MétaCan
Menu
Retour à la cohorte
Enregistrement W7020147024

Learning and thinking about socio-scientific issues: A multi-study examination of the role of epistemic emotions in epistemic cognition

2019· dissertation· en· W7020147024 sur OpenAlexfundno aff

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2019
Typedissertation
Langueen
DomainePsychology
ThématiqueEducational Strategies and Epistemologies
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésCognitionContext (archaeology)Cognitive biasPerception
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Complex socio-scientific issues surrounding health or the environment, among others, are becoming increasingly controversial as the urgency for action increases.Learning and thinking critically about these issues requires epistemic cognition, i.e., thoughts and beliefs about the nature of knowledge, who holds knowledge, and how knowledge is justified.A review of the literature on epistemic cognition shows that epistemic cognition is a multifaceted phenomenon, including elements such as epistemic beliefs, epistemic aims, epistemic strategies, and epistemic emotions, yet many of these facets remain underexplored.The review also indicates that using more diverse and sophisticated methodologies is instrumental to advancing our understanding of epistemic cognition, as is the investigation of variables that may mediate relations between epistemic cognition and learning outcomes.Epistemic emotions are identified as one promising mediational mechanism that may explain how epistemic cognition relates to important outcomes.On the basis of this review, two manuscripts are proposed that address these issues.The first manuscript reports on two studies where a think-aloud methodology was employed to assess instances of epistemic cognition, epistemic emotions, and self-regulated learning during complex learning.Verbal data were used to examine the types of appraisals that serve as antecedents to epistemic emotions and to explore the immediate consequences of epistemic emotions for selfregulated learning.A path analysis using self-report and verbal data provided support for a model of epistemic emotions as mediators between epistemic cognition and learning processes and outcomes.The second study tested the generalizability of this model by examining the mediational role of epistemic emotions in the relationship between epistemic cognition and critical thinking.Theoretical contributions, implications, limitations, and future directions are discussed. EPISTEMIC COGNITION AND EPISTEMIC EMOTIONSv Résumé Les problématiques socio-scientifiques complexes, liées par exemple à la santé ou à l'environnement, sont devenues aussi urgentes que controversées.Apprendre et avoir une pensée critique au sujet de ces questions nécessite une pensée épistémique adaptée, c'est-à-dire d'avoir une réflexion et d'adopter des croyances productives au sujet de la nature de la connaissance, à savoir qui la détient et comment elle est justifiée.Une recension des écrits sur la cognition épistémique montre que celle-ci est multiple, incluant des éléments tels que les croyances épistémiques, les objectifs épistémiques, les stratégies épistémiques et les émotions épistémiques, tout en indiquant que plusieurs de ces facettes demeurent empiriquement peu explorées.Les conclusions de cette recension indiquent également que pour améliorer notre compréhension de la cognition épistémique, il est essentiel d'utiliser des méthodologies plus diverses et sophistiquées, ainsi que d'investiguer les variables médiatrices susceptibles d'intervenir dans la relation entre la cognition épistémique et l'apprentissage.Les émotions épistémiques sont identifiées comme un mécanisme médiateur prometteur qui pourrait expliquer l'influence de la cognition épistémique sur des résultats importants.Ces lacunes font l'objet de deux articles présentés ici.Le premier article décrit deux études empiriques où la cognition épistémique, les émotions épistémiques et l'apprentissage autorégulé sont mesurés à l'aide d'un protocole de réflexion à voix haute au cours d'un épisode d'apprentissage complexe.Ces données ont été utilisées pour examiner les types d'évaluations cognitives qui servent d'antécédents aux émotions épistémiques, ainsi qu'afin d'explorer les conséquences immédiates des émotions épistémiques sur l'apprentissage autorégulé.Une analyse de trajectoire appuie un modèle prédictif où les émotions épistémiques constituent un médiateur entre la cognition épistémique et les divers processus et résultats d'apprentissage.Le deuxième article présente une deuxième First and foremost, I would like to extend my sincerest gratitude to my supervisor, Dr. Krista Muis, for her mentorship and encouragement over the last seven years.At each stage of this process, you have guided me with expertise, encouraged me through challenges, and celebrated every achievement.You have introduced me to a network of excellent collaborators, provided financial support and access to key resources, and have invested generous amounts of time and effort into my success.You have helped me grow into the researcher I am today and for that, I am forever grateful.I would also like to extend my thanks to Dr. Alenoush Saroyan for her guidance over the years, from my comprehensive exam to this dissertation.The time and attention you have dedicated is greatly appreciated.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,040
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,040
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,005
Communication savante0,0090,007
Science ouverte0,0010,004
Intégrité de la recherche0,0010,004
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,310
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetEducational Strategies and EpistemologiesTravaux en français237 207