Triggers for self-regulated learning: A conceptual framework for advancing multimodal research about SRL
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
This paper introduces a theory-driven trigger regulation framework for advancing multimodal analytical approaches to research about self-regulated learning. Events and/or situations that may inhibit learning processes and, thus, require regulatory responses are defined as trigger events . Empirically identifying trigger signals in multimodal data as markers for the regulation of cognition, motivation, emotion, and behavior has great potential for advancing the field. We propose a trigger regulation framework and explain how it can be leveraged in multimodal research for detecting trigger signals focusing analysis on meaningful regulatory responses. This conceptual framework offers potential to guide methodological and analytical advances in research to examine the situated nature of regulatory responses and within-person individual differences in SRL as they play out during complex task work and teamwork. The trigger regulation framework contributes to advancing multimodal approaches to the study of SRL. It presents a theory driven analytical approach for detecting, modeling, and interpreting adaptive and maladaptive regulation during individual or collaborative work. Grounding analytical approaches to multimodal data analysis in this framework has potential to increase the quality and accuracy of research findings and interpretations and inform the development of interventions and AI systems. • Most inductive multi-modal data mining techniques are divorced from SRL theory • SRL is misrepresented by decontextualized pattern frequencies of behaviors or physiological traces • Our theory-driven trigger analytical framework advances multi-modal SRL research. • Trigger detection and sources are required to understand regulatory patterns in data
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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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