Manipulating the characteristics of self-controlled feedback schedules
Notice bibliographique
Résumé
The OPTIMAL theory of motor learning suggests that self-controlled practice conditions—in which participants are asked to make task-relevant (e.g., feedback) or task-irrelevant (e.g., ball colour) choices during practice—enhance learning over no-choice yoked conditions because they support the learner's need for autonomy. Based on OPTIMAL theory, we predicted that participants in self-controlled groups would show enhanced learning relative to their yoked counterparts regardless of the characteristics of their feedback. One self-controlled group exercised choice over an error feedback schedule (e.g., -186 ms) and the other had choice over a graded feedback schedule (e.g., too fast). Corresponding yoked groups were collected. All participants (N=152) practiced an aiming task requiring a rapid 40-degrees extension movement in exactly 225 ms. Measures of intrinsic motivation, perceived competence, and perceived autonomy were collected before, during, and at the end of practice, and before the 24-hr retention and transfer tests. For the spatial and temporal goals, participants performed more accurately in the retention test than in the transfer test. We found a spatial learning advantage for graded feedback. Contrary to previous findings, we did not find a self-controlled learning advantage. Self-reported intrinsic motivation increased over time and participants who received error feedback reported higher perceived competence than those who received graded feedback. Consistent with previous findings, perceived autonomy was similar across groups. These data are not in line with tenets of the OPTIMAL theory and add to the growing evidence that self-controlled conditions should not be labelled as autonomy-supportive.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 | 0,001 | 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 ».