germane cognitive load

Although classical poetry is central to Chinese language education, how poetry learning is linked to writing development has rarely been characterized empirically. This one-year longitudinal study followed 1,920 students in Grades 3–6 from 48 classes in 12 primary schools across four waves and applied a four-level growth model (measurement occasions nested within students, students within classes, and classes within schools). The cognitive load components were indexed provisionally by NASA-TLX subscales, and results that depend on their distinction are interpreted as preliminary. Eight confirmatory tests were controlled with the Holm procedure and all remaining analyses were reported as exploratory with Benjamini-Hochberg control; a random-intercept cross-lagged panel model examined within-person lagged associations, which inform rather than establish the ordering of the modeled associations; and the 12-school highest level was examined with leave-one-school-out refits, a wild cluster bootstrap, prior sensitivity analyses, a school fixed-effects model, and a calibrated Monte Carlo simulation. Intrinsic (β = −0.41) and extraneous (β = −0.49) cognitive load were negatively and germane cognitive load (β = 0.45) positively associated with writing ability (Holm-adjusted p < .001), and schema construction, imagery processing, and emotional resonance carried statistical indirect associations totaling 0.587 (76.2% of the total association). The interaction of teaching method with cognitive load ( γ = 0.47, Holm-adjusted p = .011) was retained under all small-cluster sensitivity analyses, whereas the interactions with grade and class environment were exploratory and the school-level variance component was imprecisely estimated, and writing ability followed a mildly decelerating quadratic trajectory ( π 2 = −0.17 points per wave², Holm-adjusted p < .001). With imputation, centering, model reselection, refitting, and BLUP computation confined to the training folds, prediction for new students in the sampled classes and schools reached R 2 = 0.847 and RMSE = 4.28, meeting the preset RMSE target, whereas three-band accuracy (80.3%) fell short of the preset 85% target, and prediction for unseen classes and schools reached R 2 = 0.768 and 0.656. The findings characterize the multilevel associations between classical poetry learning and writing development and support instructional recommendations restricted to the confirmatory results.

Background Students new to flipped classrooms frequently encounter challenges with motivation and comprehension when engaging with pre-class materials independently, particularly outside scheduled class hours. Aims This study examined a scaffolded flipped-learning approach that helped students move step by step from a Faux Flipped Classroom (FFC) to a Regular Flipped Classroom (RFC), and then to a Gamified Flipped Classroom (GFC) over one semester. The goal was to support students in adapting to flipped learning, managing their mental workload, and improving their learning performance. Method Mixed methods were employed in the data collection. For quantitative data, learning achievement was assessed with tests and self-rating scales measured cognitive load, while qualitative interviews provided more detailed feedback. Results The results revealed that students in the experimental group who learned through the scaffolding strategy performed better than their counterparts in the control group. Meanwhile, both groups demonstrated a small drop in intrinsic cognitive load, likely because they became more familiar with the tasks rather than because the material got easier. However, the scaffolded group showed a larger drop in unnecessary cognitive load and a larger increase in germane cognitive effort, suggesting the intervention helped students focus more on learning and less on confusion or figuring out what to do. Intrinsic and germane cognitive load should be interpreted cautiously because they are closely related. Conclusion This study contributes to Cognitive Load Theory and scaffolding research by showing that flipped classroom success depends not only on design but also on how students are gradually prepared to use it.

