Knowing the good from the bad: Does being aware of KR content matter?
Notice bibliographique
Résumé
Previous research suggests that providing KR after a series of successful (i.e., good trials) rather than unsuccessful (i.e., poor trials) trials enhances motor skill acquisition. However, there is a caveat. Performers in these previous investigations were unaware their KR content was based on either their good or poor trials. Based on the role of KR precision during motor skill learning, we expected that being aware of the KR content would prove superior for motor learning compared to being unaware, independent of the content in the KR display (i.e., good or poor trials). For the present experiment, participants were required to propel a slider along a confined linear pathway to a pre-determined spatial goal (133 cm). Participant's vision was occluded before, during and after their motor action. Similar to previous research, participants either received KR based on their three best (KR good) or three worst (KR poor) trials in a 6 trial block, and were either aware (good-aware; poor-aware) or unaware (good-unaware, poor-unaware) of content in their KR display for a total of 4 experimental conditions. The acquisition results revealed no between group differences. However, the retention results showed that indpendent of the KR content, the groups aware of their KR content demonstrated superior learning (indexed by CE and VE measures) to the groups unaware of their KR content. The theoretical and practical importance of KR precision during motor learning will be discussed.
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 | 0,004 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».