An Investigation of Accuracy of Metacognitive Judgments during Learning with an Intelligent Multi-Agent Hypermedia Environment
Notice bibliographique
Résumé
Successful learning with advanced learning technologies is based on the premise that students adaptively regulate their cognitive and metacognitive processes.However, research suggests that students are rather dysregulated in their learning.One major source of dysregulation is based on inaccurate metacognitive judgments made during learning.This study investigated learners' accuracy and confidence in metacognitive judgments made in the context of learning about the human circulatory system with MetaTutor, a multiagent intelligent hypermedia learning system.83 college students took part in this study, and their interactions within MetaTutor in the two-hour learning session provided data for this study.In general, the results revealed that learners were overconfident to differing degrees in ratings of their judgments of learning (JOLs) and feelings of knowing (FOKs).It was also found that receiving timely prompts and adaptive feedback from the artificial agent in MetaTutor improved the accuracy of metacognitive judgments.Learners in the Prompt and Feedback condition (PF) were overconfident to a lesser degree than those in other conditions (Prompt Only [PO] and Control).Finally, one-way ANOVA and Tukey post-hoc results indicated that learners who received prompts and feedback attained significantly (p < .05)better learning efficiency scores than learners in Control and Prompt Only conditions.
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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».