E‐learning, dual‐task, and cognitive load: The anatomy of a failed experiment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rising popularity of commercial anatomy e-learning tools has been sustained, in part, due to increased annual enrollment and a reduction in laboratory hours across educational institutions. While e-learning tools continue to gain popularity, the research methodologies used to investigate their impact on learning remain imprecise. As new user interfaces are introduced, it is critical to understand how functionality can influence the load placed on a student's memory resources, also known as cognitive load. To study cognitive load, a dual-task paradigm wherein a learner performs two tasks simultaneously is often used, however, its application within educational research remains uncommon. Using previous paradigms as a guide, a dual-task methodology was developed to assess the cognitive load imposed by two commercial anatomical e-learning tools. Results indicate that the standard dual-task paradigm, as described in the literature, is insensitive to the cognitive load disparities across e-learning tool interfaces. Confounding variables included automation of responses, task performance tradeoff, and poor understanding of primary task cognitive load requirements, leading to unreliable quantitative results. By modifying the secondary task from a basic visual response to a more cognitively demanding task, such as a modified Stroop test, the automation of secondary task responses can be reduced. Furthermore, by recording baseline measures for the primary task as well as the secondary task, it is possible for task performance tradeoff to be detected. Lastly, it is imperative that the cognitive load of the primary task be designed such that it does not overwhelm the individual's ability to learn new material.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle