Abstract This quantitative study examined the dynamics of the Technological Pedagogical Content Knowledge (TPACK) framework within mathematics education, centring on the role of Contextual Knowledge (XK). The research, conducted with middle school mathematics teachers in Chongqing, China, employed structural equation modelling (SEM) to explore the relationships between various TPACK components. The study establishes discriminant validity and demonstrates an excellent fit for the SEM model. Notably, it uncovers significant correlations within the TPACK framework, with a special emphasis on the influence of XK. The findings indicate that XK, in conjunction with Pedagogical Knowledge (PK), Pedagogical Content Knowledge (PCK), and Technological Content Knowledge (TCK), considerably impacts the overall TPACK construct. The research highlights the critical influence of XK on key TPACK components, such as Technological Pedagogical Knowledge (TPK), PCK, and TPACK itself. These results underline the importance of integrating XK in professional development programs focused on TPACK, accentuating its vital role in effectively integrating technology in mathematics education. This study significantly contributes to the academic understanding of TPACK’s complex dynamics. It provides essential insights for enhancing technology integration in mathematics education, offering valuable guidance for educational practitioners and policymakers.

Plant morphology is inherently mathematical in that morphology describes plant form and architecture with geometrical and topological descriptors. The geometries and topologies of leaves, flowers, roots, shoots and their spatial arrangements have fascinated plant biologists and mathematicians alike. Beyond providing aesthetic inspiration, quantifying plant morphology has become pressing in an era of climate change and a growing human population. Modifying plant morphology, through molecular biology and breeding, aided by a mathematical perspective, is critical to improving agriculture, and the monitoring of ecosystems with fewer natural resources. In this white paper, we begin with an overview of the mathematical models applied to quantify patterning in plants. We then explore fundamental challenges that remain unanswered concerning plant morphology, from the barriers preventing the prediction of phenotype from genotype to modeling the movement of leafs in air streams. We end with a discussion concerning the incorporation of plant morphology into educational programs. This strategy focuses on synthesizing biological and mathematical approaches and ways to facilitate research advances through outreach, cross-disciplinary training, and open science. This white paper arose from bringing mathematicians and biologists together at the National Institute for Mathematical and Biological Synthesis (NIMBioS) workshop titled Morphological Plant Modeling: Unleashing Geometric and Topological Potential within the Plant Sciences held at the University of Tennessee, Knoxville in September, 2015. Never has the need to quantify plant morphology been more imperative. Unleashing the potential of geometric and topological approaches in the plant sciences promises to transform our understanding of both plants and mathematics.

This study delves into the pivotal integration of Artificial Intelligence (AI) in primary mathematics education, examining the nuanced interplay between teachers’ attitudes toward AI, Contextual Factors (CFs), such as institutional support and resource availability, and their Intention to Use AI (IUAI) in teaching practices. With the advent of digital transformation in education, understanding the dynamics of AI adoption in primary settings becomes increasingly critical. Surveying 476 primary mathematics teachers in China, this research employs partial least squares structural equation modeling (PLS-SEM) to unravel the complexities influencing AI integration. The findings reveal that teachers’ attitudes significantly impact their IUAI, while CF, particularly institutional support and resource availability, play a crucial role in shaping these attitudes and directly influencing IUAI. This investigation not only bridges a vital research gap by offering empirical insights into the determinants of AI adoption in a primary education context but also provides a robust framework for educators, policymakers, and stakeholders to foster a conducive environment for AI integration. By aligning AI deployment with pedagogical strategies, this study contributes significantly to enhancing the quality and effectiveness of mathematics education, underscoring the transformative potential of AI in shaping future educational landscapes.

This study presents the Technological Pedagogical Readiness (TPR) scale, which aims to assess Chinese primary mathematics teachers’ readiness to integrate technology in primary mathematics education in China. Based on the Technological Pedagogical Content Knowledge (TPACK) and the Technology Acceptance Model (TAM) frameworks, TPR scale incorporates factors such as contextual influences, professional development, and community involvement. Through an online survey involving 554 primary mathematics teachers, the study utilizes exploratory and confirmatory factor analyses to create TPR scale and establish the scale’s validity and reliability, revealing strong factor loadings across its constructs. This analysis emphasizes the scale’s effectiveness in capturing the complexities of technology integration in educational settings. The research underscores the importance of considering internal teacher factors like TPACK and external contextual factors like institutional support to achieve successful technology integration. Although the focus of the study is on scale development and validation, its application provides valuable insights for developing comprehensive strategies that address individual and broader educational system competencies. The study’s findings suggest that TPR scale has wide-ranging applicability, making significant contributions to the global discourse on educational technology and serving as a valuable resource for future research, policy-making, and practice in enhancing technology integration across diverse educational contexts.

