MétaCan
Menu
Retour à la cohorte
Enregistrement W2125398514 · doi:10.5539/ass.v6n6p119

Effects of Multimedia Redundancy in History Learning among ‘Deep and Surface’ Students

2010· article· en· W2125398514 sur OpenAlexvenueno aff
Sii Ching Hii, Soon Fook Fong

Notice bibliographique

RevueAsian Social Science · 2010
Typearticle
Langueen
DomainePsychology
ThématiqueVisual and Cognitive Learning Processes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMultimediaComputer scienceAnimationGraphicsStructuringPresentation (obstetrics)Redundancy (engineering)PaceMode (computer interface)Cognitive loadComprehensionCognitionMathematics educationHuman–computer interactionPsychologyComputer graphics (images)

Résumé

récupéré en direct d'OpenAlex

The purpose of this study was to investigate the effects of redundant information in multimedia presentation in history learning. The two modes of multimedia presentation, namely multiple-channel presentation (text + graphics, pictures + redundancy audio, video and animation) and single-channel presentation (text + graphics + pictures) on history learning among deep and surface students were examined. The sample consisted of 240 Form One students from four Malaysian secondary schools. Findings of this study showed that students interacted with the MCP mode obtained significantly higher gain score compared to students interact with the SCP mode. Irrespective of the learning approaches, students using the MCP mode outperformed students using the SCP mode. Apparently, additional redundant information that are relevant to the contents within and across the visual and aural channels provide greater reinforcement in organizing and structuring information issuing in better learning. Results of this study suggest that cognitive load in multimedia-based learning can be minimized if adequate time is provided for comprehension and the pace of learning is under learner control.

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)0,001
score de la tête « metaresearch » (Gemma)0,007
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 enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,330
Écart entre enseignants0,321 · 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

Citations12
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Social ScienceMême sujetVisual and Cognitive Learning ProcessesTravaux en français237 207