Pengambilan, Jeda, dan Interleaving

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Pengambilan, jeda dan interleaving — tiga teknik belajar konkret yang membuat latihan menuntut usaha dan, sebagai hasilnya, membuat apa yang dipelajari bertahan. Praktik pengambilan meminta pembelajar menghasilkan jawaban dari ingatan alih-alih mengenalinya; jeda menyebarkan latihan itu melintasi waktu alih-alih memadatkannya dalam satu sesi; interleaving mencampur jenis masalah alih-alih memblokirnya. Yang menyatukan ketiganya adalah tanda tangan bersama: masing-masing menurunkan kinerja selama latihan sambil menaikkan retensi setelahnya — celah kinerja–pembelajaran dalam bentuk operasional. Ketiganya adalah kuda pekerja Psikologi Kognitif, dan dalam pembelajaran berbantuan AI ketiganya adalah perilaku spesifik yang paling mudah dihapus oleh AI generatif, karena LLM yang menjawab sesuai permintaan menghilangkan pengambilan, meratakan jadwal, dan menghaluskan pencampuran. Halaman ini adalah halaman teknik. Prinsip di belakangnya — trade-off usaha–belajar Bjork, mengapa latihan yang lebih sulit menghasilkan pembelajaran yang lebih tahan lama — dibahas di Kesulitan yang Diinginkan; halaman ini membahas apa itu masing-masing teknik, apa yang diukur studi dalam korpus, dan bagaimana AI menerapkan atau melemahkannya.

Pertanyaan yang Perlu Dipertimbangkan

• Pernahkah Anda membaca ulang sebuah bab sampai terasa familier, lalu tidak mampu menjelaskannya seminggu kemudian? Apa yang sebenarnya diberikan oleh membaca ulang itu kepada Anda?
• Praktik pengambilan berarti menjawab dari ingatan sebelum memeriksa. Ketika asisten AI hanya berjarak satu ketukan tombol, apa yang harus benar tentang rutinitas belajar Anda agar pengambilan itu tetap terjadi?
• Sistem repetisi berjeda menjadwalkan peninjauan pada interval yang tidak akan dipilih pembelajar. Apakah jadwal yang terasa salah itu fitur atau bug?
• Interleaving mencampur jenis masalah dan terasa lebih berantakan daripada pemblokiran. Jika korpus hampir tidak menawarkan bukti AI langsung tentang interleaving, seberapa yakin Anda harus mengadopsinya — dan atas dasar apa Anda akan memutuskan?
• Akgun dan Toker (2026) menemukan siswa yang mengobrol bebas dengan AI mendapat skor terburuk, bahkan setelah pretesting terbaik. Apa yang tidak dimiliki kondisi mengobrol bebas tetapi dimiliki kondisi terstruktur?
• Tsiligkiris (2026) menemukan pertanyaan LLM yang lebih mendalam meningkatkan kualitas tugas tetapi tidak daya ingat. Apa yang dikatakannya tentang penggunaan kelancaran sebagai bukti pembelajaran?

Pendahuluan

Praktik pengambilan, jeda, dan interleaving biasanya diajarkan dan dikutip bersama karena ditemukan secara terpisah tetapi berperilaku serupa: masing-masing mengorbankan seberapa baik latihan terlihat dengan imbalan seberapa banyak yang bertahan. Dalam basis pengetahuan, ketiganya muncul sebagai contoh prinsip Kesulitan yang Diinginkan, tetapi juga dapat ditindaklanjuti secara mandiri — peninjau dapat menjadwalkan interval, tutor dapat menahan jawaban, kurikulum dapat mencampur jenis butir, tanpa memanggil teori yang mendasarinya. Sifat operasional inilah yang menjadikannya jembatan alami antara Psikologi Kognitif dan desain AI, dan yang membuat studi di bawah cenderung melaporkan dua ukuran hasil alih-alih satu: kinerja selama latihan, dan retensi setelah jeda.

