Building mental models of a reaction mechanism: the influence of static and animated representations, prior knowledge, and spatial ability
Notice bibliographique
Résumé
In chemistry, novices and experts use mental models to simulate and reason about sub-microscopic processes. Animations are thus important tools for learning in chemistry to convey reaction dynamics and molecular motion. While there are many animations available and studies showing the benefit of learning from animations, there are also limitations to their design and effectiveness. Moreover, there are few experimental studies into learning chemistry from animations, especially organic reaction mechanisms. We conducted a mixed-methods study into how students learn and develop mental models of a reaction mechanism from animations. The study ( N = 45) used a pre-/post-test experimental design and counterbalanced static and animated computerized learning activities (15 min each), plus short think-aloud interviews for some participants ( n = 20). We developed the tests and learning activities in a pilot study; these contained versions of an epoxide opening reaction mechanism either as static (using the electron-pushing formalism) or animated representations. Participants’ test accuracy, response times, and self-reported confidence were analyzed quantitatively ( α = 0.05) and we found that, while participants showed a learning effect, there were no significant differences between the static and animated learning conditions. Participants’ spatial abilities were correlated to their test accuracy and influenced their learning gains for both conditions. Qualitative framework analysis of think-aloud interviews revealed changes in participants’ reasoning about the test questions, moving toward using rule- and case-based reasoning over model-based reasoning. This analysis also revealed that dynamic and transitional features were incorporated into participants’ working mental models of the reaction mechanism after learning from animations. The divergence of participants’ mental models for reasoning and visualization could suggest a gap in their mental model consolidation.
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 | 0,005 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».