The implementation of pre‐lecture resources to reduce in‐class cognitive load: A case study for higher education chemistry
Notice bibliographique
Résumé
Abstract This case study describes an effective method to ameliorate the cognitive load caused by new terminology and concepts in lectures. Ten online pre‐lecture resources whose design was underpinned by the principles of cognitive load theory were provided to a class of 49 first year university level chemistry students. Each resource introduced a number of key concepts to the forthcoming lecture and included a quiz for students to test understandings and identify misconceptions. The evaluation of the implementation of resources was measured by considering the difference in exam marks for in‐semester test and end of module exam. These showed that the marks for students who had no prior knowledge of chemistry before coming to college significantly improved to the point that there was no difference between students with and without prior knowledge. A key outcome of this work is that providing students with resources to prepare for lectures can help in reducing their cognitive load. Practitioner Notes What is already known about this topic Prior knowledge (eg, from school level) is a strong predictor factor for future performance (eg, at college level). Cognitive load theory describes how the working memory has a limited capacity to process new information. E‐resources can be designed so as to minimise the difficulty of extracting new information from the resources. What this paper adds Designing e‐resources to introduce some core concepts for a lecture can help students identify these in a lecture with a lot of new terminology. These e‐resources can be easily embedded into the virtual learning environment so that students can access resources, complete quiz and receive feedback and a grade with little extra work for the lecturer. These e‐resources can provide a basis for in‐lecture discussion between students and between lecturer and students to further discuss content using core terminology. Implications for practice/policy Embedding of the resources into the module design is important to attribute them value. The lecture should build on the material introduced in the e‐resource. Feedback should be as rich as possible, correcting wrong ideas for novices to the discipline and misconceptions for those with prior knowledge. Identifying core concepts in a structured way before each lecture and providing feedback on students' understanding of these gives students an opportunity to take control of their own learning both before and after a lecture.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».