Getting Down to Details: Using Theories of Cognition and Learning to Inform Tangible User Interface Design
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
Many researchers have suggested that tangible user interfaces (TUIs) have potential for supporting learning. However, the theories used to explain possible effects are often invoked at a very broad level without explication of specific mechanisms by which the affordances of TUIs may be important for learning processes. Equally problematic, we lack theoretically grounded guidance for TUI designers as to what design choices might have significant impacts on learning and how to make informed choices in this regard. In this paper, we build on previous efforts to address the need for a structure to think about TUI design for learning by constructing the Tangible Learning Design Framework. We first compile a taxonomy of five elements for thinking about the relationships between TUI features, interactions and learning. We then briefly review cognitive, constructivist, embodied, distributed and social perspectives on cognition and learning and match specific theories to the key elements in the taxonomy to determine guidelines for design. In each case, we provide examples from previous work to explicate our guidelines; where empirical work is lacking, we suggest avenues for further research. Together, the taxonomy and guidelines constitute the Tangible Learning Design Framework. The framework advances thinking in the area by highlighting decisions in TUI design important for learning, providing initial guidance for thinking about these decisions through the lenses of theories of cognition and learning, and generating a blueprint for research on testable mechanisms of action by which TUI design can affect learning.
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 | 0,000 | 0,001 |
| 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 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| 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