Inconvenient findings for the "optimal" theory of motor learning
Notice bibliographique
Résumé
The OPTIMAL theory of motor learning (Wulf & Lewthwaite, 2016) was recently proposed to account for, from a motivational perspective, a select set of practice conditions that enhance learning. One of which was self-controlled practice wherein exercising choice over a practice feature produces a reliable learning advantage compared to being denied this choice (i.e., yoked practice). Within the OPTIMAL theory, Wulf and Lewthwaite argued that self-controlled groups are autonomy-supportive because exercising choice satisfies our basic psychological need for autonomy, which in turn enhances information-processing, perceptions of competency, self-efficacy, and sense of agency (pp. 1393-1394). Here, we argue that the OPTIMAL theory is a sub-optimal explanation for self-controlled learning advantages because it cannot explain all the data, many predictions are not clearly testable, and numerous predictions are not supported by subsequent data. For instance, there is little to no evidence supporting their claim that self-controlled groups are more autonomy-supportive than yoked groups (e.g., Ste-Marie et al., 2013). We therefore question the OPTIMAL theory as a viable explanation for self-controlled learning advantages. Instead, we argue that self-controlled learning advantages arise from more effective information-processing activities associated with performance-dependent strategies (e.g., error estimation) that ultimately reduce uncertainties regarding task performance (e.g., Carter et al., 2014; Grand et al., 2015). While we contend this perspective better accounts for existing data and that key predictions are supported, it too fails to fully capture self-controlled learning advantages. We outline current issues with both explanations and propose future avenues for this area of research.Acknowledgments: Supported by NSERC
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».