information seeking

Effective self-regulated learning depends on metacognitive monitoring and control abilities, where learners monitor what they do not know and control their learning behaviour to address their knowledge gaps. However, children's metacognitive abilities are developing, which can hinder their ability to select relevant information effectively. This work examines whether providing feedback on children's knowledge can assist their metacognitive monitoring and control processes, improving their ability to target information-seeking to fill knowledge gaps. In two experiments, 5-9-year-old children (N = 203) completed a word-learning task on a tablet. They were then tested on their knowledge of the novel word-object associations and asked to report their (un)certainty in their answers. In the first experiment, children received feedback after each test trial. In both experiments, children received cumulative feedback at the end of the test. Next, they could select some of the objects to hear their labels again and were tested on their recognition of the label-object associations once more. In both experiments, feedback boosted children's ability to strategically seek information to fill their knowledge gaps. Children's information-seeking was better guided by feedback than by their own subjective uncertainty, indicating that feedback provides a valuable external means for metacognitive control. The kind of feedback provided, i.e., trial-by-trial or cumulative feedback, impacted children's metacognitive monitoring, while children's information seeking was predicted by both trial-by-trial and cumulative feedback. Overall, the findings underscore the role of feedback in fostering the development of metacognition and self-regulated learning in childhood.

یادگیری خودتنظیم مؤثر وابسته به توانایی‌های پایش و کنترل فراشناختی است، جایی که یادگیرندگان آنچه را که نمی‌دانند پایش می‌کنند و رفتار یادگیری خود را برای رفع شکاف‌های دانشی‌شان کنترل می‌کنند. با این حال، توانایی‌های فراشناختی کودکان در حال رشد است که می‌تواند توانایی آن‌ها را در انتخاب مؤثر اطلاعات مرتبط مختل کند. این پژوهش بررسی می‌کند که آیا ارائه بازخورد درباره دانش کودکان می‌تواند به فرایندهای پایش و کنترل فراشناختی آن‌ها کمک کند و توانایی آن‌ها را در هدف‌گذاری جستجوی اطلاعات برای پر کردن شکاف‌های دانشی بهبود بخشد یا خیر. در دو آزمایش، کودکان ۵ تا ۹ ساله (N = 203) یک تکلیف یادگیری واژه را روی تبلت انجام دادند. سپس دانش آن‌ها درباره ارتباطات واژه-شیء جدید آزمون شد و از آن‌ها خواسته شد میزان (عدم) اطمینان خود را در پاسخ‌هایشان گزارش کنند. در آزمایش اول، کودکان پس از هر مرحله آزمون بازخورد دریافت کردند. در هر دو آزمایش، کودکان در پایان آزمون بازخورد تجمیعی دریافت کردند. سپس می‌توانستند برخی از اشیا را انتخاب کنند تا برچسب‌های آن‌ها را دوباره بشنوند و بار دیگر در شناسایی ارتباطات برچسب-شیء آزمون شدند. در هر دو آزمایش، بازخورد توانایی کودکان را برای جستجوی راهبردی اطلاعات به منظور پر کردن شکاف‌های دانشی افزایش داد. جستجوی اطلاعات کودکان بیشتر تحت هدایت بازخورد بود تا عدم اطمینان ذهنی خودشان، که نشان می‌دهد بازخورد وسیله‌ای بیرونی و ارزشمند برای کنترل فراشناختی فراهم می‌کند. نوع بازخورد ارائه‌شده، یعنی بازخورد مرحله‌به‌مرحله یا بازخورد تجمیعی، بر پایش فراشناختی کودکان تأثیر داشت، در حالی که جستجوی اطلاعات کودکان توسط هر دو نوع بازخورد پیش‌بینی می‌شد. در مجموع، یافته‌ها نقش بازخورد را در تقویت رشد فراشناخت و یادگیری خودتنظیم در دوران کودکی برجسته می‌کند.

