MétaCan
Menu
Retour à la cohorte
Enregistrement W1930496101 · doi:10.1111/j.1467-8535.2011.01262.x

Can verbalisers learn as well as visualisers in simulation‐based CAL with predominantly visual representations? Preliminary evidence from a pilot study

2011· article· en· W1930496101 sur OpenAlexaff
Tzu‐Chien Liu, Kinshuk Kinshuk, Yi‐Chun Lin, Ssu‐Chin Wang

Notice bibliographique

RevueBritish Journal of Educational Technology · 2011
Typearticle
Langueen
DomainePsychology
ThématiqueLearning Styles and Cognitive Differences
Établissements canadiensAthabasca University
Organismes subventionnairesNational Science Council
Mots-clésThink aloud protocolMathematics educationPsychologyReading (process)MainstreamRepresentation (politics)Educational technologyComputer scienceMultimediaHuman–computer interactionLinguistics

Résumé

récupéré en direct d'OpenAlex

Abstract Simulation‐based computer‐assisted learning (CAL) is emerging as new technologies are finding a place in mainstream education. Dynamically linked multiple representations (DLMRs) is at the core of simulation‐based CAL. DLMRs includes multiple visual representations, and it enables students to manipulate one representation and to immediately receive feedback from others. An interesting and important research question is whether verbalisers, who prefer to process verbal material, have similar learning performance and learning features as visualisers, who prefer to process visual material. To answer this question, 28 undergraduate students were selected as participants from the 855 undergraduate students who were initially tested with the style of processing scale (SOP). They were representative of either visualisers or verbalisers (students who scored upper 10% and lower 10% on the SOP). A study was conducted using an experimental design that included pre‐ and posttest and thinking‐aloud methods. Simulation‐Assisted Learning Statistics (SALS) was adopted as the learning environment for both groups. The analysis results are based on the data of 25 participants because three participants had trouble thinking aloud while using SALS. The results indicated that the visualisers and verbalisers did not differ significantly in their learning performance, but they did exhibit significantly different learning features in their use of DLMRs, their methods of reading learning guides and their learning strategies. Additionally, the learning features of the verbalisers explained why their learning performance was similar to that of the visualisers. Finally, this study provides recommendations for future applications and studies of simulation‐based CAL. Practitioner Notes What is already known about this topic Simulation‐based computer‐assisted learning (CAL) is useful for conceptual learning and is increasingly being applied in many educational fields. Visual‐verbal is one important dimension of cognitive styles. A number of studies have examined the learning performance of visualisers and verbalisers using learning materials that emphasise either visual or verbal representations; however, the results are mixed. What this paper adds Investigating the differences between the learning effects of visualisers and verbalisers after learning with simulation‐based CAL. Investigating the learning process features of visualisers and verbalisers when learning with simulation‐based CAL. Investigating the differences between visualisers' and verbalisers' learning features when learning with simulation‐based CAL. Implications for practice and/or policy Practitioners could use simulation‐based CAL in teaching statistical concepts. Practitioners should consider the learning features of visualisers and verbalisers when they are learning with simulation‐based CAL. Practitioners should try to develop and use targeted instruction that is developed based on the learning strategies to enhance visualisers' and verbalisers' learning effects.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,024
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,376
Écart entre enseignants0,327 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBritish Journal of Educational TechnologyMême sujetLearning Styles and Cognitive DifferencesTravaux en français237 207