Active vs passive media multitasking and memory for lecture materials
Notice bibliographique
Résumé
<h2>Abstract</h2> Access to digital technology in the 21st century has led to the emergence of media multitasking (MMT), which involves attempting to engage with multiple streams of media at the same time. This behaviour, which is frequently considered to be a form of inattention, has become increasingly prevalent in educational settings, such as undergraduate lectures. The aim of the present study was to examine <i>volitional</i> media-multitasking (MMT) during an asynchronous online lecture by giving participants the opportunity to engage with a secondary, non-required media stream (i.e., the game of snake). Participants (n = 222) were randomly assigned to either an Active condition, in which they could <i>play</i> the snake game using the arrow keys; or a Passive condition, in which they could watch the snake game, but could <i>not</i> play it. In both conditions, participants could toggle the snake game on and off, using a keypress. MMT was indexed behaviourally by measuring the percentage of time participants had the secondary stream toggled on (i.e., snake time percentage), a method pioneered by Ralph et al. (2020), and subjectively by asking participants to what extent they engaged with other media while the lecture was playing. Following the lecture, participants completed a multiple-choice quiz and self-reported their level of MMT. Our behavioural measure (i.e., snake time percentage) indicated that participants spent significantly more time MMT in the Active condition than the Passive condition. However, there were no significant differences in self-reported MMT or quiz performance across conditions. Furthermore, correlations between both measures of MMT and quiz performance were non-significant. Thus, the present study found no performance decrement as a result of, or in association with, increased volitional MMT.
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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».