Learning Progressions and Cognitive

Learning Progressions and Cognitive Models
Cognitive models for learning seek to explain and predict student
performance on assessment tasks in terms of profiles of student
skills and corresponding task requirements. If a student has mastered
all of the attributes required by the task, we would expect the
student to be consistently successful in performing the task; if the
student has not mastered all of the attributes required by the task,
we would expect the student to be less successful, or completely
unsuccessful in performing the task, or to perform at some chance
level, depending on the assumptions built into the model (de la Torre
& Minchen, this issue). An assessment involving a number of tasks
with different attribute requirements can then be used to identify
the attributes that have been mastered by the student and those that
have not been mastered. It is easy to see how this kind of information
could be useful to teachers and students.
Identifying the person and task attributes that are most relevant
to a discipline is potentially a labor intensive activity, as is the
development of an appropriate statistical model for specifying the
relationship between the attributes mastered by a student, the
attributes required by a task, and the expected performance of the
student on the task. There are also questions about how large the
domain being modeled should be (the domain size) and how general
or specific the attributes should be (the attributes’ grain size). As de
la Torre and Minchen (this issue) point out, given that we cannot
have more than five to ten attributes in the statistical model without
running into serious problems in estimation, there is a tradeoff
between the domain size and the grain size but there is also a need
to insure that the attributes being assessed are the most relevant
given the purpose of an assessment. The attributes in a cognitive
model are not necessarily ordered or hierarchical, but they can be;
that is, the assumption that mastery of one attribute is a prerequisite
for another attribute can be built into the model as a constraint.
Model-based assessments can provide relatively detailed
information on the attributes (e.g., skills and conceptual
understandings) that each student has mastered and not mastered,
and with a small grain size, this information can be quite detailed.
Such specific indications of the weaknesses in a student’s mastery
of a topic can be used to target instruction on those soft spots. With
a larger grain size more general guidance can be obtained. But there
is no such thing as a free lunch. In order to realize these benefits to
a substantial degree, it is necessary that the model fit the data and
that it provide a coherent and instructionally relevant explanation

ผลลัพธ์ (ไทย) 2:

