Recall or transfer? How assessment types drive text-marking behavior
Notice bibliographique
Résumé
Introduction Text marking is a widely used study technique, valued for its simplicity, and perceived benefits in enhancing recall and comprehension. This exploratory study investigates its role as an encoding mechanism, focusing on how marking impacts recall and transfer when learners are oriented toward different posttest items (recall or transfer). Method We gathered detailed data describing what learners were studying and how much they marked during studying. Participants were randomly assigned to one of four groups in a 2 × 2 factorial design. One independent variable, examples, determined whether participants were trained using examples of the types of information required to answer posttest items. The other independent variable, orientation, determined whether participants were instructed to prepare for a recall test or for an application (transfer) test. Results Statistical analysis revealed a detectable effect of study orientation (transfer vs. recall), F = 2.076, p = 0.043, partial η2 = 0.114. Compared to learners oriented to study for recall, learners oriented to study for transfer marked information identified as examples (F = 3.881, p = 0.051, partial η2 = 0.028), main ideas (F = 7.348, p = 0.008, partial η2 = 0.051), and reasons (F = 5.440, p = 0.021, partial η2 = 0.038). Moreover, a statistically detectable proportional relationship was found between total marking and transfer performance (F = 5.885, p = 0.017, partial η2 = 0.042). Learners who marked more scored higher on transfer questions. Prior knowledge mediated approximately 52% of the effect, indicating that as prior knowledge increased, so did the frequency of marking. Discussion Orienting to study for a particular type of posttest item affected studying processes, specifically, how much learners marked and the categories of information they marked. While the frequency of marking was proportional to achievement, orienting to study for recall versus transfer posttest items had no effect on recall or transfer. Prior knowledge powerfully predicted how much learners marked text.
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 | 0,003 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».