Efek Pengujian: Praktik Pengambilan Mengalahkan Membaca Ulang

Praktik pengambilan — mencoba mengingat kembali materi alih-alih membacanya ulang — memperkuat ingatan lebih daripada belajar tambahan, dan korpus memperlakukan temuan itu sebagai cukup mapan untuk dibangun, bukan diperdebatkan ulang. Tinjauan cakupan belajar-untuk-belajar menempatkan praktik pengambilan pada lapisan Tools dalam kerangka tiga lapisnya (Dimension keterampilan kognitif dan metakognitif, Process pengaturan diri, Tools seperti praktik pengambilan), memposisikannya sebagai komponen belajar-untuk-belajar yang konkret dan dapat diajarkan yang dimaksudkan untuk mengimbangi ketergantungan berlebih pada GenAI dan melindungi agensi pembelajar.

Uji paling informatif dalam korpus adalah sebuah disosiasi. Tsiligkiris (2026) mencatat interaksi Model Bahasa Besar (LLM) prompt demi prompt dari 22 mahasiswa pascasarjana selama tugas kasus neuroekonomi dan memisahkan kedalaman (proporsi prompt pencari penjelasan "mengapa/bagaimana/jelaskan") dari volume dan tempo. Kedalaman memprediksi kualitas tugas yang dinilai secara independen (β = 6.27, p = .006) tetapi berasosiasi nol dengan daya ingat pascates segera (β = −0.014, p = .728), dengan perolehan daya ingat didorong oleh pengetahuan awal. Bacaan yang diberikan penulis adalah bahwa elaborasi mendorong pemahaman sementara pengambilan mendorong konsolidasi — dan bahwa dalam belajar berbantuan LLM tanpa tuntutan pengambilan yang eksplisit, pembelajar dapat mengalami kelancaran tinggi dengan sedikit kebutuhan untuk mengambil apa pun tanpa bantuan. Itu adalah temuan praktik pengambilan yang dinyatakan sebagai ketiadaan: mekanismenya tidak diaktifkan, sehingga hasil retensi tidak bergerak.

Praktik pengambilan bukan tuas universal, dan korpus menyatakannya. Rachatasumrit, Koedinger dan Carvalho (2025) menjalankan eksperimen 2×2 dengan 95 partisipan yang menyilangkan konten pengetahuan (fakta verbatim vs. keterampilan yang dapat digeneralisasi, materi luas geometri) dengan jadwal pelatihan. Mereka menemukan interaksi konten–perlakuan (β = 0.41, p = .038, d = 0.38): pengujian praktik murni menghasilkan perolehan belajar lebih tinggi untuk fakta, sementara latihan terintegrasi contoh menghasilkan perolehan lebih tinggi untuk keterampilan. Penulis juga mencatat bahwa perolehan dari praktik pengambilan sering gagal meluas ke masalah yang tidak dikenal. Jadi praktik pengambilan paling kuat ketika sasarannya adalah ingatan atas konten spesifik, dan perlu dipasangkan dengan contoh yang dikerjakan ketika sasarannya adalah keterampilan yang dapat digeneralisasi — yang juga menjelaskan mengapa implikasi desain AI mereka adalah bahwa Tutoring Cerdas harus menyesuaikan rasio contoh-ke-latihan dengan komponen pengetahuan yang dipelajari.

Logika yang sama mengalir melalui studi lembar contekan: Chen, Sakhnini dan Istead memperlakukan pembuatan lembar contekan sebagai strategi belajar aktif dan generatif (seleksi, pemadatan, pengorganisasian) alih-alih urusan logistik, dan membingkai risiko era AI sebagai pengalihan pembuatan artefak itu dan hilangnya latihan metakognitif yang disediakan pembuatannya.

Jeda dan Latihan Terdistribusi

Efek jeda — bahwa total latihan yang sama menghasilkan pembelajaran lebih tahan lama ketika disebar lintas sesi daripada dipadatkan dalam satu sesi — adalah yang paling banyak dieksploitasi secara algoritmik di antara ketiga teknik, dan sistem terapan dalam korpus dibangun di sekitarnya.

