Patterns and Rates of Learning in Two Problem-Based Learning Courses Using Outcome Based Assessment and Elaboration Theory

The concept of “practice makes perfect” was examined in this work in the context of effective learning. Specifically, we wanted to know how much practice was needed for students to demonstrate mastery of learning outcomes. Student learning patterns in two different university courses that use a similar education approach involving problem based learning, outcomes based assessment, and problem sequencing based on elaboration theory were examined. Learning outcomes for each course were explicitly defined and students were repeatedly assessed through sequential assignments. The cumulative proportion of criteria successfully demonstrated for each problem-solving attempt was determined using data retrospectively obtained from instructor grading records. Learning followed a typical growth pattern - it increased rapidly at first and more slowly with succeeding attempts. The precise shape of the learning curve differed between the two courses and is thought to be the result of problem difficulty and problem sequencing. Depending on these two factors, at least one more attempt than the number of times criteria need to be demonstrated is required and often more are needed to demonstrate mastery. This paper presents class-level data and future work should investigate individual performance and particularly why some students learn more quickly than others. Two additional issues for future consideration are the effect of the number of attempts on long-term retention and on the transferability of the learning to other problems. Les chercheurs se penchent sur le concept selon lequel c’est en pratiquant qu’on atteint la perfection en contexte d’apprentissage efficace. Plus précisément, ils cherchent à savoir à quel point les étudiants doivent s’exercer avant d’atteindre les objectifs d’apprentissage. Les chercheurs ont examiné les modèles d’apprentissage des étudiants dans deux cours universitaires différents qui utilisent une approche pédagogique similaire axée sur l’apprentissage par problèmes, l’évaluation des résultats et le séquençage des problèmes axé sur la théorie de l’élaboration. Les résultats d’apprentissage ont été explicitement définis et les étudiants ont été évalués à plusieurs reprises grâce à des évaluations séquentielles. Les chercheurs ont déterminé la proportion cumulative de critères remplis pour chaque tentative de résolution de problèmes à l’aide de données obtenues rétrospectivement à partir des dossiers de notes de l’enseignant. L’apprentissage a suivi un modèle de croissance typique, c’est-à-dire qu’il a tout d’abord augmenté rapidement, puis ’a un rythme décroissant avec l’ajout de tentatives additionnelles. La forme précise de la courbe d’apprentissage était différente d’un cours à l’autre et les chercheurs pensent qu’elle est attribuable à la difficulté des problèmes et à leur séquençage. En fonction de ces deux facteurs, il faut au moins un essai de plus que le nombre requis pour respecter les critères, et parfois plus, pour démontrer qu’il y a maîtrise des objectifs d’apprentissage. Le présent article présente les données liées à la classe dans son ensemble. Les prochains travaux devraient se pencher sur la performance individuelle et particulièrement sur les raisons expliquant pourquoi certains étudiants apprennent plus vite que d’autres. Les deux autres questions à considérer sont l’effet du nombre d’essais sur la rétention à long terme et sur la transférabilité de l’apprentissage à d’autres problèmes.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.