MétaCan
Menu
Retour à la cohorte
Enregistrement W7133026779

Understanding and Supporting Socio-cognitive-emotional Dynamics in Knowledge Building Communities

2020· dissertation· W7133026779 sur OpenAlexaff
Gaoxia Zhu

Notice bibliographique

RevueTSpace · 2020
Typedissertation
Langue
DomainePsychology
ThématiqueInnovative Teaching and Learning Methods
Établissements canadiensVector Institute
Organismes subventionnairesnon disponible
Mots-clésSurpriseDynamics (music)Field (mathematics)Control (management)CognitionAction (physics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Wellbeing is increasingly viewed as a key component of success in school, with research showing the many ways in which emotions and cognition interact. Positive emotions are generally beneficial for students’ learning; negative emotions can be beneficial or not, depending on self-regulation and learning strategies that play a mediating role. Knowledge Building is a pedagogical approach that emphasizes students taking higher levels of responsibility for bringing ideas they really care about to the community and collectively improving the ideas. An important and direct way for students to take responsibility is engaging in discourse about their discourse—metadiscourse—in which they collectively plan, monitor, regulate, and evaluate their progress. According to the control-value theory, students should experience higher levels of positive emotions in Knowledge Building because they have more control over learning and perceive the learning as more personally relevant. My thesis represents longitudinal design-based research in which young students take greater responsibility for their Knowledge Building. In Chapter 1, a literature review and outline of contributions to the field of the Learning Sciences is presented. In Chapter 2, instruments used to analyze students' emotions are presented, using multimodal data—including text, speech, gesture, and facial expressions recorded in classroom videos. In Chapter 3, design research to investigate how student engagement in metadiscourse influenced their emotions was conducted, and interrelationships between students’ emotions and idea improvement were explored. In Chapter 4, the co-development of students’ emotions and idea improvement over time was examined using Markov Chain analysis. Students expressed greater levels of enjoyment and surprise when engaged in metadiscourse. They liked metadiscourse, designing new work, and improving ideas; confidence was significantly positively associated with students’ explanations (partial and elaborated) and proposals for new directions for their research. Reflection led to greater levels of reflection. Overall, this thesis develops theoretical constructs that integrate Knowledge Building, metadiscourse, and the control-value theory for enhancing students’ productive Knowledge Building and emotional wellbeing.

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)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,005
Communication savante0,0060,008
Science ouverte0,0010,006
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,207
Tête enseignante GPT0,488
Écart entre enseignants0,281 · 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'étudeQualitatif
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpaceMême sujetInnovative Teaching and Learning MethodsTravaux en français237 207