زمینه و هدف: دانشجویانی که برای نخستین بار با کلاس‌های وارونه مواجه می‌شوند، اغلب هنگام مطالعه مستقل منابع پیش از کلاس، به‌ویژه خارج از ساعات برنامه‌ریزی‌شده، با چالش‌هایی در انگیزش و درک مطالب روبه‌رو می‌شوند. هدف: این پژوهش رویکردی پله‌ای در یادگیری وارونه را بررسی کرد که به دانشجویان کمک می‌کرد تا گام‌به‌گام از کلاس شبه‌وارونه (FFC) به کلاس وارونه معمولی (RFC) و سپس به کلاس وارونه بازی‌محور (GFC) طی یک نیم‌سال تحصیلی حرکت کنند. هدف این بود که دانشجویان در سازگاری با یادگیری وارونه، مدیریت بار ذهنی و بهبود عملکرد یادگیری خود حمایت شوند. روش: روش‌های ترکیبی برای گردآوری داده‌ها به‌کار رفت. برای داده‌های کمی، پیشرفت یادگیری با آزمون‌ها سنجیده شد و مقیاس‌های خودسنجی بار شناختی را اندازه‌گیری کردند؛ همچنین مصاحبه‌های کیفی بازخوردهای دقیق‌تری ارائه دادند. یافته‌ها: نتایج نشان داد که دانشجویان گروه آزمایش که از راهبرد پشتیبانی تدریجی بهره‌مند شدند، عملکرد بهتری نسبت به گروه کنترل داشتند. در عین حال، هر دو گروه کاهش اندکی در بار شناختی ذاتی نشان دادند که احتمالاً به دلیل آشنایی بیشتر با وظایف بود، نه آسان‌تر شدن مطالب. با این حال، گروه پشتیبانی‌شده کاهش بیشتری در بار شناختی زائد و افزایش بیشتری در تلاش شناختی سودمند نشان دادند که بیانگر آن است که مداخله به دانشجویان کمک کرد تا بیشتر بر یادگیری و کمتر بر سردرگمی یا نحوه انجام کارها تمرکز کنند. تفسیر بار شناختی ذاتی و سودمند باید با احتیاط انجام شود، زیرا این دو به‌طور نزدیکی به هم مرتبط‌اند. نتیجه‌گیری: این پژوهش به نظریه بار شناختی و مطالعات پشتیبانی تدریجی می‌افزاید و نشان می‌دهد که موفقیت کلاس وارونه نه‌تنها به طراحی بلکه به چگونگی آماده‌سازی تدریجی دانشجویان برای استفاده از آن بستگی دارد.

Introduction: Effective clinical teaching depends on managing cognitive load. Contextual vertical integration (CVI), which interweaves basic-science mechanisms with clinical content within a teaching session, was associated with lower self-reported Intrinsic Cognitive Load (ICL) and Extraneous Cognitive Load (ECL) scores and higher self-reported Germane Cognitive Load (GCL) scores in the CONVINCED-OG cluster-randomized crossover trial. Whether baseline deep and surface learning approaches are associated with cognitive load, or moderate CVI’s benefits, is unknown. This prespecified secondary analysis addressed both questions. Materials & Methods: The dataset comprised 103 third-year MBBS students (824 student-topic observations) taught eight core obstetrics and gynecology topics across two teaching hospitals, each topic delivered under CVI-enabled and non-integrated conditions in a topic-level crossover. Baseline deep and surface learning approaches were measured once using the Revised Two-Factor Study Process Questionnaire; ICL, ECL and GCL were self-reported after each session using the Cognitive Load Questionnaire. For each outcome, two linear mixed-effects models were fitted with random intercepts for participant and cluster-period: a main-effects model, and an interaction model adding condition-by-approach interaction terms. Results: Averaged across instructional conditions, a deeper learning approach was associated with lower ICL (b = − 0.040; 95% CI, − 0.071 to − 0.009; p = 0.011), lower ECL (b = − 0.060; 95% CI, − 0.101 to − 0.019; p = 0.004) and higher GCL (b = 0.037; 95% CI, 0.003 to 0.072; p = 0.033). There was no clear evidence that surface approach was associated with any outcome. No interaction between instructional condition and either learning approach was significant for any outcome, giving no clear evidence that CVI’s cognitive-load benefit varied with learning approach. Sensitivity analyses were consistent. With multiplicity adjustments, ECL survived all adjustments, ICL only Benjamini–Hochberg, and GCL none. Conclusion: There was no clear evidence of moderation of CVI-related differences by learning approaches. Deep-approach scores were associated with lower ICL and ECL and higher GCL; surface approach showed no clear association. Keywords: cognitive load theory, vertical integration, learning approaches, medical education, obstetrics and gynecology, cluster-randomized crossover trial

