Enhancing student reflections with natural language processing based scaffolding: A quasi-experimental study in a large lecture course
Notice bibliographique
Résumé
Multiple studies have shown that scaffolding plays an important role in regulating and enhancing students' metacognitive monitoring and reflections. However, scaffolding students' reflections in large courses is a major challenge. In the current study, we explored how real-time, technology-enhanced scaffolding affects the quality of students' reflections and academic performance. Two major research questions are: RQ1) Do students in the scaffolding condition construct more specific reflections than those in the non-scaffolding condition? RQ2) How do the scaffolding feature, reflection specificity, and the number of reflections relate to students' academic performance? To address these questions, we conducted a quasi-experimental study with a large sample of undergraduate students (N = 1268) in an introductory psychology course. We designed and used a mobile application called CourseMIRROR that prompts students to reflect on what they found confusing and interesting in the lecture. The app uses Natural Language Processing (NLP) algorithms to evaluate students' reflection quality and specificity using a 4-point scale, with 1 indicating shallow reflection and 4 indicating highly relevant or specific reflection. Course sections were randomly assigned into scaffolded or non-scaffolded conditions. Students in the scaffolded condition were provided an app version with the scaffolding feature, while students in the non-scaffolded condition were provided a different version of the app without scaffolding. Regarding RQ1, we found that students in the scaffolded condition wrote significantly more specific reflections on confusing and interesting concepts. For RQ2, results showed that the number of reflections was a significant predictor of academic performance.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».