Using Worked-Out Examples of Written Explanation for Writing-to-Learn in Evolutionary Biology
Notice bibliographique
Résumé
Content learning can be enhanced through writing-to-learn. Research into cognitive load theory suggests that the use of backwards faded, worked-out examples increases schema acquisition and concept transfer. However, these effects have not yet been demonstrated for writing-to-learn, particularly for the conceptual understanding of evolution. The effects of two writing conditions were investigated in a pre-test post-test quasi-experimental design. Groups in two conditions wrote explanations of evolution using six Darwinian principles: students in the completion condition completed backwards faded, worked-out examples of explanations; students in the problem solving condition wrote full explanations, thought to require means-end problem solving. The dependent variables included the following: a writing task explaining evolution in a novel scenario; an evolution post-test; the number of total principles and target principles, reported difficulty, and perceived effort for each writing activity. The problem solving group demonstrated significantly higher concept transfer compared to the completion group on the evolution post-test, as well as marginally higher concept transfer on the sixth writing task. In addition, the problem solving group included a significantly higher number of total principles over the first four writing tasks. The completion group reported significantly less perceived effort over the first four writing tasks, compared with the problem solving group. Both writing conditions resulted in positive gains between the pre- and post-tests, suggesting that overall, writing-to-learn is effective for teaching evolutionary concepts. It is proposed that writing full explanations using means-end problem solving provides increased task complexity for learners, leading to concept transfer.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».