Exam‐level analysis of lecture capture viewing and student exam performance
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
Lecture capture (LC) systems offer students flexible review of lecture content, but their impact on learning outcomes remains mixed. LC engagement and exam performance were analyzed in three in-person courses with LC videos posted for review, each with three lecture blocks and three independent noncumulative exams. Zoom analytics and exam grade data were collected for 299 students across 982 noncumulative exam observations. Four LC metrics were derived per exam: total view duration, number of lectures viewed, number of unique views, and days between access and exam. Average exam scores were compared between LC viewers (n = 216) and nonviewers (n = 83): LC viewers scored significantly higher than nonviewers (66.1% vs. 59.4%). A linear mixed-effects model with student-level random intercepts showed opposing effects of total viewing time (+1.74% per hour) and number of lectures viewed (-1.92% per lecture), implying that average LC view duration per lecture (total minutes watched ÷ lectures viewed) was the strongest predictor of exam score. A post hoc median split of average LC view duration per lecture indicated an 8.02% higher score for students above the median. Decomposition of total LC view time revealed a between-student effect on exam grade (+2.52% per hour) and a within-student effect (-0.84% per hour), showing that spikes above a student's own average view time are associated with a lower exam grade. These findings align with self-regulated learning theory, demonstrating that while greater LC viewing time generally benefits performance, its impact depends on strategic, habitual engagement rather than episodic cramming.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle