基于计算机的反馈复杂性和先前知识对学习的影响 |
基于计算机的反馈(简称计算机反馈)是计算机在学习者做出反应后提供的反映学习者当前表现的信息(Hattie & Timperley, 2007; Narciss, 2013; Shute, 2008)。计算机反馈因反馈时间灵活、自动化、反馈内容和形式多样以及可实现个性化而越来越普及(Narciss, 2008; van der Kleij, Feskens, & Eggen, 2015)。前人研究发现,反馈可以增强学生的内部动机,提高其自我效能感,促进学习策略的使用,并提高学习效果(Hattie & Timperley, 2007; Wang & Wu, 2008)。但反馈在何种条件下发挥积极作用还有待进一步研究。
1.1 基于计算机的反馈复杂性对学习效果的影响形成性评价学习的影响因素模型(Timmers & Veldkamp, 2011)提出,学习者的学习效果取决于反馈类型与任务特征、个体特征的交互作用,反馈类型是影响学习效果的重要因素,不同类型的反馈对学习的影响不同。而反馈类型的一种典型划分方式就是反馈的复杂性。反馈复杂性是指反馈所包含的信息量多少以及包含的内容是什么(Mory, 2004)。Shute(2008)根据反馈所包含信息的复杂性将其分为结果反馈、正确反应反馈和精细反馈。结果反馈只提供答案对错的信息,是最简单的反馈。正确反应反馈提供正确答案,比结果反馈稍复杂。结果反馈和正确反应反馈合称为简单反馈(Lin, Atkinson, Christopherson, Joseph, & Harrison, 2013)。精细反馈(elaborated feedback)的内容包括有关任务的限制、概念、解题过程或任务程序、线索、解释和样例等(Shute, 2008),因此是更为复杂的反馈。
关于反馈的大多数研究发现精细反馈比简单反馈效果更好。Bangert-Drowns,Kulik,Kulik和Morgan(1991)对40篇计算机或非计算机环境下的反馈研究进行元分析发现,精细反馈比简单反馈产生了更大的效应量;van der Kleij等(2015)对计算机反馈效果的元分析发现,精细反馈比简单反馈更有效,尤其在迁移等高级学习结果上更显著。后续研究也发现大学生在精细反馈条件下比简单反馈条件下获得了更好的学习效果(Cheng, 2017; Finn, Thomas, & Rawson, 2018; Lachner, Burkhart, & Nückles, 2017)。例如,Lachner等(2017)发现计算机提供的精细反馈比结果反馈更能显著提升大学生的写作成绩。但另有研究发现反馈复杂性对学习效果并无显著影响。van der Kleij,Eggen,Timmers和Veldkamp(2012)的研究发现计算机提供的即时正确反应反馈加精细反馈、延时正确反应反馈加精细反馈和延时结果反馈对大学生市场学知识学习效果的影响没有差异。张贝贝(2015)以教育技术知识为学习内容的研究发现,计算机提供的精细反馈和正确反应反馈对大学生保持成绩的影响没有差异。也有研究者发现计算机提供的不同精细反馈对六年级学生文本理解成绩的影响没有显著差异(Golke, Dörfler, & Artelt, 2015)。上述研究没有获得一致结果的一个重要原因是不同研究中学习者的先前知识水平不同。而形成性评价学习的影响因素模型(Timmers & Veldkamp, 2011)强调先前知识等个体因素可能影响计算机反馈作用的发挥。
1.2 先前知识对计算机反馈学习效果的影响根据经验逆转效应(expertise reversal effect),教学技术的效果与学习者经验水平存在交互,适合低先前知识者的教学指导对高先前知识者不一定有效,甚至会产生消极作用。这是因为当执行复杂的认知任务时,低先前知识者由于缺乏相关认知图式,需要借助外部的教学指导来降低认知负荷,促进学习;而高先前知识者由于已经具备相关认知图式,详细的额外指导会造成冗余加工,增加外部认知负荷(Kalyuga, 2007)。反馈作为一种重要的教学指导,它对学习的作用也受到学习者先前知识的调节(Bangert-Drowns et al., 1991; Narciss et al., 2014)。前人研究发现在计算机学习环境下反馈复杂性对先前知识水平不同的学习者作用不同,出现了经验逆转效应。一些研究发现,和无反馈相比,精细反馈促进了低先前知识者的理解和应用,但对高先前知识者的学习无促进作用(Fyfe, 2016; Krause, Stark, & Mandl, 2009)。