim nivoom
kognitivnih zahtijevnosti.
Zadatak 2. Pri konstruisanju prihvaljivih odgovora na pitanja ovog zadatka, student će eksponirati nivo A1
(znanje definicija), nivo A2 (razumijevanje definicija), B1 (Procjenjivanjem da li su u nekom konkretnom
slučaju uslovi neke definicije zadovoljeni ili ne) i nivo C2 kognitivnih zahtijevnosti (Konstrukcija primjera i
kontraprimjera).
Zadatak 3. Zadatak nije kompleksan. Podrazumijeva nivo A kognitivnih zahtjevnosti : (A1) Reprodukcija
definicija ili skoro definicaja za potraživane koncepte: Pitanja 3.1-3.4; (A2) Vještine razumijevanja i (A3)
Korištenja procedura: Pitanja 3.5. i 3.6.
Zadatak 4. Zadatak razvrstavamo u kategoriju A (A2 - A3: podzadaci 4.1-4.3, 4.6), u obje podkategorije
B1 (Transformacija informacija iz jednog u drugi oblik: 4.3) i B2 (Korištenje poznatih procedura u novim
situacijama: 4.2, 4.3 i 4.5) i podkategoriju C2 (Sposobnost dedukovanja implikacija iz dobijenih podataka:
4.4), tj. rješavanje ovog zadatka pretpostavlja, izmeĎu ostalih, i konsolidaciju.
Zadatak 5. Rješavanje zadatka ima devet dijelova: 3 puta po tri analogna dijela.
(Korak 1) OdreĎivanje domena funkcija f, g i h pronalaženjem rješenja nejednačina
(a) D(f): x+1 0 ln(x+1) 0 ; (b) D(g): x2-1 0 x+2 0 ; (c) D(h): xR.
Dakle, domeni ovih funkcija su:
D(f) = -1,0 0,+; D(g) = -,-2 -2,1] [1,+ i D(h) = -,+.
Ovaj korak u rješavanju zadatka je ultimativno važan, jer njegovo afirmativno i potpuno precizno izvršenje
omogućava ostale aktivnosti. Ovaj korak razvrstavamo u podkategorije A2 (Postavljenje zahtjeva kojima se
determinišu domeni) i u podkategoriju A3 (Efektivno potraživanje odgovora na zahtjeve determinisanosti
domena).
(Korak 2) Izračunavanje jednostranih limesa
a1 lim𝑥−1+ 𝑓(𝑥), a2 lim𝑥0− 𝑓(𝑥), (a3) lim𝑥0+ 𝑓(𝑥) i (a4) lim𝑥+∞ 𝑓(𝑥) ;
b1 lim𝑥−∞ 𝑔(𝑥), b2 lim𝑥−2− 𝑔(𝑥), (b3) lim𝑥−2+ 𝑔(𝑥) i (b4) lim𝑥+∞ 𝑔(𝑥) ;
c1 lim𝑥−∞ (𝑥) i (c2) lim𝑥+∞ (𝑥).
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
9
U rješavanju limesa (a2) – (a4) neophodna je korištenje l‟Hospitalovih pravila. Zbog toga ove aktivnosti
razvrstavamo u podkategoriju B1 (Prepoznavanje primjenljivosti neke formule ili metoda u različitim
kontekstima). Limesi (b2)-(b4) mogu se izračunati standardnim procedurama bez poteškoća. Izračunavanje
limesa (b1) zahtjeva viši kognitivni nivo od prethodnih. Specifičnost izračunavanja ovog limesa je
demonstrirana niže:
lim𝑥−∞
𝑥2 − 1
𝑥 + 2= lim
𝑥−∞
𝑥2(1 −1𝑥2)
𝑥 + 2= lim
𝑥−∞
𝑥 1 −1𝑥2
𝑥 + 2=
lim𝑥−∞
−𝑥 1−1
𝑥2
𝑥+2= lim𝑥−∞
− 1−1
𝑥2
1+1
𝑥
= − 1.
Ovaj dio razvrstavamo u podkategorije B1 (Prepoznavanje neprimjenljivosti neke formule ili metoda u
različitim kontekstima) i podkategoriju B2 (Korištenje poznatih procedura u novim situacijama).