مقدمه: آموزش بالینی مؤثر وابسته به مدیریت بار شناختی است. یکپارچگی عمودی زمینه‌ای (CVI)، که سازوکارهای علوم پایه را با محتوای بالینی در یک جلسه آموزشی درهم می‌آمیزد، در کارآزمایی خوشه‌ای تصادفی متقاطع CONVINCED-OG با نمرات کمتر بار شناختی ذاتی (ICL) و بار شناختی بیرونی (ECL) و نمرات بالاتر بار شناختی سودمند (GCL) خودگزارش‌دهی شده همراه بود. اینکه آیا رویکردهای یادگیری عمیق و سطحی پایه با بار شناختی مرتبط هستند یا تعدیل‌گر منافع CVI می‌باشند، نامشخص است. این تحلیل ثانویه از پیش تعیین‌شده به هر دو پرسش پرداخت. مواد و روش‌ها: داده‌ها شامل ۱۰۳ دانشجوی سال سوم MBBS (۸۲۴ مشاهده دانشجو-موضوع) بود که هشت موضوع اصلی زنان و زایمان را در دو بیمارستان آموزشی فراگرفتند؛ هر موضوع تحت شرایط یکپارچه‌شده با CVI و غیر یکپارچه در یک طرح متقاطع در سطح موضوع ارائه شد. رویکردهای یادگیری عمیق و سطحی پایه یک بار با استفاده از پرسشنامه فرآیند مطالعه دو عاملی بازنگری‌شده سنجیده شد؛ ICL، ECL و GCL پس از هر جلسه با استفاده از پرسشنامه بار شناختی به صورت خودگزارش‌دهی اندازه‌گیری شد. برای هر پیامد، دو مدل خطی اثرات مختلط با رهگیر تصادفی برای شرکت‌کننده و دوره خوشه برازش شد: یک مدل اثرات اصلی و یک مدل تعاملی با افزودن اصطلاحات تعامل وضعیت-رویکرد. نتایج: به طور میانگین در شرایط آموزشی، رویکرد یادگیری عمیق‌تر با ICL پایین‌تر (b = − 0.040؛ ۹۵٪ CI، − ۰.۰۷۱ تا − ۰.۰۰۹؛ p = ۰.۰۱۱)، ECL پایین‌تر (b = − 0.060؛ ۹۵٪ CI، − ۰.۱۰۱ تا − ۰.۰۱۹؛ p = ۰.۰۰۴) و GCL بالاتر (b = 0.037؛ ۹۵٪ CI، ۰.۰۰۳ تا ۰.۰۷۲؛ p = ۰.۰۳۳) همراه بود. شواهد روشنی مبنی بر ارتباط رویکرد سطحی با هیچ‌یک از پیامدها وجود نداشت. هیچ‌یک از تعاملات بین وضعیت آموزشی و هر یک از رویکردهای یادگیری برای هیچ پیامدی معنادار نبود، و شواهد روشنی مبنی بر اینکه منفعت بار شناختی CVI با رویکرد یادگیری متفاوت باشد، به دست نیامد. تحلیل‌های حساسیت نیز سازگار بودند. با تعدیل چندگانگی، ECL در همه تعدیلات باقی ماند، ICL فقط در بنجامینی–هوچبرگ و GCL در هیچ‌کدام. نتیجه‌گیری: شواهد روشنی از تعدیل‌گری تفاوت‌های مرتبط با CVI توسط رویکردهای یادگیری به دست نیامد. نمرات رویکرد عمیق با ICL و ECL پایین‌تر و GCL بالاتر همراه بود؛ رویکرد سطحی ارتباط روشنی نشان نداد.

