Effects of self-regulation of practice trial order and proactive and retroactive auditory models in learning sequential-timing patterns
Notice bibliographique
Résumé
Two empirical effects, previously shown to be advantageous to learning, were contrasted in this study: a) self-regulation of practice trial order (vs. experimenter-defined), and b) retroactively-presented model information (vs. proactively-presented). The purpose was to assess if self-regulated practice modified the effects of the timing of modeled information for the learning of three sequential-timing patterns. Each of the patterns consisted of unique temporal parameters between the presses (and accompanying auditory tone) of the same sequence of five keys. Auditory information was modeled either before (proactively) or after (retroactively) each trial, and practice order was learner-regulated. Absolute constant error (|CE|) and variable error (VE) were calculated for both the total time (TT) and the sum of the segmental times (SST). Retention tests revealed that the proactive group performed with less |CE| for SST, while the retroactive group performed with less |CE| for TT for at least one pattern; suggesting that self-regulated practice eliminated the clear advantage for providing modeled information retroactively. The retention results also revealed that learners who chose to switch patterns frequently during practice, regardless of when the model was presented, had less |CE| and VE for SST and less VE for TT than learners who self-regulated with infrequent task switches; suggesting that learner-imposed contextual interference enhanced retention.Acknowledgments: This study was 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 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 | 0,002 | 0,011 |
| 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 | 0,001 |
| 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) | 0,001 | 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 ».