การเรียนรู้ที่ก้าวหน้าและโมเดลองค์ความรู้
รูปแบบองค์ความรู้สำหรับการเรียนรู้พยายามที่จะอธิบายและคาดการณ์ของนักเรียน
ผลการดำเนินงานในการประเมินผลงานในแง่ของรูปแบบของนักเรียน
และทักษะที่สอดคล้องความต้องการงาน ถ้านักเรียนได้เข้าใจ
ทั้งหมดของคุณลักษณะที่จำเป็นโดยงานที่เราคาดว่าจะได้
นักเรียนจะประสบความสำเร็จอย่างต่อเนื่องในการปฏิบัติงานนั้น ถ้า
นักเรียนยังไม่เข้าใจคุณลักษณะทั้งหมดที่จำเป็นตามงานที่
เราจะคาดหวังของนักเรียนจะประสบความสำเร็จน้อยกว่าหรือสมบูรณ์
ไม่ประสบความสำเร็จในการปฏิบัติงานหรือการดำเนินการที่ได้มีโอกาสบาง
ระดับขึ้นอยู่กับสมมติฐานที่สร้างขึ้นในรูปแบบ ( เดอลา Torre
& Minchen ปัญหานี้) การประเมินที่เกี่ยวข้องกับจำนวนงาน
ที่มีความต้องการที่แตกต่างกันแอตทริบิวต์นั้นจะสามารถใช้ในการระบุ
คุณลักษณะที่ได้รับการควบคุมโดยนักเรียนและผู้ที่
ยังไม่ได้รับการเข้าใจ มันเป็นเรื่องง่ายที่จะเห็นว่าชนิดของข้อมูลนี้
จะเป็นประโยชน์กับครูและนักเรียน.
ระบุคุณลักษณะบุคคลและงานที่มีความเกี่ยวข้องมากที่สุด
ที่จะมีระเบียบวินัยอาจเป็นแรงงานกิจกรรมที่เข้มข้นเช่นเดียวกับ
การพัฒนาแบบจำลองทางสถิติที่เหมาะสมสำหรับการระบุ
ความสัมพันธ์ระหว่างคุณลักษณะเข้าใจโดยนักศึกษา
คุณลักษณะที่จำเป็นโดยงานและผลการดำเนินงานที่คาดหวังของ
นักเรียนในงาน นอกจากนี้ยังมีคำถามเกี่ยวกับวิธีการขนาดใหญ่
ที่มีการสร้างแบบจำลองโดเมนควรจะเป็น (ขนาดโดเมน) และวิธีการทั่วไป
หรือเฉพาะคุณลักษณะที่ควรจะเป็น (ขนาดเม็ดคุณลักษณะ ') ในขณะที่
ลา Torre และ Minchen (ปัญหานี้) ชี้ให้เห็นว่าเราไม่สามารถ
มีมากกว่า 5-10 คุณลักษณะในแบบจำลองทางสถิติโดยไม่ต้อง
ทำงานเป็นปัญหาร้ายแรงในการประเมินมีข้อดี
ระหว่างขนาดโดเมนและขนาดเม็ด แต่มี ยังมีความจำเป็น
เพื่อให้แน่ใจว่าแอตทริบิวต์ถูกประเมินเป็นที่เกี่ยวข้องมากที่สุด
ที่กำหนดวัตถุประสงค์ของการประเมิน คุณลักษณะในองค์ความรู้
รูปแบบจะไม่ได้รับคำสั่งจำเป็นหรือลำดับชั้น แต่พวกเขาสามารถ;
นั่นคือสมมติฐานที่ว่าการเรียนรู้ของหนึ่งคุณลักษณะที่เป็นสิ่งที่จำเป็น
. สำหรับแอตทริบิวต์อื่นสามารถที่จะสร้างขึ้นในรูปแบบที่เป็นข้อ จำกัด
การประเมินผลรุ่นที่ใช้สามารถให้ รายละเอียดค่อนข้าง
ข้อมูลเกี่ยวกับคุณลักษณะ (เช่นทักษะและความคิด
ความเข้าใจ) ว่านักเรียนแต่ละคนได้เข้าใจและไม่เข้าใจ
และมีขนาดเม็ดเล็กข้อมูลนี้จะมีรายละเอียดค่อนข้าง.
บ่งชี้เฉพาะเจาะจงดังกล่าวของจุดอ่อนในการเรียนรู้ของนักเรียน
ในหัวข้อ สามารถนำมาใช้ในการกำหนดเป้าหมายการเรียนการสอนในจุดที่อ่อนนุ่มเหล่านั้น ด้วย
ขนาดเม็ดที่มีขนาดใหญ่มากขึ้นคำแนะนำทั่วไปสามารถรับได้ แต่มี
ไม่มีสิ่งนั้นเป็นอาหารกลางวันฟรี เพื่อให้ตระหนักถึงผลประโยชน์เหล่านี้จะ
มีระดับมากมีความจำเป็นที่รูปแบบพอดีกับข้อมูลและ
การที่จะให้คำอธิบายที่สอดคล้องกันและมีความเกี่ยวข้อง instructionally

ผลลัพธ์ (ไทย) 3:

