Pan and Sana (2021) Pretesting vs. posttesting: Errorful generation, prequestions, and retrieval practice
Notice bibliographique
Résumé
The use of practice tests to enhance learning, or test-enhanced learning, ranks among the most effective of all pedagogical techniques. We investigated the relative efficacy of pretesting (i.e., errorful generation) and posttesting (i.e., retrieval practice), two of the most prominent practice test types in the literature to date. Pretesting involves taking tests before to-be-learned information is studied, whereas posttesting involves taking tests after information is studied. In five experiments (combined n = 1,573), participants studied expository text passages, each paired with a pretest or a posttest. The tests involved multiple-choice (Experiments 1-5) or cued recall format (Experiments 2-4) and were administered with or without correct answer feedback (Experiments 3-4). On a criterial test administered 5 minutes or 48 hours later, both test types enhanced memory relative to a no-test control, but pretesting yielded higher overall scores. That advantage held across test formats, in the presence or absence of feedback, at different retention intervals, and appeared to stem from enhanced processing of text passage content (Experiment 5). Thus, although the benefits of posttesting are more well-established in the literature, pretesting is highly competitive with posttesting and can yield similar, if not greater, pedagogical benefits. These findings have important implications for the incorporation of practice tests in education and training contexts.
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 | 0,037 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».