In the evolving landscape of primary mathematics education, this study investigates the impact of gender, age, teaching experience, educational background, and mathematics-specific education on the factors of integrating digital technology during the post-pandemic era in primary schools. Data from 554 primary mathematics teachers in China, were analyzed using Technological Pedagogical Readiness scale across eleven constructs with Kruskal-Wallis and Mann-Whitney <i>U</i> tests for statistical examination. Results indicate a significant difference in the Technological Pedagogical Content Knowledge (TPACK) construct based on gender, with female teachers exhibiting stronger integration. Contrary to findings from other studies, other constructs showed no substantial gender differences, suggesting an equalizing effect potentially propelled by widespread digital adaptation during the pandemic. Age and teaching experience did not present significant variations in technology integration, revealing a shift from previously understood dynamics where younger, less experienced educators were considered more technologically-inclined. Educational levels, including junior college, bachelor’s degree, and master’s degree, along with a mathematics-specific background, did not significantly influence digital integration, indicating a standardization of technological engagement regardless of academic specialization or mathematics background. The study’s insights emphasize the necessity for inclusive professional development programs that consider these nuances and support sustained technology use in education beyond the pandemic.

Abstract This study examines the multifaceted aspects of using digital technology in Chinese primary mathematics education through qualitative analysis. Participants included eight primary mathematics teachers and five vice-principals from four primary schools in Chongqing. Through in-depth interviews with these teachers and leaders, the research uncovers a complex interplay of internal and external influences on technology use. These influences range from individual attitudes and teachers' pedagogical beliefs to systemic factors like infrastructure and resource access. Based on these findings, the study proposes the Technological Pedagogical Readiness framework (TPR), which encapsulates the intricate interplay of these factors. The framework advocates for a balanced consideration of internal influences, such as Technological Pedagogical Content Knowledge (TPACK) and attitudes towards technology integration, and external influences, including educational environment, teacher professional development, educational challenges, students’ technology literacy and parental and community involvement. This framework, developed from the analysis, represents an initial step towards a more comprehensive model for using digital technology in education. It informs theoretical discussions and practical applications, providing a foundation for future curriculum development, teacher training initiatives, and policy considerations. The study's approach to proposing this framework reflects its developmental nature and underscores the need for further empirical validation. This research aims to inspire continued exploration into practical strategies for enhancing mathematics teaching and learning in the digital era by contributing a novel perspective to the ongoing dialogue on digital technology in education.

ABSTRACT Background Recent developments in hybridization chain reaction (HCR) have enabled robust simultaneous localization of multiple mRNA transcripts using fluorescence in situ hybridization (FISH). Once multiple split initiator oligonucleotide probes bind their target mRNA, HCR uses DNA base-pairing of fluorophore-labeled hairpin sets to self-assemble into large polymers, amplifying the fluorescence signal and reducing non-specific background. Few studies have applied HCR in plants, despite its demonstrated utility in whole mount animal tissues and cell culture. Our aim was to optimize this technique for sectioned plant tissues embedded with paraffin and methacrylate resins, and to test its utility in combination with immunolocalization and subsequent correlation with cell ultrastructure using scanning electron microscopy. Results Application of HCR to 10 µm paraffin sections of 17-day-old Setaria viridis (green millet) inflorescences using confocal microscopy revealed that the transcripts of the transcription factor KNOTTED 1 ( KN1 ) were localized to developing floret meristem and vascular tissue while SHATTERING 1 ( SH1 ) and MYB26 transcripts were co-localized to the breakpoint below the floral structures (the abscission zone). We also used methacrylate de-embedment with 1.5 µm and 0.5 µm sections of 3-day-old Arabidopsis thaliana seedlings to show tissue specific CHLOROPHYLL BINDING FACTOR a/b ( CAB1 ) mRNA highly expressed in photosynthetic tissues and ELONGATION FACTOR 1 ALPHA ( EF1 α ) highly expressed in meristematic tissues of the shoot apex. The housekeeping gene ACTIN7 ( ACT7 ) mRNA was more uniformly distributed with reduced signals using lattice structured-illumination microscopy. HCR using 1.5 µm methacrylate sections was followed by backscattered imaging and scanning electron microscopy thus demonstrating the feasibility of correlating fluorescent localization with ultrastructure. Conclusion HCR was successfully adapted for use with both paraffin and methacrylate de-embedment on diverse plant tissues in two model organisms, allowing for concurrent cellular and subcellular localization of multiple mRNAs, antibodies and other affinity probe classes. The mild hybridization conditions used in HCR made it highly amenable to observe immunofluorescence in the same section. De-embedded semi-thin methacrylate sections with HCR were compatible with correlative electron microscopy approaches. Our protocol provides numerous practical tips for successful HCR and affinity probe labeling in electron microscopy-compatible, sectioned plant material.