เรียนคอร์ดและการรับรู้ การเรียนรู้ แสวงหารูปแบบ
รูปแบบการอธิบายและทำนายการปฏิบัติงานนักศึกษาพยาบาลประเมินในแง่ของโพรไฟล์ทักษะนักศึกษาพยาบาลและความต้องการงานที่สอดคล้องกัน ถ้านักเรียนได้เข้าใจ
ทั้งหมดคุณลักษณะที่ต้องการ โดยงานที่เราคาดหวัง
นักเรียนจะประสบความสำเร็จอย่างต่อเนื่องในการปฏิบัติงาน ; ถ้า
มีนักเรียนไม่เข้าใจทั้งหมดของแอตทริบิวต์ต้องตามงาน
เราคาดหวังว่านักเรียนจะประสบความสำเร็จน้อยกว่า หรือสมบูรณ์
ไม่ประสบความสำเร็จในการปฏิบัติงาน หรือดำเนินการในบางโอกาส
ระดับ ขึ้นอยู่กับสมมติฐานที่สร้างขึ้นในรูปแบบ ( de la Torre
& minchen ปัญหานี้ ) การประเมินที่เกี่ยวข้องกับจำนวนของงาน
ข้อกำหนดคุณลักษณะที่แตกต่างกันจากนั้นจะสามารถใช้เพื่อระบุคุณลักษณะที่ได้รับมาสเตอร์

โดยนักเรียน และผู้ที่ไม่เคยเข้าใจ มันเป็นเรื่องง่ายเพื่อดูว่าชนิดของข้อมูลนี้
อาจเป็นประโยชน์กับครูและนักเรียน
ระบุบุคคลและคุณลักษณะงานที่เกี่ยวข้องมากที่สุด
เพื่อวินัยอาจเป็นกิจกรรมที่ใช้แรงงานเข้มข้น เป็น
การพัฒนาแบบจำลองทางสถิติที่เหมาะสมสำหรับการระบุความสัมพันธ์ระหว่างคุณลักษณะ

เข้าใจโดยนักศึกษา คุณลักษณะที่ต้องการ โดยงาน และความคาดหวังของ
นักศึกษาในงาน มีคำถามเกี่ยวกับวิธีใหญ่
โดเมนถูก modeled ควรจะ ( เมนขนาด ) และวิธีการทั่วไป
หรือเฉพาะคุณลักษณะที่ควร ( แอตทริบิวต์ ' เกรน )
เป็น de la Torre และ minchen ( ปัญหานี้ ) ชี้ให้ว่าเราไม่สามารถ
มีมากกว่าห้าถึงสิบคุณลักษณะในแบบจำลองทางสถิติโดย
กำลังมีปัญหาร้ายแรงในการประมาณค่า นี่เป็นข้อเสีย
ระหว่างโดเมนและขนาดเกรน แต่ยังมีต้อง
เพื่อประกันว่าแอตทริบิวต์ ถูกประเมินจะเกี่ยวข้องมากที่สุด
ระบุวัตถุประสงค์ของการประเมินแอตทริบิวต์ในรูปแบบการคิด
ไม่จําเป็นต้องสั่ง หรือลำดับชั้น แต่พวกเขาสามารถ ;
นั่นคือ สมมติว่า การเรียนรู้ของหนึ่งแอตทริบิวต์เป็นสิ่งจำเป็น
สำหรับคุณลักษณะอื่นสามารถสร้างขึ้นในรูปแบบเป็นข้อจำกัด .
ใช้รูปแบบการประเมินสามารถให้ข้อมูลรายละเอียด
ค่อนข้างคุณลักษณะ ( เช่น ทักษะ แนวคิด
และความเข้าใจ ) ที่นักเรียนแต่ละคนได้เข้าใจและไม่เข้าใจ
และมีขนาดเม็ดเล็ก ข้อมูลนี้มีรายละเอียดมากเช่น
บ่งเฉพาะของจุดอ่อนของนักเรียนการเรียนรู้
ของหัวข้อที่สามารถใช้เพื่อเป้าหมายการสอนนั้นนุ่มจุด กับ
ขนาดเกรนขนาดใหญ่ทั่วไป คำแนะนำสามารถรับ แต่มี
ไม่มีสิ่งนั้นเป็นอาหารกลางวันฟรีเพื่อให้ตระหนักถึงผลประโยชน์เหล่านี้

ปริญญามาก จึงจำเป็นที่แบบพอดีข้อมูลที่ให้คำอธิบายและ
instructionally ติดต่อกัน และที่เกี่ยวข้อง