(Korak 3) UtvrĎivanje postojanja asimptota funkcija i traganje za jednačinama tih asimptota.
3.1. Funkcija f ima horizontalnu asimprotu u procesu x-. Drugih asimptota nema.
3.2. Funkcija g ima dvije različite horizontalne asimptote: y = -1 (u procesu x-) i y = 1 (u procesu
x +); vertikalnu asimprotu x = -2 (u procesima x−2− i x−2+).
3.3. Funkcija h ima dvije različite kose asimptote sa koeficijentima pravca k = - 𝜋
2 (u procesu x-) i k =
𝜋
2 (u procesu x+). Za izračunavanje odsječka n na osi ordinata, potrebno je uočiti da standardna
metoda izračunavanja limesa se ne može primjentiti (podkategorija B1), i prepoznati potrebu
upotrebe l‟Hospitalovog pravila (B2), pri čemu toj upotrebi prethodi prethodno neophodna
algebarska transformacija (B1).
Zadatak 6. Tvrdnja zadatka se dokazuje pozivanjem na „Princip matematičke indukcije‟:
(Korak 1) Treba pokazati da je tvrdnja zadatka tačna za n = 1 i n = 2.
- Realizujući aktivnost (Korak 1) učenik / student reprezentuje da je sposoban da izvrši provjeravanje
da li je izraz P(n) = 3𝑛
1
2 3𝑛 − 1
0 1 odgovararajućeg oblika za n = 1 i n = 2. Dakle, ova aktivnost
daje odgovore na tehničke zahtjeve aritmetičko-algebarskog izračunavanja.
(Korak 2) Treba napraviti hipotezu indukcije: Pretpostaviti da je tvrdnja zadatka tačna za n = k .
- Realizujući aktivnost (Korak 2) student eksponira sposobnost da odgovori na logički zahtjev
prepoznavanja hipoteze u Modusu ponensu P(k), P(k) P(k+1).
(Korak 3) Iz hipoteze P(k) = 3𝑘
1
2 3𝑘 − 1
0 1 treba dokazati da takoĎe vrijedi P(k+1) =
3𝑘+1 1
2 3𝑘+1 − 1
0 1 .
- Realizacijom aktivnosti (Korak 3) student pokazuje da:
(1) Razumije koncept logičke implikacije i njene elemente ;
(2) Udovoljava tehničkom zahtjevu algebarskog računanja;
(3) Razumije proces izdvajanja zaključka u pravilu zaključivanja „Modus ponens‟
P(k), P(k) P(k+1) ǁ P(k+1).
(Korak 4) Zasnovano na izvršenim aktivnostima (Korak 1) – (Korak 3), pozivajući se na „Princip
matematičke indukcije‟, utvrditi da je tvrdnja zadatka tačna za svako, ma kako izabrano, nN.
(4) Razumije process deduktivnog dokazivanja zasnovanog na aksiomu indukcije.
Izostanak realizacije poslednje aktivnosti indukuje zaključak da student nije osposobljen da zadovolji srednji
nivo kognitivnih zahtjeva. Zanemarivanje utvrĎivanja studentske uspješnosti u realizaciji ove aktivnosti
stiče se pogrešna slika o nivou kognitivnih umjeća testirane populacije. Prema izloženom, ovaj zadatak
razvrstavamo u kategoriju A i u podkategoriu B2 (Korak 4).
Niže je izložena tabela u kojoj su razvrstane aktivnosti pri rješavanju zadataka ovog modela.
Zadatak A1 A2 A3 B1 B2 C1 C2 C3
1 + + + + +
2 + + + +
3 + + +
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
10
4 + + + +
5 + + + +
6 + +
Tabela 4
Zaključne napomene
Ovaj model je primjenivan u završnom testiranju studenata na sadržaje nastavnog predmeta
„Matematika 1‟ Tehnološkog (TF) i Mašinskog fakulteta (MF) Univerziteta u Banjoj Luci u više navrata.
