MétaCan
Menu
Retour à la cohorte
Enregistrement W4388321785 · doi:10.5206/cjsotl-rcacea.2021.1.8318

A Metacognitive Instructional Guide to Support Effective Studying Strategies

2021· article· en· W4388321785 sur OpenAlexaff
Bailey E. Bingham, Claire Coulter, Karl Cottenie, Shoshanah Jacobs

Notice bibliographique

RevueDOAJ (DOAJ: Directory of Open Access Journals) · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésMetacognitionPsychologyMathematics educationComputer scienceCognitionNeuroscience

Résumé

récupéré en direct d'OpenAlex

Metacognition—the processes whereby learners assess and monitor their progress in learning (metacognitive monitoring, MM) and use these judgements of learning to make choices about what to study in the future (metacognitive control, MC)—has been shown to be beneficial to learning. However, effective learning also relies on metacognitive knowledge (MK)—that is, students’ knowledge about effective study strategies and how to employ them. Few students receive explicit in-class instruction on these topics. Here, we explore if an online instructional guide, which includes information about evidence-based study strategies, example questions for self-testing, and a study calendar to help regulate timing of studying can effectively teach MK to improve performance. While it is unclear if the online instructional guide was related to increases in MK, MM, and MC, we did observe benefits to student performance, particularly in highly anxious students on high-stake assessments such as the final examination. Future research should seek to understand how students were engaging with the guide and how the nature of the engagement impacted their study strategies.Il a été montré que la métacognition – les processus par lesquels les apprenants et les apprenantes évaluent et suivent leurs progrès en apprentissage (surveillance métacognitive) et utilisent ces jugements d’apprentissage pour faire des choix concernant ce qu’ils veulent étudier à l’avenir (contrôle métacognitif) – est bénéfique à l’apprentissage. Toutefois, l’apprentissage efficace s’appuie également sur la connaissance métacognitive, c’est-à-dire sur le fait que les étudiants et les étudiantes connaissent les stratégies d’études efficaces et savent les employer. Peu d’étudiants et d’étudiantes reçoivent des directives explicites en classe sur ces sujets. Dans cet article, nous tentons de voir si un guide d’instruction en ligne, qui comprend des informations sur des stratégies d’études fondées sur des données probantes, des questions pour effectuer des auto-évaluations, ainsi qu’un calendrier d’apprentissage pour régulariser l’emploi du temps des études, peut effectivement enseigner la connaissance métacognitive afin d’améliorer les résultats.Bien qu’il ne soit pas clair si le guide d’instruction en ligne était relié aux augmentations en matière de connaissance métacognitive, de surveillance métacognitive et de contrôle métacognitif, nous avons toutefois observé des avantages dans les résultats des étudiants et des étudiantes, en particulier parmi ceux et celles qui souffrent fortement d’anxiété quand ils et elles doivent faire des travaux importants tels que les examens finaux. Des recherches futures devraient chercher à comprendre comment les étudiants et les étudiantes avaient utilisé le guide et comment la nature de leur engagement avait affecté leurs stratégies d’études.

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)0,002
score de la tête « metaresearch » (Gemma)0,011
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: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0170,007

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 Opus0,353
Tête enseignante GPT0,653
Écart entre enseignants0,300 · 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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDOAJ (DOAJ: Directory of Open Access Journals)Même sujetInnovative Teaching and Learning MethodsTravaux en français237 207