MétaCan
Menu
Retour à la cohorte
Enregistrement W2951982458 · doi:10.5539/jedp.v9n2p1

Self-Regulation of Middle School Students With Learning Disabilities During a Complex Project-Based Science Activity

2019· article· en· W2951982458 sur OpenAlexvenueno aff
Sheri Berkeley, Anna Larsen, Amanda Colburn, Robert K. Yin

Notice bibliographique

RevueJournal of Educational and Developmental Psychology · 2019
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensnon disponible
Organismes subventionnairesNational Science Foundation
Mots-clésPsychologyAttributionMathematics educationLearning disabilityPerceptionSelf-regulated learningEnergy (signal processing)Developmental psychologySocial psychology

Résumé

récupéré en direct d'OpenAlex

Self-regulation is widely considered important for the academic success of students. Yet, there is limited research about how students self-regulate during complex, long-term learning tasks, such as the project-based learning activities that commonly occur as part of science classroom instruction. There is also less known about how atypical learners, including students with learning disabilities (LD), self-regulate academic tasks. The current multiple case study explores these gaps in the research base through an investigation of how middle school students with language-based LDs self-regulated their learning during a complex, science-based project—creation of computerized serious educational games (SEG) about renewable energy sources. Findings from the current study suggest that there is a relationship between attributions that students with LD make for their performance and their self-efficacy for learning, but only under specific conditions. The role of this relationship seems to diminish when a student poorly calibrates perception of ability relative to actual performance and when a student perceives the cost of effort to outweigh the benefit.

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)0,004
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 enseignants0,005
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,000
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,065
Tête enseignante GPT0,419
Écart entre enseignants0,354 · 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

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Educational and Developmental PsychologyMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207