Krause等(2009)发现,大学生在线学习统计知识时,精细反馈能提升低先前知识者的成绩,但对高先前知识者无效。另一些研究发现,和无反馈相比,精细反馈促进了低先前知识者的学习,却损害了高先前知识者的学习(Fyfe, Rittle-Johnson, & DeCaro, 2012; Roelle, Berthold, & Fries, 2011)。Roelle等(2011)发现,计算机提供的精细反馈能显著改善低学习质量大学生对认知策略的使用,却降低了高学习质量大学生使用认知策略的质量。还有研究发现,和无反馈相比,简单反馈促进了无先前知识小学生的解题策略和迁移成绩,但对刚刚学会解题策略的小学生后续的解题策略和迁移产生了阻碍作用(Fyfe & Rittle-Johnson, 2016)。上述研究发现复杂性较高的反馈能促进低先前知识者的学习,而对高先前知识者的学习没有显著促进作用,甚至产生消极影响。但也有研究得到了与上述研究不一致的结果。Smits,Boon,Sluijsmans和van Gog(2008)发现由计算机提供的复杂程度不同的两种精细反馈(线索和详细解释)对中学生在线生物学习产生了不同的影响,高先前知识者在线索条件下比在详细解释条件下获得了更好的后测成绩,而低先前知识者在两种反馈条件下的成绩没有显著差异。上述研究中反馈的复杂程度、学习任务所涉及的学科(数学、科学、语言和社会科学)和难度以及被试的个体特征各不相同,可能导致了结果的不同。因此,近年来反馈领域的研究已经从反馈是否有效转向反馈何时有效。
1.3 反馈对知觉和动机的影响反馈知觉是学习者对反馈内容质量以及自身利用反馈改正错误、引导后续学习情况的评估(Gibbs & Simpson, 2003)。反馈受信息接受者影响的模型(Ilgen, Fisher, & Taylor, 1979)强调,只有当学习者充分注意和加工反馈,反馈才有可能发挥作用,而且反馈知觉会同时受到反馈特征和学习者特征的影响。研究发现,学习者对反馈的感知和使用存在个体差异(Mory, 2004),相比简单的结果反馈,学习者认为来自研究生同伴的精细反馈(结果反馈+学习策略)更有用(Strijbos, Narciss, & Dünnebier, 2010);反馈知觉受到学习者先前知识的影响,高先前知识者对复杂程度高的反馈知觉更好;而低先前知识者对不同复杂程度反馈的知觉无显著差异(Smits et al., 2008)。由此可见,不同的反馈类型可能引发学习者不同的反馈知觉进而影响后续的学习结果。本研究试图探索在不同反馈类型条件下,不同先前知识学习者的反馈知觉特点。
研究发现,反馈影响学习者的动机。在网络学习情境下给六年级学生提供成败归因反馈可以提高其内部归因、能力自我概念和兴趣(Dresel & Haugwitz, 2008),提供精细反馈可以促进大学生的自我效能感(Wang & Wu, 2008)和学习动机(Zou & Zhang, 2013)。传统课堂中的教师反馈能够提升大学生的学习动机(杨春, 路海东, 2015)。由此推测,反馈对学习者的动机具有重要影响。因此,本研究将在计算机环境下探索反馈复杂性对学习动机的影响。
1.4 问题提出越来越多的研究证实,基于计算机学习环境的精细反馈比简单反馈可以更显著地提升高级学习结果。但以往研究很少探索不同复杂程度的精细反馈与学习效果的关系。本研究将以大学生专业课程中的内容为学习材料,探究线索和详细解释这两种常见的复杂程度不同的精细反馈对不同先前知识大学生学习的作用。基于形成性评价学习的影响因素模型(Timmers & Veldkamp, 2011)和经验逆转效应(Kalyuga, 2007),本研究假设:(1)精细反馈的复杂性对先前知识水平不同学习者的学习效果有不同影响。低先前知识者在线索条件下的迁移成绩显著低于详细解释条件;高先前知识者在线索条件下的迁移成绩不会低于详细解释条件(假设1)。(2)精细反馈的复杂性影响不同先前知识学习者对反馈内容的外在认知负荷评价。低先前知识者比高先前知识者对反馈内容感知到更高的外在认知负荷;低先前知识者在线索条件比在详细解释条件感知到更高的外在认知负荷;相反,高先前知识者对线索反馈的外在认知负荷评价显著低于详细解释反馈(假设2)。之后,根据反馈受信息接受者影响的模型(Ilgen et al., 1979),本研究假设:(3)复杂程度高的反馈使学习者产生更好的反馈知觉(假设3),更能促进学习者的动机(假设4)。
