MétaCan
Menu
Retour à la cohorte
Enregistrement W3116721815

The Unschedule Planning Method

2017· article· en· W3116721815 sur OpenAlexaff
Anna Richardson

Notice bibliographique

RevueStudent Research Proceedings · 2017
Typearticle
Langueen
DomaineNeuroscience
ThématiqueMind wandering and attention
Établissements canadiensMacEwan University
Organismes subventionnairesnon disponible
Mots-clésProcrastinationWorkloadScheduling (production processes)ScheduleComputer sciencePsychologyOperations researchApplied psychologyOperations managementSocial psychologyEngineering
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The proposed research seeks to examine the effectiveness of a novel application of scheduling called an unschedule. In an unschedule, the emphasis is paradoxically on scheduling enjoyable activities before scheduling work. According to the promoter of this method, Neil Fiore (2007), when we neglect to prioritize enjoyable activities, as often happens in traditional scheduling, our workload becomes tedious to the point of procrastinating. In this study, undergraduate participants will begin with a two-week baseline period in which they record the amount of time they spend studying. Participants will then be assigned to one of three conditions: (1) a control group that will employ the traditional method of scheduling their studying first, (2) an unscheduled group that will schedule their fun activities first, and (3) an unscheduled plus 30-minute group that will use unscheduling as well as short 30-minute study sessions (which Fiore also suggests in order to reduce task aversiveness). The hypotheses are that the participants who are in the unscheduled conditions, and especially those in the unscheduled plus 30-minute condition, will increase their time spent studying and report being less distracted by temptations, thereby, decreasing their overall tendency to procrastinate.  Discipline: Psychology Honours Faculty Mentor: Dr. Russ Powell

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)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,002

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 Opus0,432
Tête enseignante GPT0,574
Écart entre enseignants0,142 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStudent Research ProceedingsMême sujetMind wandering and attentionTravaux en français237 207