Using error estimation to better understand the advantages of self-controlled practice
Notice bibliographique
Résumé
Exercising choice during practice (self-controlled group) consistently leads to increased learning compared to being denied these choice opportunities (yoked group). Wulf and Lewthwaite (2016) proposed a motivational mechanism for self-controlled learning advantages, emphasizing autonomy-support, perceived competency, and enhanced expectancies. Others however, have advocated a greater relative contribution of informational factors such as error estimation and feedback processing (Carter & Ste-Marie, 2017). Here, we contrasted these two perspectives using three groups: a self-controlled (SC), a yoked (YK), and a yoked with error-estimation (YK+EE) group that estimated their movement time (MT) prior to receiving KR. Participants practiced a spatiotemporal motor task with a MT goal of 900 ms and completed motivation questionnaires after blocks one and six. Learning was inferred using 24-hour no-KR retention and transfer (new MT goal) tests, which included participants estimating their MT after each trial. No group differences were found during acquisition or for measures of motivation; however, there was a trend for less MT |CE| in retention and transfer for the SC (M=102.29 & 156.27ms) and YK+EE (M=102.79 & 125.67ms) groups compared to the YK group (M=186.77 & 221.59ms). A similar trend for more accurate estimations in retention and transfer were noted for the SC and YK+EE groups relative to the YK group. Although our findings were in the expected direction and suggest the detrimental effects of practicing in a yoked group can be attenuated through error estimation, the lack of significance prevents us from strongly asserting this conclusion.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».