Gureckis, T. M., & Markant, D. B. (2012). Self-directed learning: A cognitive and computational perspective. Perspectives on Psychological Science, 7(5), 464–481.

Using both a computational and cognitive perspective, this study examined the advantages of active learning, the idea that people learn better when that learning is self-directed. Montessori’s advocacy of active information acquisition is mentioned as well as the idea that self-directed learning is a motivating force and not just a pedagogical tool.

 

Abstract

A widely advocated idea in education is that people learn better when the flow of experience is under their control (i.e., learning is self-directed). However, the reasons why volitional control might result in superior acquisition and the limits to such advantages remain poorly understood. In this article, we review the issue from both a cognitive and computational perspective. On the cognitive side, self-directed learning allows individuals to focus effort on useful information they do not yet possess, can expose information that is inaccessible via passive observation, and may enhance the encoding and retention of materials. On the computational side, the development of efficient “active learning” algorithms that can select their own training data is an emerging research topic in machine learning. This review argues that recent advances in these related fields may offer a fresh theoretical perspective on how people gather information to support their own learning.

Keywords: self-directed learning, active learning, machine learning, self-regulated study, intervention-based causal learning

 

Résumé

(traduction automatique par Google Traduction)

Une idée largement préconisée dans l’éducation est que les gens apprennent mieux lorsque l’écoulement de l’expérience est sous leur contrôle (à savoir, l’apprentissage est auto-dirigé). Cependant, les raisons pour lesquelles le contrôle volontaire pourrait entraîner une acquisition supérieure et les limites de ces avantages restent mal connus. Dans cet article, nous examinons la question à la fois un point de vue cognitif et de calcul. Sur le plan cognitif, l’apprentissage auto-dirigé permet aux individus de focaliser les efforts sur des informations utiles qu’ils ne possèdent pas encore, peuvent exposer des informations qui est inaccessible via l’observation passive, et peut améliorer le codage et la conservation des matériaux. Du côté de calcul, le développement d’algorithmes efficaces « d’apprentissage actif» qui peuvent sélectionner leurs propres données de formation est un sujet de recherche émergent dans l’apprentissage de la machine. Cet avis fait valoir que les progrès récents dans ces domaines connexes peuvent offrir une nouvelle perspective théorique sur la façon dont les gens se rassemblent l’information pour soutenir leur propre apprentissage.

Mots-clés: auto-apprentissage, apprentissage actif, apprentissage automatique, l’étude auto-régulé, apprentissage causal basée sur l’intervention

WEB: http://smash.psych.nyu.edu/papers/GureckisMarkantPPS2012.pdf

http://pps.sagepub.com/content/7/5/464.short

 

Ce contenu a été publié dans Gureckis Todd M., Markant Douglas B., avec comme mot(s)-clé(s) , , , , , , , , , . Vous pouvez le mettre en favoris avec ce permalien.

Laisser un commentaire