The Recommendation for Learners to Be Provided with Control Over Their Feedback Schedule Is Questioned In a Self-Controlled Learning Paradigm
Notice bibliographique
Résumé
Researchers have shown that learners who self-control (SC) their knowledge of results (KR) schedule learn the task more effectively than yoked learners. A common recommendation from these results is that learners should be provided choice over their KR schedule, rather than at a coaches' discretion (Wulf & Lewthwaite, 2016). No research to date has compared SC learners to a group that more closely mimics receiving KR from a coach, thus challenging whether such a recommendation can be made. To this end, three groups learned a golf putting task; an SC group, a traditional yoked group (TY), and a group who were led to believe that their KR schedule was being controlled by a golf coach (perceived coach-controlled yoked group; PCC). Participants (N = 60) completed three phases; pre-test, acquisition, and two 24-hr delayed post-tests (retention/transfer). All groups lowered their mean radial error (MRE) and bivariate variable error (BVE) throughout acquisition. As hypothesized, the SC group (M = 40.10) had lower adjusted MRE compared to the TY group (M = 43.12) during the post-tests, yet, the PCC group had the lowest adjusted MRE (M = 36.61). These differences, however, were not statistically significant, F(2, 54) = 2.81, p = .069. BVE did not display the same pattern as MRE during the post-test as group means were clustered together, F(2, 57) = 0.38, p = .963. Results from a questionnaire indicated that both yoked groups showed moderate ratings for receiving KR on a desired schedule, as well as preferring KR on good trials, or good and bad trials equally. Taken together, these results call into question the recommendation for practitioners to give choice to a learner over KR scheduling.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».