2 方法本研究采用2×2被试间设计。自变量为学习者的先前知识水平(高、低)和反馈复杂性(线索、详细解释)。因变量为迁移成绩、外在认知负荷、反馈知觉和动机。
2.1 被试向学习过心理统计学课程的本科生发放先前知识问卷262份,回收有效问卷262份。先前知识问卷总分为14分,取得分排名前后27%的为高、低先前知识者各70人。自愿参与正式实验的高低先前知识者分别为59和47人,其中男生24人,女生82人,年龄18~26岁(M=20.35, SD=1.62)。参与正式实验的高低先前知识者的先前知识得分差异非常显著(M低=4.19, M高=9.88, t=–30.70,p<0.001,d=6.02)。分别将他们随机分配到两种反馈条件下,其中,低先前知识/线索组22人,低先前知识/详细解释组25人,高先前知识/线索组31人,高先前知识/详细解释组28人。线索和详细解释条件下被试的先前知识差异不显著(M线索=7.47, M详细解释=7.25, t=0.39, p>0.05)。
2.2 实验工具和材料学习系统:本研究的学习系统是利用python2.7开发的网页版形成性评价学习系统。实验过程包括形成性评价学习和后测两个阶段,都在学习系统中进行。在学习阶段,学习系统提供心理统计学题目,学习者每回答一道题,系统自动呈现一个反馈框,反馈框中包含学习者答案对错的结果反馈以及线索或详细解释反馈。学习者在学习完反馈内容后关闭反馈框,系统紧接着呈现测量认知负荷的题项,要求学习者评价每道题后的反馈内容的可用性。学习阶段结束后,学习者在学习系统中继续完成迁移测验、反馈知觉和动机问卷。
先前知识问卷:先前知识问卷包括14道单项选择题,来自心理统计学课程的描述性统计部分以及单样本和双样本假设检验部分,都关注知识应用。
学习材料:学习内容为14道单选题,内容范围与先前知识经验相同。反馈包括线索和详细解释两种类型,两种反馈条件下的学习内容相同;但学习者接受的反馈内容复杂程度不同,线索反馈只提供解题的线索,而详细解释反馈不仅提供解题的线索,还提供解题思路及解题过程。
基于反馈内容的外在认知负荷:参考Gerjets,Scheiter,Opfermann,Hesse和Eysink(2009)提出的外在认知负荷测量,将题目改成指向反馈内容而非学习材料,“你认为利用这道题的反馈内容是否方便?”,从1(非常方便)到9(非常困难)计1~9分。得分越高表示反馈内容给学习者带来的外在认知负荷越高。
迁移测试:包括12道单项选择题,每题1分,包含的知识点与学习阶段一致。迁移测验题和学习阶段题目的结构相同。
反馈知觉:采用评价体验问卷(The Assessment Experience Questionnaire)中的反馈使用量表(Gibbs & Simpson, 2003),包括6道题,采用5点计分,1~5表示完全不同意到完全同意。原量表的α系数为0.74,本研究中的α系数为0.75。
动机:采用Keller(2010)编制的教学材料动机问卷(The Instructional Materials Motivation Survey)中的自信心和满足感分量表,各有9道和6道题目,采用5点计分,1~5表示完全不同意到完全同意。原量表的α系数分别为0.90和0.92,本研究中的α系数分别为0.83和0.88。
2.3 实验程序主试向学习者介绍学习系统和实验流程。每位学习者在学习系统中都有一个ID,学习者登录学习系统输入ID和人口学信息,系统根据ID将不同先前知识学习者随机分配到两种反馈条件下。然后学习者依次完成学习阶段和后测阶段的任务。整个实验大约需要50分钟。
3 结果 3.1 迁移成绩结果分析四组被试在各因变量上的平均数和标准差见表1。以迁移成绩为因变量,进行2(先前知识水平:高、低)×2(反馈复杂性:线索、详细解释)两因素方差分析。结果发现,先前知识水平在迁移成绩上的主效应显著[F(1, 102)=80.20, p<0.001, η
3.2 外在认知负荷结果分析
以外在认知负荷为因变量,进行2(先前知识水平:高、低)×2(反馈复杂性:线索、详细解释)两因素方差分析,结果发现,先前知识水平的主效应显著[F(1, 102)=8.31, p<0.05, η
以反馈知觉为因变量,进行2(先前知识水平:高、低)×2(反馈复杂性:线索、详细解释)的两因素方差分析,结果发现,先前知识水平在反馈知觉上的主效应显著[F(1, 102)=9.29, p<0.05, η
3.4 动机结果分析
