Effects of combining multiple types of adaptive guidance on novices’ knowledge integration of scientific phenomena
Notice bibliographique
Résumé
<b>Background</b>: Throughout inquiry learning, many learners, especially novices, experience difficulties and make errors in applying inquiry skills. Because learners’ prior knowledge and difficulties in comprehending concepts and applying inquiry skills are unique, diagnosing learning situations and adapting guidance in real-time is essential. However, effects of combining multiple types of adaptive guidance to support inquiry learning have been understudied.<br> <b>Aims</b>: This study investigated effects of combining primary guidance (just-in-time prompts) and supplementary guidance (hints and confirmatory feedback) on novice learners’ knowledge acquisition and integration of concepts and rules during (i.e., performance success) and after inquiry (i.e., learning outcomes).<br> <b>Sample</b>: The study involved 98 undergraduate students.<br> <b>Methods</b>: In a pretest-posttest design, participants engaged in inquiry tasks to discover the rules of series circuits using a simulation of electric circuits. They were randomly assigned to either a prompt-plus group receiving hints and feedback in addition to prompts, a prompt group receiving prompts only, or a control group receiving no adaptive guidance. The number of rules discovered and the level of knowledge integration during inquiry were assessed.<br> <b>Results</b>: On performance success during inquiry, groups were ordered: 1) prompt-plus, 2) prompt, and 3) control. On the posttest, only the prompt-plus group outperformed the control group. Prior knowledge did not moderate effects of guidance on knowledge acquisition.<br> <b>Conclusions</b>: Coordinated forms of adaptive guidance enhance performance and learning outcomes.
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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».