Introduction Promoting scientific argumentation in the context of socio-scientific issues remains a major challenge in science education. Artificial intelligence offers new opportunities to provide adaptive feedback on students’ written arguments; however, little is known about learners’ perceptions of hybrid learning environments that combine AI-supported feedback with peer feedback under authentic classroom conditions. This study presents the development and pilot evaluation of SMOKEChem, a web-based learning environment designed to foster scientific argumentation through AI-supported and collaborative feedback processes. Methods An exploratory mixed-methods design was employed to investigate learners’ perceptions of SMOKEChem during regular chemistry lessons. A total of 130 secondary school students (mean age = 15 years) participated in the study. Quantitative data were collected using questionnaires assessing technology acceptance, cognitive load, and chatbot usability, while qualitative responses explored students’ perceptions of peer feedback. Results The findings indicate that SMOKEChem was perceived as useful, user-friendly, and cognitively balanced, with low levels of extraneous cognitive load and high levels of germane cognitive load. Furthermore, students perceived AI-supported and peer feedback as fulfilling complementary functions: acceptance and usability data indicate that AI provided immediate, structured guidance for revising arguments, while qualitative data on peer feedback point to dialogic reflection, perspective-taking, and collaborative knowledge construction. Discussion The findings provide initial empirical evidence that hybrid feedback designs combining AI-supported and peer feedback can effectively support scientific argumentation in socio-scientific contexts. The complementary strengths of both feedback sources highlight the potential of integrating AI into collaborative learning environments rather than replacing peer interaction. These results provide practical implications for the design of AI-supported argumentation environments and inform future research on hybrid feedback approaches in science education.

مقدمه: ارتقای استدلال علمی در زمینه مسائل اجتماعی-علمی همچنان یکی از چالش‌های عمده در آموزش علوم به‌شمار می‌رود. هوش مصنوعی فرصت‌های جدیدی را برای ارائه بازخورد تطبیقی بر استدلال‌های نوشتاری دانش‌آموزان فراهم می‌کند؛ با این حال، اطلاعات اندکی درباره ادراک یادگیرندگان از محیط‌های یادگیری ترکیبی که بازخورد مبتنی بر هوش مصنوعی را با بازخورد همتایان در شرایط واقعی کلاس درس تلفیق می‌کنند، وجود دارد. این مطالعه به معرفی توسعه و ارزیابی اولیه SMOKEChem، یک محیط یادگیری مبتنی بر وب که با هدف تقویت استدلال علمی از طریق فرآیندهای بازخورد مبتنی بر هوش مصنوعی و همکاری طراحی شده است، می‌پردازد. روش‌ها: یک طرح اکتشافی آمیخته برای بررسی ادراک یادگیرندگان از SMOKEChem در جریان کلاس‌های معمول شیمی به‌کار گرفته شد. در مجموع ۱۳۰ دانش‌آموز دبیرستانی (میانگین سنی = ۱۵ سال) در این پژوهش شرکت کردند. داده‌های کمی از طریق پرسشنامه‌هایی درباره پذیرش فناوری، بار شناختی و قابلیت استفاده چت‌بات گردآوری شد و پاسخ‌های کیفی به بررسی ادراک دانش‌آموزان از بازخورد همتایان پرداخت. یافته‌ها: نتایج نشان داد که SMOKEChem به‌عنوان ابزاری مفید، کاربرپسند و دارای تعادل شناختی ادراک شد و سطوح بار شناختی بیرونی پایین و بار شناختی سازنده بالایی را نشان داد. افزون بر این، دانش‌آموزان بازخورد مبتنی بر هوش مصنوعی و بازخورد همتایان را دارای کارکردهای مکمل تلقی کردند: داده‌های پذیرش و قابلیت استفاده نشان داد که هوش مصنوعی راهنمایی فوری و ساختاریافته‌ای برای بازنگری استدلال‌ها ارائه می‌دهد، در حالی که داده‌های کیفی درباره بازخورد همتایان به بازتاب گفت‌وگویی، دیدگاه‌پذیری و ساخت دانش مشارکتی اشاره داشت. بحث: یافته‌ها شواهد تجربی اولیه‌ای ارائه می‌دهند که طراحی بازخورد ترکیبی با ادغام بازخورد مبتنی بر هوش مصنوعی و بازخورد همتایان می‌تواند به‌طور مؤثری از استدلال علمی در زمینه‌های اجتماعی-علمی حمایت کند. نقاط قوت مکمل هر دو منبع بازخورد، پتانسیل ادغام هوش مصنوعی در محیط‌های یادگیری مشارکتی به‌جای جایگزینی تعامل همتایان را برجسته می‌کند. این نتایج پیامدهای عملی برای طراحی محیط‌های استدلال مبتنی بر هوش مصنوعی داشته و پژوهش‌های آتی درباره رویکردهای بازخورد ترکیبی در آموزش علوم را هدایت می‌کند.