以动机为因变量,进行2(先前知识水平: 高、低)×2(反馈复杂性: 线索、详细解释)的两因素方差分析,结果发现,先前知识水平和反馈复杂性在动机上的主效应都显著[F(1, 102)=99.70, p<0.01, ηp2=0.087; F(1, 102)=7.95, p<0.01, ηp2=0.072],高先前知识组的动机显著高于低先前知识组,详细解释组的动机显著高于线索组。先前知识水平和反馈复杂性在动机上的交互作用不显著[F(1, 102)=0.17, p>0.05]。
4 讨论 4.1 反馈复杂性和学习者先前知识对迁移成绩的影响本研究探索了精细反馈的复杂性对不同先前知识水平学习者学习迁移的影响,发现学习者的先前知识和反馈复杂性在迁移成绩上存在显著的交互作用。先前知识水平低的学习者在详细解释条件下的迁移成绩显著高于线索条件,而先前知识水平高的学习者在两种反馈条件下的迁移成绩没有显著差异。也就是说反馈复杂性只影响低先前知识者的学习迁移,支持假设1。这一结果表明,详细解释反馈比线索反馈对低先前知识者的学习迁移产生了更大的促进作用。详细解释不仅为学习者提供解题线索,还告知详细解题步骤以及正确答案。对于缺少先前知识的学习者来说,详细解释提供的丰富信息正好可以弥补他们先前知识的不足,促进他们对新旧信息的整合,进而促进对当前问题的解决。而对高先前知识者,由于他们具有相对更多的心理统计学知识,提供线索便能激活他们的先前知识,帮助他们解决当前问题;详细解释虽然提供了丰富信息,但由于与其先前知识重叠,并不能发挥额外的促进作用。因而,对于高先前知识者,复杂性不同的两种反馈产生的效果相同。这一发现与部分前人研究结果一致(Fyfe, 2016; Krause et al., 2009),证实了在计算机精细反馈学习中存在经验逆转效应。即更复杂的精细反馈能促进低先前知识者的学习迁移,但不一定促进高先前知识者的学习迁移。
本研究这一发现与Smits等(2008)的结果不一致,主要原因是学习内容的领域不同。van der Kleij等(2015)的元分析发现,反馈的效应量在数学领域最大(ES=0.93),在社会科学(ES=0.46)和科学(ES=0.40)领域中等,在语言领域最小(ES=0.25)。本研究中的心理统计学课程和数学关系密切,而Smits等(2008)研究中的生物主题属于科学领域,不同研究中学习主题的学科差异可能是影响反馈效果的一个重要原因。其次,两个研究中被试年级不同。反馈对不同年级学生的学习影响可能存在差异,这还有待进一步研究确证。由此推论,随着学习者领域知识的变化,不同复杂程度的反馈对不同学科领域学习的影响可能也随之变化。未来研究还需进一步探索反馈复杂性对不同学科领域学习效果的影响以及学习者先前知识和其他个体特征在其中的作用。
4.2 反馈复杂性和学习者先前知识对外在认知负荷的影响本研究对基于反馈内容的外在认知负荷的分析发现,低先前知识者比高先前知识者感受到反馈给他们带来了更大的外在认知负荷;线索反馈条件下的学习者比详细解释反馈条件下的学习者感受到反馈内容带来的外在认知负荷更高。这表明,先前知识水平和反馈复杂性都影响学习者对基于反馈的外在认知负荷的感知。这一发现部分支持假设2。
详细解释反馈比线索反馈给低先前知识者带来了更低的外在认知负荷,进而促进其学习迁移;而对高先前知识者,详细解释反馈也比线索反馈导致了更低的外在认知负荷,但没有促进其学习迁移。这一发现与经验逆转效应部分相符(Kalyuga, 2007)。对于低先前知识者,详细解释所提供的信息填补了学习任务和他们已有知识间的鸿沟,提高了反馈信息的可利用性,从而促进学习迁移;而线索反馈所提供的信息可能不足以帮助他们在学习任务和先前知识间建立充分联系,因此,线索反馈被学习者评估为更难利用,对学习迁移的促进作用也不如详细解释反馈显著。
那为什么相对于线索反馈,详细解释反馈给高先前知识者也带来了更低的外在认知负荷?这可能与本研究的任务特征有关。心理统计学对心理学专业学生来说是一门较难的课程。当学习材料比较简单时,虽然降低外部认知负荷的教学支持对先前知识低的学习者有效,但可能为先前知识高的学习者提供了冗余信息,给其认知加工增添额外负担,进而阻碍其学习。而当学习材料比较复杂时,高先前知识者的已有图式可以指导他们从详细解释反馈提供的内容中选择相关信息用于建构和整合,避免不必要的认知加工,降低外在认知负荷(Kalyuga, 2007; 吴先强, 韦斯林, 2009)。由此推测,针对心理统计学课程的详细解释反馈虽然包含了丰富的信息,但可以为高先前知识者提供必要的支持,因而带来的外在认知负荷相对线索反馈更小。未来还有待探索在不同难度的学习任务中,反馈复杂性对学习者认知负荷和学习迁移的影响。
