The relationship between students' self‐regulated learning behaviours and problem‐solving efficiency in technology‐rich learning environments
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 Scholars have confirmed the vital roles of self‐regulated learning (SRL) behaviours in predicting task performance, especially within non‐linear technology‐rich learning environments (TREs). However, few studies focused on the learning costs (e.g., study effort and time‐on‐task) related to SRL and the efficiency outcome of SRL (i.e., the relative relationship between learning costs and performance). Objectives This study examined the relationship between students' SRL behaviours and problem‐solving efficiency in the context of TREs. Methods Eighty‐two medical students accomplished a diagnostic task in a computer‐simulated environment, and they were classified into the efficient or less efficient group according to diagnostic performance and time‐on‐task. Then we coded students' SRL behaviours from trace data and counted the frequency of each SRL behaviour. The recurrence quantification and lag sequential analyses were performed to extract the dynamic characteristics of SRL behaviours, including recurrent patterns and sequential transitions. Results and Conclusions Efficient students conducted more frequent Self‐reflection behaviours than the less efficient. For the recurrent patterns, efficient students tended to exhibit longer SRL behaviour sequences comprising a variety of different SRL behaviours (e.g., Task Analysis > Add Test > Add Hypotheses > Categorise Evidence) as well as longer sequences of repeated SRL behaviours (e.g., Add Test > Add Test > Add Test > Add Test). Moreover, efficient students exhibited more sequential transitions between different SRL behaviours than less efficient. Takeaways Overall, this study revealed the effects of SRL on problem‐solving efficiency, which inspired researchers to incorporate problem‐solving efficiency as an evaluation criterion of SRL processes.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,008 |
| 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