Naša iskustva zasnovana na tim primjenama mogu se sublimirati sa:
(1) U početku primjene ovog modela testiranja studenata, značajan broj kandidata bi odmah
odustajao od testiranja uz obrazloženje da se pitanja i zadaci znatno razlikuju od uobičajenih.
Na prvom primjenjivanju ovog modela procjenjivanja ispita iz predmeta ‟Matematika 1‟ prijavila su 84
studenta a odustala 47 studenta (ili oko 67%). Niže su izloženi detaljnjiji pokazatelji koji potkrepljuju
prethodno pomenuto iskustvo:
Fakultet A. Popul.
(c.c.)
B.
Prijavili B/A
(%)
C.
Pristupili C/B
(%)
D.
Odustali D/C
(%)
MF 300 57 19.0 46 80.7 29 63.04
TF 120 27 22.5 24 88.89 18 75.0
Ukupno 420 84 20.0 70 87.5 47 67.14
Tabela 5.1: Prva primjena modela
Fakultet A. Popul.
(c.c.)
B.
Prijavili B/A
(%)
C.
Pristupili C/B
(%)
D.
Odustali D/C
(%)
MF 300 72 24.0 69 95.83 11 15.94
TF 120 37 30.83 33 89.19 8 24.24
Ukupno 420 109 25.95 102 93.38 19 18.63
Tabela 5.2: Druga primjena modela
Fakultet A. Popul.
(c.c.)
B.
Prijavili B/A
(%)
C.
Pristupili C/B
(%)
D.
Odustali D/C
(%)
MF 300 102 34.0 101 99.02 7 6.93
TF 120 43 35.83 43 100 2 4.65
Ukupno 420 145 34.52 144 99.31 9 6.25
Tabela 5.3: Treća primjena modela
(2) Dalja primjena ovog modela davala je znatno više pokazatelja od interesa za istraživanje
matematičkog obrazovanja nego je to bio slučaj sa primjenom tradicionalnog načina testiranja.
Tradicionalni pristup procjenjivanja studentske uspješnosti se prepoznaje sa:
(a) Studenti se testiraju komplesknim matematičkim zadacima koje možemo opisati kao nelinearno
složene. Bar jedan od njih je nestandardan.
(b) Da bi studentska uspješnost tretiranana kao zadovoljavajuća, od ponuĎenog broja zadataka kandidati
moraju bez značajnijih grešaka uraditi minimalno 51% .
(c) Konstruisanjem prihvatljivih odgovora za pitanja u ponuĎenim zadacima student su eksponirali
vještine prepoznavanja matematičkih koncepata, procesa sa njima i vještine primjene standardnih
(i/ili nestandardnih) procedura.
(d) Zadaci su tretirani kao nerazdvojive cjeline. Rijetko, ili gotovo nikada, primjenjivana je „dio po dio
analiza‟ procjenjivanja zadataka.
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
11
Uporedićemo naša zapažanja povratnih informacija koje nude tradicionalni spistup procjenjivanja i
MATH taksonomija. Koristićemo se kategorijalnim pojmovima revidirane Blomove taksonomije (Anderson
et al, 2001), adaptirane za nastavu matematike, i klasterima Kilpatrikovih matematičkih umijeća (Kilpatrick
et al, 2001).
U prvom slučaju, parametri su:
Nelinearno složeni zadaci. Konstruišući prihvatljiva rješenja zadataka studenti pokazuju da su sposobni
da: (i) nauče kognitivno zahtijevan sadržaj i da ga mogu reproduikovati; (ii) su sposobni da naučeni sadržaj
primjene u novim situacijama.
Dakle, pomenute pokazatelje ovi istraživači prepoznaju kao proceduralne vještine.
Nestandardni zadaci: Konstruisanje prihvatljivih rješenja nestandardnih zadataka identifikujemo kao
studentsku sposobnost da prepoznaju i razumiju veze izmeĎu različitih matematičkih objekata.
Dakle, ovi istraživači ovo prepoznaju kao razvijenu stratešku nadležnost.
