Features and strategy influence performance on a chemistry spatial task
Notice bibliographique
Résumé
Spatial thinking is an important skill for success in the chemistry classroom. Experimental studies on mental rotation, a key skill for spatial thinking, show interesting trends in participant performance on 2D and 3D similarity judgement tasks. In these studies, participants’ use of mental rotation is determined by linear regression and/or correlations of response time versus angular disparity of the task. While judgements with block diagrams are amenable to mental rotation, studies find differences with the more symbolic 2D chemistry diagrams depending in the participants’ expertise: novices tend to use mental rotation, while experts use algorithms or other heuristics. Herein, we study these aspects chemistry, spatial thinking, and mental rotation, adding to prior work by investigating the effect of time limits and how task variables like axis and angular disparity influence task performance. We also incorporated a block design that allowed us to look for practice effects. This study was conducted online with undergraduate students ( N = 162) and designed as a conceptual replication of Stieff et al. (2018) to explore how features of the task (e.g., axis of rotation) influence participants accuracy, response time, and their use of mental rotation, diagrammatic, analytic, or algorithmic strategies. Our results suggest that mental rotation was being used successfully for only z-axis rotations, with other strategies such as symmetry heuristics are likely being used for x- and y-axis rotations. We also found that practice can improve stereochemistry task performance. These findings support chemistry novices’ reliance on mental rotation but also suggest that alternative strategies are used when time is limited.
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 | 0,000 |
| 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 ».