What is lazy metacognition and what can we do about it?
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
Large language model (LLM) enabled tools are increasingly omnipresent in our teaching and learning environments. Most of the focus so far has predominantly been on the impacts on assessment and ensuring the security of those assessments. However, there are increasing questions being asked around impacts on learning. Since the 2010s we have been aware of risks to atrophy in the hippocampus due to changes in how we navigate when using GPS devices compared to when we do not (Stromberg, 2015). We are also aware that how we approach reading is different dependent on whether it is digital or in-print, with digital engagement often being quicker and of less depth, with potential impacts on learning (Allcott, 2021). Research by Kaufman and Flanagan (2016) found that students reading digitally did well on answering concrete questions. However, those reading in print did better on abstract questions needing inferential reasoning. A recent paper by Fan et al. (2024 found that ‘AI technologies such as ChatGPT may promote learners’ dependence on technology and potentially trigger “metacognitive laziness”’. How learners engage with these new platforms and capabilities is increasingly important. When students seem increasingly willing to cognitively offload problem solving, what approaches could we take to enable the development the levels of critical engagement required to engage with these tools in a productive manner when many are novices and do not yet have the foundation knowledge and critical literacies to do so? In this interactive workshop you had the opportunity to discuss key issues related to lazy cognition and co-create learning development guidelines for enhancing critical literacies and fostering deep learning. Session outcomes are being collated and will be shared as a community resource. Workshop attendees had the opportunity to be named as co-authors.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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