4.3 反馈复杂性和学习者先前知识对反馈知觉的影响本研究还发现,高先前知识者在不同反馈上的使用知觉得分都显著高于低先前知识者,且对两种反馈的使用知觉没有显著差异;而低先前知识者对详细解释反馈的使用知觉好于线索反馈,达到边缘显著。这一结果部分验证了假设3。这说明低先前知识者评价详细解释反馈比线索反馈更能帮助他们学习。而高先前知识者对两种反馈的知觉虽然没有显著差异,但都较高,表明他们会尝试理解和应用线索反馈或者详细解释反馈的内容帮助学习。这一结果与以往研究发现的反馈影响学习者知觉的结果部分一致(Strijbos et al., 2010)。本研究考虑了学习者的先前知识这一个体特征,获得了先前知识影响学习者对不同复杂程度反馈的知觉这一新发现,为反馈受信息接受者影响的模型(Ilgen et al., 1979)提供了基于计算机学习环境下的实证证据。
4.4 反馈复杂性和学习者先前知识对动机的影响本研究发现,高先前知识者的动机显著高于低先前知识者;详细解释组的动机显著高于线索组。这表明先前知识水平和反馈复杂性都能促进学习者的动机。这一结果支持假设4,也与以往传统环境下反馈促进学习动机的研究结果一致(杨春, 路海东, 2015)。心理统计学是一门较难的课程,当学习系统给学习者提供内容丰富的反馈支持,学习者就知觉到较多的控制感,对学习统计更加有信心,并且对整个形成性评价学习过程感到更加满意。Wang和Wu(2008)的研究也发现了类似的结果,也即在网络学习中为学习者提供精细反馈可以提高学习者的效能感,进而促进学习者使用更多的学习策略。本研究和以往研究的结果表明,为学习者提供精细反馈可以提高其学习动机。
4.5 启示和不足本研究以心理学专业课程心理统计学为反馈学习内容,在计算机学习环境下探讨了精细反馈和学习者先前知识对学习的影响,并发现,精细反馈复杂性对学习迁移和反馈知觉的影响受到学习者先前知识的调节,精细反馈复杂性和先前知识都显著影响学习者感知到的外在认知负荷和动机。本研究的创新之处在于,突破了已有研究多关注有无反馈、简单反馈与精细反馈对学习影响的局限,通过揭示不同复杂性的精细反馈与学习者先前知识的交互作用,支持和丰富了反馈发挥作用的理论模型(Ilgen et al., 1979; Timmers & Veldkamp, 2011),并进一步确证了计算机反馈学习中存在的经验逆转效应(Kalyuga, 2007)。本研究的结果为在计算机学习环境下如何为学习者提供个性化的、适应性的反馈提供了指导和参考。教学者和设计者向学习者提供反馈时要考虑学习者的知识水平,根据任务特征提供合适的反馈,且反馈应随着学习者知识水平的变化而改变。
本研究结果在推广到其他内容领域时需谨慎。本研究学习材料是出自心理统计学课程,学习任务聚焦于程序性知识,题目类型是选择题,这些都可能给实验结果的推广带来一定的局限。未来研究可以考察学习者先前知识和反馈复杂性对不同领域不同类型知识学习的作用及机制。未来研究还可以采用出声思维、日志追踪和眼动追踪等方法客观记录学习过程,探讨反馈特征、个体特征和任务特征在反馈影响学习中的作用,深入揭示反馈发挥积极作用的过程和条件。
5 结论本研究在心理统计学课程形成性评价学习系统中,探索精细反馈复杂性和学习者先前知识水平对反馈学习效果的影响,得到如下结论:
(1)精细反馈的复杂性对先前知识水平不同学习者学习迁移的影响不同,学习者先前知识水平在反馈复杂性影响迁移成绩中起调节作用。详细解释反馈相比线索反馈对低先前知识者的学习迁移有更大的促进作用;但是精细反馈的复杂性不影响高先前知识者的学习迁移。
(2)精细反馈的复杂性和学习者先前知识影响学习者感知到的外在认知负荷和动机。相比低先前知识者,高先前知识者产生了更低的外部认知负荷和更强的动机;详细解释条件下的学习者比线索条件下的学习者感受到更低的外部认知负荷,产生了更强的动机。反馈复杂性影响低先前知识者对反馈的知觉,但不影响高先前知识者的反馈知觉。
吴先强, 韦斯林. (2009). 国外认知负荷理论与有效教学的研究进展及启示. 全球教育展望, 38(2): 28-31. |
杨春, 路海东. (2015). 不同形式的评估反馈对大学生的学习动机和学习成绩的影响. 心理与行为研究, 13(2): 237-241. DOI:10.3969/j.issn.1672-0628.2015.02.014 |
张贝贝. (2015). 网络学习反馈对网络学习效果影响的实证研究(硕士学位论文). 辽宁师范大学, 大连.
