Exploring the co‐occurrence of students' learning behaviours and reasoning processes in an intelligent tutoring system: An epistemic network analysis
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.
Notice bibliographique
Résumé
Abstract Background Medical students use a variety of self‐regulated learning (SRL) strategies in different medical reasoning (MR) processes to solve patient cases of varying complexity. However, the interplay between SRL and MR processes is still unclear. Objectives This study investigates how self‐regulated learning (SRL) and medical reasoning (MR) occurred concurrently in medical students while completing a diagnostic task in an intelligent tutoring system. This study aims to provide new insights into performance differences between high‐ and low‐achieving students in tasks of varying complexity. Methods Thirty‐one medical students (67.6% female) from a large North American university were tasked with solving two virtual patient cases in an intelligent tutoring system, BioWorld. BioWorld was designed for medical students to practice clinical reasoning skills deliberately. We collected students' think‐aloud protocols, based on which we coded their use of SRL behaviours and medical reasoning activities. We analysed the co‐occurrences of SRL behaviours and medical reasoning activities using the epistemic network analysis (ENA) method. Results The SRL behaviour self‐reflection and MR activity lines of reasoning co‐occurred more frequently in a difficult task than in an easy task. In both tasks, high performers demonstrated more co‐occurrences of self‐reflection and lines of reasoning than low performers. Moreover, the MR activity conceptual operations co‐occurred more frequently with the SRL activities of monitoring and evaluation among high performers compared to low performers in an easy task. Implications The co‐occurrences of SRL behaviours and MR processes account for students' performance differences. The design of computer‐based learning environments for clinical reasoning should promote the acquisition of both SRL and medical reasoning abilities. Moreover, medical educators should consider task complexity when scaffolding.
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 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 | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle