Deriving Empirically-Based Design Guidelines for Advanced Learning Technologies that Foster Disciplinary Comprehension / Définir des lignes directrices fondées sur des données empiriques pour les technologies d’apprentissage avancé qui favorisent la compr
Bibliographic record
Abstract
Planning, conducting, and reporting leading-edge research requires professionals who are capable of highly skilled reading. This study reports the development of an empirically informed computer-based learning environment designed to foster the acquisition of reading comprehension strategies that mediate expertise in the social sciences. Empirical data were gathered in a mixed-methods explanatory sequential design that examined the reading comprehension strategies used by an expert social scientist while reading a professional-level text. Process data were collected through a concurrent think-aloud protocol and coded according to reading comprehension processes. We combined both quantitative and qualitative analyses to identify, describe, and explain patterns in the expert’s use of reading strategies. Our findings indicate that highly-skilled reading is characterized by critiquing text information, relating information to prior knowledge, and evaluating one’s own understanding of text information. Findings are used to inform the design of worked-examples and a pedagogical agent embedded within the Highly-Skilled Reading Tutor. Le type de planification, de réalisation et l’analyse qui caractérise une recherche d’avant-garde nécessite des professionnels en mesure d’effectuer des lectures hautement spécialisées. La présente étude dresse un rapport sur l’élaboration d’un milieu d’apprentissage informatisé conçu pour favoriser l’acquisition de stratégies de compréhension en lecture permettant d’assurer la transmission des connaissances spécialisées en sciences sociales. La collecte de données empiriques s’est effectuée suivant une conception séquentielle explicative fondée sur une méthode mixte, qui étudiait les stratégies de compréhension de lecture utilisées par un expert en sciences sociales lors de sa lecture d’un texte de calibre professionnel. La collecte des données sur le processus s’est effectuée suivant un protocole concurrent de réflexion à haute voix, et les données ont été codées conformément aux processus de compréhension de la lecture. Nous avons combiné les analyses quantitatives et qualitatives afin d’identifier, décrire et expliquer les tendances de cet expert dans l’utilisation des stratégies de lecture. Nos résultats indiquent que la lecture hautement spécialisée se caractérise par la critique des informations présentées dans le texte, la mise en relation des informations présentées et des connaissances antérieures et l’autoévaluation de la compréhension de ces informations. Les résultats obtenus sont utilisés pour formuler des exemples façonnés et créer un agent pédagogique intégré au Tuteur de lecture hautement spécialisée.
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.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".