A Framework for Learning From Erroneous Examples and Meta-Analysis of Empirical Research
Notice bibliographique
Résumé
While there is ample theoretical and empirical evidence detailing which conditions benefit learning from one’s own errors, the evidence on learning from others’ errors has not yet been synthesized. In this meta-analysis, we examine the overall impact of erroneous examples on learning and the effects of potential moderating variables based on a novel framework. Following the robust variance estimation method, we synthesized findings from 42 papers (177 effect sizes) comparing erroneous examples with correct examples or problem-solving in experimental studies. The results revealed a statistically significant but weak effect of erroneous examples on learning (g = .136). Further analysis indicated a statistically significant moderating effect of the design of error-explanation activities. Specifically, providing self-explanation prompts or instructional explanations enhanced learning from erroneous examples more than not providing any error explanations. Our findings draw attention to the design of error explanation activities as well as several areas for future research.
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 | 0,387 | 0,510 |
| Méta-épidémiologie (sens strict) | 0,008 | 0,003 |
| Méta-épidémiologie (sens large) | 0,016 | 0,036 |
| Bibliométrie | 0,057 | 0,029 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,010 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».