|
Bangert-Drowns, R. L., Kulik, C. L. C., Kulik, J. A., & Morgan, M. T. (1991). The instructional effect of feedback in test-like events. Review of Educational Research, 61(2): 213-238. DOI:10.3102/00346543061002213 |
Cheng, G. (2017). The impact of online automated feedback on students’ reflective journal writing in an EFL course. The Internet and Higher Education, 34: 8-27. |
Dresel, M., & Haugwitz, M. (2008). A computer-based approach to fostering motivation and self-regulated learning. The Journal of Experimental Education, 77(1): 3-20. DOI:10.3200/JEXE.77.1.3-20 |
Finn, B., Thomas, R., & Rawson, K. A. (2018). Learning more from feedback: Elaborating feedback with examples enhances concept learning. Learning and Instruction, 54: 104-113. DOI:10.1016/j.learninstruc.2017.08.007 |
Fyfe, E. R. (2016). Providing feedback on computer-based algebra homework in middle-school classrooms. Computers in Human Behavior, 63: 568-574. DOI:10.1016/j.chb.2016.05.082 |
Fyfe, E. R., & Rittle-Johnson, B. (2016). Feedback both helps and hinders learning: The causal role of prior knowledge. Journal of Educational Psychology, 108(1): 82-97. DOI:10.1037/edu0000053 |
Fyfe, E. R., Rittle-Johnson, B., & DeCaro, M. S. (2012). The effects of feedback during exploratory mathematics problem solving: Prior knowledge matters. Journal of Educational Psychology, 104(4): 1094-1108. DOI:10.1037/a0028389 |
Gerjets, P., Scheiter, K., Opfermann, M., Hesse, F. W., & Eysink, T. H. S. (2009). Learning with hypermedia: The influence of representational formats and different levels of learner control on performance and learning behavior. Computers in Human Behavior, 25(2): 360-370. DOI:10.1016/j.chb.2008.12.015 |
Gibbs, G., & Simpson, C. (2003). Measuring the response of students to assessment: The Assessment Experience Questionnaire. In Proceedings of the 11th international improving student learning symposium. England: Hinckley.