U drugom slučaju, parametri su:
Zadaci tipa A: (i) Poznavanje termina kojim su pokriveni matematički koncepti (na primjer: hipoteza,
konsekvent) i procesi (na primjer: implikacija, obrat implikacije i kontrapozicija implikacije); (ii) rutinska
upotreba procedura (na primjer: dokazovanje implikacije n22N n2N u Zadatku 1.5, ili njene
kontrapozicije u zadatku 1.6); (iii) prihvatanje dualnosti matematičkih objekata - razumjevanje koncepata i
procesa sa njima (na primjer: implikacija i njena kontrapozicija su logički ekvivalentne, i dovoljno je
dokazati jednu od njih i pozvati se na pomenutu logičku ekvivalentnost).
Zadaci tipa B: (i) Konstruisanje prihvatljivih obrazloženja uz dokaz implikacije n22N n2N i njene
kontrapozicije (n2N) (n22N) u Zadatku 1.5 i Zadatku 1.6;
(ii) Rekonstruisanje komponenata neke argumentacije u logički redoslijed.
(iii) Procjenjivanje da li su u nekom konkretnom slučaju uslovi neke definicije zadovoljeni ili ne. Na
primjer, u svim podzadacima Zadatka 2, potražuje se da student procjene da li konstruisani objekti
zadovoljavaju determinacije potraživanih objekata ili ne (aktivnost B1).
Zadaci tipa C: (i) Konstrukcija primjera i kontraprimjera (na primjer: podzadaci 2.1.-2.6. Zadatka 2
zahtijevaju aktivnosti od studenata koje prepoznajemo kao sposobnosti konstruisanja primjera i
konstruisanja kontraprimjera (aktivnost C2) uz obavezno provjeravanje da li konstruisani objakat
zadovoljava uslove determinacije potraživanih objekata.
(3) Postoje pokazatelji u sagledavanju studentskih umjeća koje ova taksonomija ne registruje, ili
nedovoljno pouzdano registruje. To se naročito odnosi na kategorije B i C.
Elemente matematička umjeća pokrivena kolokvijalnim terminima „Adapritvno zaključivanje‟ i
„Operativna sklonost‟ (Kilpatrick et al, 2001) analiziranjem ovog modela registrujemo sa poteškoćama.
TakoĎe, ova taksonomija nema razvijene skale prepoznavanja i procjenjivanja signifikantnosti za
prepoznavanje aktivnosti kao što su:
- Transformacijom informacija iz jednog u drugi oblik;
- Prepoznavanje neprimjenljivosti neke genetičke formule u nekim kontekstima;
- Sublimiranje informacija u netehničkim terminima za različite potrebe;
- Formulisanje matematičkih argumenata;
- Uočavanje i argumentacija meĎuodnosa komponenata nekog materijala;
- Sposobnost de se uoče i rekonstruišu grešeke u razmišljanju;
- Prepoznaju ograničenja u modelima;
- Prepoznaju ograničenja primjenenih algoritama i izvori pogrešaka;
- Interpretiranje regresivnih modela;
- Sposobnost voĎenja razgovora o signifikantnosti datih primjera ili kontraprimjera;
- Prepoznavanje neodrživih pretpostavki.
- Sposobnost da se uoče ili naprave veze zasnovane na individualnuim ili heurističkim elementima;
- Sposobnost da se prave procjene;
- Sposobnost da se razvrstaju informacije po značajnosti;
- Sposobnost da se koherentno raspravlja o cjelini i o elementima ponaosob nekog algoritma;
- Organizacione vještine;
IMO, Vol. VII (2015), Broj 13 S.Crvenković , M.MrĎa, D.A.Romano, M.Zubac
12
- Kreativnost koja uključuje snalaženje sa objektima i imformacijama prethodno dobijenim,
preureĎenje podataka i informacija u novi niz, i sagledavanje informacija koje nisu očigledno
ponuĎene (prisutne).
(4) Autori ovog teksta su uz dosta poteškoća primjenom MATH taksomomije prepoznavali elemente
afektivnog domena.