Support for the growing population of family caregivers in the United States remains a challenging public health issue. With a limited workforce to support families coping with chronic and degenerative conditions, caregivers are turning to individualized approaches to gain information and emotional support. One approach that may be gaining popularity in caregiving support is the use of Artificial Intelligence (AI) chatbots. This study examined caregivers' awareness and general use of AI chatbots, their use of AI chatbots for caregiving purposes, and variations in these outcomes by individual characteristics (e.g., the Big 5 personality traits, internet literacy, cognitive ability) and caregiving contextual factors (e.g., caregiving relationship, caregiving stress, the health condition of the care recipient). To this end, we used one of the waves of the Understanding America Study-Caregiving Lifecourse Experiences Assessed in Real-time (UAS-CLEAR), a longitudinal study of caregivers in the U.S. The sample consisted of 1,300 caregivers, with data collected between August and October 2025. We employed a cross-sectional, mixed-methods design, combining quantitative analysis of structured survey items with thematic coding of open-ended responses. Of the 487 respondents who reported being AI chatbot users, 25% used the technology for caregiving. Those who were more likely to use AI for caregiving were higher in openness, lower in internet literacy, lower in cognitive ability, helped with more caregiving tasks, and were more uncertain in their caregiving role. Over half (58%) used AI chatbots for information about caregiving, 34% for emotional support related to caregiving, and 37% reported other uses. Open-ended responses about individuals' experiences using AI chatbots for caregiving also revealed that the most common reason for use was information seeking. In addition, caregivers found the chatbot support to be useful, while acknowledging some limitations of their use. Future research should examine perceptions of AI chatbots among non-users, the mechanisms linking individual traits to caregiving-related chatbot use, and the longitudinal effects of such use on caregiver well-being.

حمایت از جمعیت رو به رشد مراقبان خانوادگی در ایالات متحده همچنان یک مسئله چالش‌برانگیز در حوزه سلامت عمومی است. با توجه به نیروی کار محدود برای حمایت از خانواده‌هایی که با شرایط مزمن و تحلیل‌برنده مواجه هستند، مراقبان به رویکردهای فردی برای کسب اطلاعات و حمایت عاطفی روی آورده‌اند. یکی از رویکردهایی که ممکن است در حمایت از مراقبان محبوبیت بیشتری پیدا کند، استفاده از چت‌بات‌های هوش مصنوعی (AI) است. این مطالعه به بررسی آگاهی و استفاده کلی مراقبان از چت‌بات‌های هوش مصنوعی، استفاده آن‌ها از چت‌بات‌های هوش مصنوعی برای اهداف مراقبتی، و تفاوت‌های این پیامدها بر اساس ویژگی‌های فردی (مانند پنج عامل بزرگ شخصیت، سواد اینترنتی، توانایی شناختی) و عوامل زمینه‌ای مراقبت (مانند نوع رابطه مراقبتی، استرس مراقبت، وضعیت سلامت دریافت‌کننده مراقبت) پرداخت. بدین منظور، یکی از موج‌های مطالعه Understanding America Study-Caregiving Lifecourse Experiences Assessed in Real-time (UAS-CLEAR)، که یک مطالعه طولی درباره مراقبان در ایالات متحده است، مورد استفاده قرار گرفت. نمونه شامل ۱۳۰۰ مراقب بود و داده‌ها بین اوت و اکتبر ۲۰۲۵ جمع‌آوری شد. ما از یک طرح مقطعی با روش‌های ترکیبی استفاده کردیم که تحلیل کمی پرسش‌های ساختاریافته پرسشنامه را با کدگذاری تماتیک پاسخ‌های باز ترکیب می‌کرد. از میان ۴۸۷ پاسخ‌دهنده‌ای که گزارش کردند کاربر چت‌بات هوش مصنوعی هستند، ۲۵٪ از این فناوری برای مراقبت استفاده کردند. افرادی که احتمال بیشتری داشت از هوش مصنوعی برای مراقبت استفاده کنند، در باز بودن بالاتر، در سواد اینترنتی پایین‌تر، در توانایی شناختی پایین‌تر، در انجام وظایف مراقبتی بیشتر و در نقش مراقبتی خود نامطمئن‌تر بودند. بیش از نیمی (۵۸٪) از چت‌بات‌های هوش مصنوعی برای کسب اطلاعات درباره مراقبت، ۳۴٪ برای حمایت عاطفی مرتبط با مراقبت و ۳۷٪ برای سایر کاربردها استفاده کردند. پاسخ‌های باز درباره تجربه افراد از استفاده از چت‌بات‌های هوش مصنوعی برای مراقبت نیز نشان داد که رایج‌ترین دلیل استفاده، جستجوی اطلاعات بوده است. علاوه بر این، مراقبان حمایت چت‌بات را مفید یافتند، در حالی که به برخی محدودیت‌های استفاده از آن نیز اذعان داشتند. پژوهش‌های آتی باید به بررسی ادراکات نسبت به چت‌بات‌های هوش مصنوعی در میان غیرکاربران، سازوکارهای پیونددهنده ویژگی‌های فردی با استفاده مراقبتی از چت‌بات و اثرات طولی چنین استفاده‌ای بر بهزیستی مراقبان بپردازند.