Nieuwe publicaties
Waarom is zelfstudie zo effectief?
Laatst beoordeeld: 01.07.2025
Alle iLive-inhoud wordt medisch beoordeeld of gecontroleerd op feiten om zo veel mogelijk feitelijke nauwkeurigheid te waarborgen.
We hebben strikte richtlijnen voor sourcing en koppelen alleen aan gerenommeerde mediasites, academische onderzoeksinstellingen en, waar mogelijk, medisch getoetste onderzoeken. Merk op dat de nummers tussen haakjes ([1], [2], etc.) klikbare links naar deze studies zijn.
Als u van mening bent dat onze inhoud onjuist, verouderd of anderszins twijfelachtig is, selecteert u deze en drukt u op Ctrl + Enter.
De laatste jaren besteden docenten meer aandacht aan praktijklessen, laboratoriumexperimenten en studentenonderzoek. Dit komt doordat studenten de leerstof veel beter beheersen als ze de mogelijkheid hebben om zelfstandig de intensiteit van hun kennisverwerving te bepalen.
Zelfgestuurd leren blijkt een positief fenomeen te zijn, maar de oorzaken voor dit fenomeen zijn nog niet goed bekend.
Sommige wetenschappers suggereren dat zelfgestuurd leren effectief is dankzij iemands leermotivatie. Deskundigen beschikken echter niet over voldoende gegevens om de relatie tussen zelfgestuurd leren en cognitieve processen, met name geheugen- en aandachtsprocessen, te identificeren.
Wetenschappers van New York University, Douglas Markant en Todd Gurekis, probeerden de redenen voor de effectiviteit van dit specifieke proces van materiaalonderzoek te onderzoeken. Zij benaderden de studie van dit type leren vanuit een computationeel en cognitief perspectief.
Deskundigen hebben verschillende hypothesen opgesteld over de vraag waarom zelfgestuurd leren voordelen heeft ten opzichte van andere vormen van leren.
Zelfgestuurd en onafhankelijk leren helpt iemand zijn ervaring te optimaliseren en zich te concentreren op leerstof die hij nog niet beheerst. Bovendien zorgt de aard van zelfgestuurd leren ervoor dat geleerde informatie gedurende een lange periode behouden blijft.
Deze vorm van leren is echter niet altijd effectief. Iemand kan fouten maken bij het nemen van beslissingen over de informatie die hij of zij gaat bestuderen. De reden hiervoor kunnen cognitieve fouten zijn.
De onderzoekers merken op dat computermodellen die gewoonlijk worden gebruikt in onderzoek naar machinaal leren, gebruikt kunnen worden om te bestuderen hoe mensen verschillende informatiebronnen beoordelen en de gegevens die ze zoeken, evalueren.
Analyse met behulp van machine learning-methoden kan helpen de negatieve en positieve aspecten van zelfgestuurd leren te identificeren.
Een gecombineerd onderzoek waarin dit type leren wordt beoordeeld aan de hand van zowel cognitieve als computationele processen, kan experts helpen inzicht te krijgen in de processen die ten grondslag liggen aan onafhankelijk, zelfgestuurd leren.
Wetenschappers hopen ook dat ze door het begrijpen van deze processen hulpmiddelen kunnen ontwikkelen voor onafhankelijk onderzoek naar het materiaal.