Radi sticanja uvida i u afektivni domen studentskih usvojenih umjeća trebalo bi analiziranje modela
kombinovati i drugim taksonomijama. Podsjetimo se da Krathwohl-Bloom-Masieva taksonomija afektivnog
domena (Krathwohl, Bloom and Masia, 1964) opisuje slijedeće kategorijalne ciljeve: (1) Prihvatanje; (2)
Refleksije; (3) Usvajanje vrijednosnih orijentacija (socijalne i socio-matematičke norme (Yackel and Cobb,
1996)); (4) Organizacija vrijednosnih orijentacija; i (5) Primjena vrijednosnih orijentacija.
Radi ilustracije, osvrnimo se na Zadatak 6 u ovom modelu. Kompletno rješenje ovog zadatka potražuje
od studenata aktivnost (Korak 4). Prepoznavanje i isticanje opredjeljenja ‟dokazivanje tvrdnje pozivanjem
na Princip matematičke indukcije‟, koju smo u analizi ovog modela determinisali kao (Korak 4), student
eksponira svoju uvjerenost da dokazivanje neke tvrdnje mora biti provedeno u skladu sa pravilima
dokazivanja i argumentovano na prethodno usvojenim tvrdnjama (u ovom slučaju aksiomi indukcije). Ovo
poslednje prepoznajemo kao primjenu vrijednosne orijentacije.
Zahvala. Autori se zahvaljuju recenzentima na sugestijama koje su znatno podigle kvalitet teksta.
Literatura
[1] Anderson, L. W., Krathwohl, D. R., & Bloom, B. S. (2001). A Taxonomy for Learning, Teaching, and Assessing:
A Revision of Bloom’s Taxonomy of Educational Objectives. Boston, MA: Ally & Bacon.
[2] Bennie, K. (2005). The MATH taxonomy as a tool for analysing course material in Mathematics: A study of its
usefulness and its potential as a tool for curriculum development. African Journal of Research in Mathematics,
Science and Technology Education, 9(2): 81-95.
[3] Bloom, B. S., Engelhart, M. D., Furst, E. J., Hill, W. H., & Krathwohl, D. R. (1965). Taxonomy of Educational
Objectives: Cognitive Domain. New York: McKay.
[4] D‟Souza, S. M., & Wood, L. N. (2003). Designing assessment using the MATH taxonomy. In Mathematics
Education Research: Innovation, Networking, Opportunity. Proceedings of the 26th
Annual Conference of
MERGA Inc., (pp. 294-301). Deakin University, Geelong, Australia
[5] Huntley, B., Engelbrecht, J. and Harding, A. (2009). An assessment component taxonomy for alternative
mathematics assessment formats. In: D. Wessels (Ed.), Proceedings of the 7th
Southern Right Delta Conference
on the Teaching and Learning of Undergraduate Mathematics and Statistics (pp. 117–128). Gordons Bay, South
Africa: International Delta Steering Committee.
[6] Kilpatrick, J., Swafford, J. and B. Findell (2001). Adding it up: helping children learn mathematics. National
Academy Press Washington, DC
[7] Krathwohl, D.R., Bloom, B.S. and Masia, B.B. (1964), Taxonomy of educational objectives, Book II. Affective
domain. New York, NY. David McKay Company, Inc.
[8] Niss, M. (1993). Investigations into assessment in mathematics education. An ICMI study. Dordrecht: Kluwer
Academic Publishers.
[9] Smith, G. H., Wood, L. N., Crawford, K., Coupland, M., Ball, G., & Stephenson, B. (1996). Constructing
mathematical examinations to assess a range of knowledge and skills. International Journal of Mathematical
Education in Science and Technology, 27(1): 65-77.
[10] Webb, N., & Romberg, T.A. (1992). Implications of the NCTM standards for mathematics assessment. In T.A.
Romberg (Ed.), Mathematics Assessment and Evaluation: Imperatives for Mathematics Educators (pp. 37-60).
Albany: State University of New York Press.
[11] Yackel, E. and Cobb, P. (1996). Sociomathematical norms, argumentation, and autonomy in mathematics. Journal
for Research in Mathematics Education, 27: 458-477.
Primljeno u redakciju Časopisa: 20.06.2015; Revidirana verzija: 28.07.2015;
Dostupna na Internetu: 01.09.2015.