Feedback vanuit de perceptie van de feedbackontvanger\n\nHet verband tussen doeloriëntatie en feedback-seeking en feedback-waardering
Bibliographic record
Abstract
In dit onderzoek is het verband tussen doeloriëntatie en feedback-seeking en doeloriëntatie en waardering voor feedback exploratie verkend. Cianci, Schaubroeck en McGill (2010) concluderen dat het ontvangen van negatieve feedback voor een participant met een leerdoel en het ontvangen van positieve feedback voor een participant met een prestatiedoel het meest effect heeft op het leerresultaat.\nDe feedbackdialoog staat in dit onderzoek centraal. De hypothese is dat participanten met een leerdoeloriëntatie frequenter op zoek gaan naar negatieve feedback en gegeven negatieve feedback waarderen en participanten met een prestatiedoeloriëntatie frequenter op zoek gaan naar positieve feedback en gegeven positieve feedback waarderen. Dit is verkend gebaseerd op vragenlijsten voor doeloriëntatie (Van de Walle, 1996) en waardering voor feedback (Weaver, 2006) gecombineerd met gefilmde dialogen. De kwantitatieve data is geanalyseerd aan de hand van een afhankelijk T-test en factoranalyses, voor de kwalitatieve data is gebruik gemaakt van analyseprogramma MEPA en is meerdere malen een tweede beoordelaar ingeschakeld. \nNa analyses is een verdeling gemaakt in een groep leerdoeloriëntatie en een groep waarbij sprake was van een gecombineerde doeloriëntatie. Waarbij de hypothese voor de gecombineerde doeloriëntatie is dat participanten op zoek gaan naar een gelijkwaardige verdeling van positieve en negatieve feedback en deze combinatie waarderen. Voor de groep leerdoeloriëntatie kan, gebaseerd op resultaten en analyse, de hypothese voor zowel de feedback-seeking als de feedback-waardering worden bevestigd. Voor de groep combidoeloriëntatie kan de hypothese voor feedback-seeking worden bevestigd, de hypothese omtrent de feedback-waardering kan niet (geheel) worden bevestigd.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.001 | 0.005 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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; both teacher heads agree on what is shown here.
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".