Memdora adalah contoh paling jelas jeda yang diperlakukan sebagai masalah rekayasa. Ia mendasari penjadwalan pada kurva lupa Ebbinghaus, mengutip angka bahwa sekitar 70% materi yang baru dipelajari terlupakan dalam 24 jam tanpa peninjauan, dan mengintegrasikan FSRS-6, yang dijelaskan sebagai algoritma repetisi berjeda terkini. Argumennya adalah penjadwalan saja tidak cukup: alat yang ada mereduksi interaksi kartu kilat menjadi satu gestur biner, "balik dan nilai sendiri", yang oleh penulis disebut model miskin yang gagal memanfaatkan bukti ilmu kognitif tentang praktik pengambilan. Kontribusi Memdora karenanya adalah taksonomi 17 jenis interaksi berlandaskan kognitif di kategori Language, By Heart, dan Exam, masing-masing dipetakan ke bukti terulas sejawat yang ditampilkan pada kartu, ditambah sistem reward berbasis usaha yang mengompensasi keterlibatan kognitif nyata alih-alih kehadiran aplikasi, pipeline pembangkitan terpadu yang membuat kartu pada titik membaca, dan lapisan kelas yang melaporkan hasil belajar pada tingkat kartu individual.

Akgun dan Toker (2026) menyediakan bukti eksperimental terkuat dalam korpus tentang bagaimana jeda distrukturkan. Dalam studi acak tiga lengan atas 89 mahasiswa sarjana pada mata kuliah statistika terapan, ketiga kelompok berlatih dalam sesi berjeda dengan jumlah dan waktu yang identik selama tujuh minggu; hanya struktur interaksinya yang berbeda. Pengambilan berjeda adaptif (G1) mencapai skor pascates tertinggi (M = 78.19) dan usaha latihan teramati tertinggi (M = 0.85); pengambilan berjeda tetap (G2) menyusul (M = 74.55, usaha 0.74); belajar dengan AI yang diarahkan pembelajar tanpa pengambilan yang ditegakkan berada terakhir pada keduanya (M = 67.28, usaha 0.49). Efek multivariatnya signifikan (Wilks' Λ = .664, partial η² = .185), dengan G1 di depan G3 pada retensi sebesar d = 0.92 (p = .003). Detail yang penting secara pedagogis adalah bahwa agen G1 dikonfigurasi untuk menahan: probe yang bergantung pada respons untuk Miskonsepsi tentang AI, permintaan elaborasi setelah jawaban superfisial, kemajuan hanya pada keterlibatan konseptual yang memadai, dan solusi langsung secara eksplisit dikecualikan dari keluaran yang diizinkan. Bacaan penulis sendiri adalah bahwa pretesting merupakan katalis yang dimuat di depan alih-alih intervensi mandiri yang manfaatnya bertahan terhadap akses AI terbuka.

Eksperimen lapangan acak melaporkan penyebaran atas waktu yang dipadatkan sebagai dosis yang operatif: penguasaan mingguan melacak minggu tutoring yang diselesaikan alih-alih menit keterlibatan, dengan setiap minggu tambahan yang diselesaikan menambah 2.00 poin dari 55 (p = .018) (Yang, Van Alstyne dan Dellarocas (2026)).

Dua temuan korpus lebih lanjut mempertajam apa yang sudah dan belum dilakukan jeda dengan benar. Schuetze, Yan dan Carvalho (2025) mencocokkan model Pelacakan Pengetahuan pada kumpulan data pembelajaran-ulang berturut-turut enam sesi dan menemukan bahwa BKT, BKT-dengan-Lupa, dan Additive Factors Model mereproduksi tren belajar ketika dicocokkan secara retrospektif (AUC 0.74–0.79) tetapi, di bawah validasi silang berbasis waktu seperti yang dibutuhkan tutor yang diterapkan, melebih-lebihkan kinerja masa depan sekitar 58%, 51%, dan 47% dan gagal menangkap efek jeda — kadang memprediksi urutan ordinal yang berlawanan lintas kondisi jeda. Dengan kata lain, keputusan penjadwalan yang dibuat sistem adaptif mungkin didasarkan pada model yang tidak merepresentasikan efek yang menjadi sandaran jeda. Dan pemodelan siswa LLM dan memori jangka panjang menyebut kesenjangan desain itu secara langsung: sebagian besar sistem tutoring tidak memiliki memori longitudinal, dan bagaimana memori semacam itu seharusnya berinteraksi dengan repetisi berjeda dan kurva lupa masih menjadi pertanyaan terbuka.

