MétaCan
Menu
Retour à la cohorte
Enregistrement W214420747

When knowing more means knowing less: Understanding the impact of computer experience on e‑learning and e‑learning outcomes

2009· article· en· W214420747 sur OpenAlexaff
Lena Paulo Kushnir

Notice bibliographique

RevueOCAD University Open Research Repository (OCAD University) · 2009
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueOnline and Blended Learning
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésInformation overloadPsychologyPerceptionStimulus (psychology)FeelingScrollingAffect (linguistics)Relevance (law)Cognitive psychologyComputer scienceSocial psychologyWorld Wide WebCommunicationArtificial intelligence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Students often report feeling more overloaded in courses that use e-learning environments compared to traditional face-to-face courses that do not use such environments. Discussions here consider online design and organizational factors that might contribute to students’ reports of information overload. It was predicted that certain online factors might contribute to stimulus overload and possibly students’ perceived overload, rather than information overload per se. User characteristics and a range of design and organizational factors that might contribute to perceived overload are discussed and hypotheses of how such factors might affect learning outcomes are also discussed. An experiment was conducted to test predictions that (i) students’ past online experience, (ii) the organization and relevance of online information, and (iii) the level of task difficulty affect (i) learning outcomes, (ii) students’ perceptions of information overload, and (iii) students’ perceptions of having enough time to complete experimental tasks. A total of 187 participants were tested in four experimental conditions that manipulated the organization and relevance of online material that students had to learn (ie, (i) a stimulus-low environment, where the material to be learned was presented as scrolling text, with no other stimuli present; (ii) a familiar environment, where the material to be learned was set within the borders of a familiar course Web site; (iii) a stimulus-rich or stimulus-noisy environment, where the material to be learned was set within the borders of an Amazon.com Web page (a Web site where you can search for, and buy books, videos and other products online); (iv) a PDF file environment, where the material to be learned was presented as a PDF file that resembled an online duplicate of the same material in the course textbook). Findings suggested that overly busy online environments that contain irrelevant information (ie, stimulus-rich or stimulus-noisy online environment) had a negative impact on learning for students ranked “high” on experience with e-learning technologies, but no impact on learning for other students (as measured by a knowledge test of material studied during experimental sessions). There is no doubt that online environments contain vast amounts of information and stimuli; often some of which are irrelevant and distracting. How one handles irrelevant or distracting information and stimuli can have a significant impact on learning. Surprisingly, results here suggest that overload affected only experienced students. Perceptual load hypotheses are discussed to explain what initially seemed to be counterintuitive results. This paper examines literature that considers factors that can affect learning online, strategies for how teachers can ensure positive outcomes for the technology-based classroom, and strategies for avoiding online pitfalls that might leave students frustrated or burdened with feelings of overload.

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)0,004
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,025
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
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 Opus0,098
Tête enseignante GPT0,382
Écart entre enseignants0,284 · 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'étudeQualitatif
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

Citations10
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOCAD University Open Research Repository (OCAD University)Même sujetOnline and Blended LearningTravaux en français237 207