The Interplay Between Cognitive Load and Self-Regulated Learning in a Technology-Rich Learning Environment
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
Cognitive load can be induced by both learning tasks and self-regulated learning (SRL) activities, which compete for limited working memory capacity. However, there is little research on the relationship between cognitive load and SRL. This study explored how cognitive load interplayed with SRL behaviors and their joint effects on task performance (i.e., diagnostic efficiency) in the context of clinical reasoning. Specifically, twenty-seven (N = 27) medical students diagnosed three virtual patient cases in BioWorld, a simulation-based learning environment to improve medical students’ clinical reasoning skills. Students’ SRL behaviors were automatically recorded in BioWorld log files as they accomplished the tasks. We employed text mining techniques to extract four linguistic features from students’ concurrent think-aloud, i.e., cognitive discrepancy, insight, causation, and positive emotions, which were further used to represent students’ cognitive load. The latent profile analysis was then performed to cluster students into high- and low-load group. We also conducted a path analysis to investigate the mediation roles of SRL behaviors in the relationship between cognitive load and diagnostic efficiency (task performance). The results revealed that cognitive load negatively affected diagnostic efficiency, mediated by the ratio of SRL behaviors in the self-reflection phase. This study provides theoretical and methodological insights regarding the measurement of cognitive load and its interplay with SRL. This study informs the design of effective interventions for managing cognitive load in SRL within intelligent tutoring systems.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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