MétaCan
Menu
Retour à la cohorte
Enregistrement W4296876729 · doi:10.1111/medu.14941

Task complexity and cognitive load in simulation‐based education: A randomised trial

2022· article· en· W4296876729 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMedical Education · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueVisual and Cognitive Learning Processes
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésTask (project management)CognitionCognitive loadDebriefingComputer sciencePsychologyElementary cognitive taskCognitive psychologySocial psychologyEngineering

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: When designing simulation for novices, educators aim to design tasks and environments that are complex enough to promote learning but not too complex to compromise task performance and cause cognitive overload. This study aimed to determine the impact of modulating task and environment complexity on novices' performance and cognitive load during simulation. METHODS: Second-year pharmacy students (N = 162) were randomly assigned to one of four conditions (2 × 2 factorial design) in simulation: simple task in simple environment, complex task in simple environment, simple task in complex environment and complex task in complex environment. Using video recordings, two raters assessed students' performance during the simulation. We measured intrinsic cognitive load (ICL) and extraneous cognitive load (ECL) with questionnaires after the task and tested knowledge after task and debriefing. RESULTS: Mean performance scores in simple environment were 28.2/32 (SD = 3.8) for simple task and 25.8/32 (SD = 4.2) for complex task. In complex environment, mean performance scores were 24.6/32 (SD = 5.2) for simple task and 25.6/32 (SD = 5.3) for complex task. We found significant interaction effects between task and environment complexity for performance. In simple environment, mean ICL scores were 4.2/10 (SD = 2.2) for simple task and 5.7/10 (SD = 1.5) for complex task. In complex environment, mean ICL scores were 4.9/10 (SD = 1.8) for simple task and 5.1/10 (SD = 1.9) for complex task. There was a main effect of task complexity on ICL. For ECL, we found neither an interaction effect nor main effects of task and environment complexity. There was a main effect of task complexity on knowledge test after task and main effects of both task and environment complexity on knowledge after debriefing. CONCLUSIONS: Performance was good, and cognitive load remained reasonable in all conditions, which suggests that, despite increased complexity, students seemed to strategically manage their own cognitive load and learn from the simulations. Our findings also indicate that environmental complexity contributes to ICL.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,869
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0130,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,424
Écart entre enseignants0,378 · 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