|
Golke, S., Dörfler, T., & Artelt, C. (2015). The impact of elaborated feedback on text comprehension within a computer-based assessment. Learning and Instruction, 39: 123-136. DOI:10.1016/j.learninstruc.2015.05.009 |
Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1): 81-112. DOI:10.3102/003465430298487 |
Ilgen, D. R., Fisher, C. D., & Taylor, M. S. (1979). Consequences of individual feedback on behavior in organizations. Journal of Applied Psychology, 64(4): 349-371. DOI:10.1037/0021-9010.64.4.349 |
Kalyuga, S. (2007). Expertise reversal effect and its implications for learner-tailored instruction. Educational Psychology Review, 19(4): 509-539. DOI:10.1007/s10648-007-9054-3 |
Keller, J. M. (2010). Motivational design for learning and performance: The ARCS model approach. New York, NY: Springer.
|
Krause, U. M., Stark, R., & Mandl, H. (2009). The effects of cooperative learning and feedback on e-learning in statistics. Learning and Instruction, 19(2): 158-170. DOI:10.1016/j.learninstruc.2008.03.003 |
Lachner, A., Burkhart, C., & Nückles, M. (2017). Formative computer-based feedback in the university classroom: Specific concept maps scaffold students’ writing. Computers in Human Behavior, 72: 459-469. DOI:10.1016/j.chb.2017.03.008 |
Lin, L. J., Atkinson, R. K., Christopherson, R. M., Joseph, S. S., & Harrison, C. J. (2013). Animated agents and learning: Does the type of verbal feedback they provide matter?. Computers & Education, 67: 239-249. |
Mory, E. H. (2004). Feedback research revisited. In D. Jonassen (Ed.), Handbook of research on educational communications and technology (pp. 745–783). Mahwah: Lawrence Erlbaum Associates Publishers.
|
Narciss, S. (2008). Feedback strategies for interactive learning tasks. In J. M. Spector, M. D. Merrill, J. J. G. van Merrienboer, & M. P. Driscoll (Eds.), Handbook of research on educational communications and technology (3rd ed., pp. 125–144). Mahwah: Lawrence Erlbaum Associates Publishers.
|
Narciss, S. (2013). Designing and evaluating tutoring feedback strategies for digital learning environments on the basis of the interactive tutoring feedback model. Digital Education Review, 23: 7-26. |
Narciss, S., Sosnovsky, S., Schnaubert, L., Andrès, E., Eichelmann, A., Goguadze, G., & Melis, E. (2014). Exploring feedback and student characteristics relevant for personalizing feedback strategies. Computers & Education, 71: 56-76. |
Roelle, J., Berthold, K., & Fries, S. (2011). Effects of feedback on learning strategies in learning journals: Learner-expertise matters. International Journal of Cyber Behavior, Psychology and Learning, 1(2): 16-30. DOI:10.4018/ijcbpl.2011040102 |
Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78(1): 153-189. DOI:10.3102/0034654307313795 |
Smits, M. H. S. B., Boon, J., Sluijsmans, D. M. A., & van Gog, T. (2008). Content and timing of feedback in a web-based learning environment: Effects on learning as a function of prior knowledge. Interactive Learning Environments, 16(2): 183-193. DOI:10.1080/10494820701365952 |
Strijbos, J. W., Narciss, S., & Dünnebier, K. (2010). Peer feedback content and sender’s competence level in academic writing revision tasks: Are they critical for feedback perceptions and efficiency. Learning and Instruction, 20(4): 291-303. DOI:10.1016/j.learninstruc.2009.08.008 |
Timmers, C., & Veldkamp, B. (2011). Attention paid to feedback provided by a computer-based assessment for learning on information literacy. Computers & Education, 56(3): 923-930. |
van der Kleij, F. M., Eggen, T. J. H. M., Timmers, C. F., & Veldkamp, B. P. (2012). Effects of feedback in a computer-based assessment for learning. Computers & Education, 58(1): 263-272. |
van der Kleij, F. M., Feskens, R. C. W., & Eggen, T. J. H. M. (2015). Effects of feedback in a computer-based learning environment on students’ learning outcomes: A meta-analysis. Review of Educational Research, 85(4): 475-511. DOI:10.3102/0034654314564881 |
Wang, S. L., & Wu, P. Y. (2008). The role of feedback and self-efficacy on web-based learning: The social cognitive perspective. Computers & Education, 51(4): 1589-1598. |
Zou, X. L., & Zhang, X. N. (2013). Effect of different score reports of web-based formative test on students’ self-regulated learning. Computers & Education, 66: 54-63. |