Yang belum ditunjukkan korpus

Tidak satu pun sistem terapan menghasilkan bukti retensi sendiri: artikel Memdora melaporkan retensi yang lebih baik dibandingkan alat repetisi berjeda tradisional, tetapi tidak mendeskripsikan studi hasil berinterval tertunda di balik klaim itu, dan pendamping kuliah bilingual — yang menghasilkan kartu kilat secara otomatis untuk menghilangkan biaya penulisan yang menghalangi praktik pengambilan dan praktik berjeda berbasis bukti, sambil menyederhanakan penjadwalan menjadi penilaian biner "sudah tahu / masih belajar" alih-alih algoritma SM-2 dan FSRS bertingkat — menyatakan terus terang bahwa belum ada studi hasil belajar yang dijalankan, hanya protokol terpreregistrasi. Mesin penjadwalannya lebih terbukti daripada pembelajaran yang hendak dihasilkannya.

Interleaving

Interleaving — mencampur jenis masalah atau butir dalam satu sesi latihan alih-alih memblokirnya menurut jenis — adalah yang paling lemah buktinya di antara ketiga teknik dalam korpus ini, dan itu harus dinyatakan alih-alih ditambal. Interleaving muncul di Kesulitan yang Diinginkan hanya sebagai satu contoh dalam daftar kondisi yang menuntut usaha, dan tidak ada studi dalam basis pengetahuan yang menguji manipulasi interleaving terhadap kontrol yang diblokir.

Yang dimiliki korpus adalah hal yang berdekatan dan layak dibedakan dengan cermat. Simulating learner task-selection memodelkan Interleaving dan Blocking sebagai dua dari delapan strategi pembelajar kandidat dalam sebuah Pembelajaran Penguasaan Simulasi, bersama penargetan kekuatan, penargetan kelemahan, dan aturan yang diinformasikan hasil. Temuan di sana adalah tentang arsitektur pilihan alih-alih ingatan: beberapa strategi pembelajar secara sistematis menunda kemajuan melalui latihan berlebih, dan kendala pemilihan tugas memperbaiki strategi maladaptif sambil membiarkan Interleaving, Blocking, Penargetan Kekuatan, dan Penargetan Kelemahan pada tingkat latihan berlebih yang stabil. Itu bukti bahwa interleaving adalah perilaku yang dapat dipilih yang dapat diakomodasi atau dibatasi sistem — bukan bukti bahwa interleaving memperbaiki retensi. Sebutan yang tersisa dalam korpus adalah makna kata yang tidak berhubungan (tahap agen yang berselang-seling di From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review; lintasan solusi visual-tekstual yang berselang-seling dalam Tolok Ukur geometri), dan itu tidak boleh dihitung sebagai bukti interleaving.

Penyertaan interleaving di sini karenanya bersandar pada keluarga teori yang sama dengan dua teknik lain dan pada statusnya dalam literatur Psikologi Kognitif, bukan pada studi dalam basis pengetahuan ini. Perlakukan ia sebagai slot yang masih terbuka.

Bagaimana AI Menerapkan dan Melemahkan Teknik Ini

Penerapan. Kontribusi AI yang paling dapat dipertahankan adalah penjadwalan dan pembangkitan, bagian dari teknik ini yang membosankan alih-alih menarik secara pedagogis. Penjadwalan adaptif diterapkan di Memdora melalui FSRS-6 dan dalam arsitektur penelusuran pengetahuan yang mengestimasi penguasaan sepanjang waktu; pretesting adaptif diterapkan oleh agen Akgun dan Toker yang bergantung pada respons, yang membaca sinyal kinerja sesi sebelumnya untuk menaikkan kedalaman konseptual di area yang lebih lemah sambil mempertahankan tantangan di area yang lebih kuat; pembangkitan kartu kilat dan pretes otomatis diterapkan pada pendamping kuliah bilingual, di mana penulisan kartu adalah biaya yang sejak awal menghalangi praktik berjeda. Memori siswa longitudinal adalah arsitektur yang akan memungkinkan semua ini bertahan lintas semester, dan Woollaston dan kolega (2026) menyediakan kosakata desain untuk melakukannya dengan sengaja: friksi yang disengaja, Perancah dinamis, pengawasan manusia-dalam-lingkaran, dan pemanfaatan AI yang dipertimbangkan alih-alih maksimal.

Melemahkan. Mode kegagalannya spesifik dan terdokumentasi berulang kali. Woollaston et al. (2026) menyebut risiko pertama dari enam risiko pedagogis mereka sebagai aktivasi pengetahuan awal: agen yang mengambil lebih dulu dan menampilkan konten melewati praktik pengambilan yang mengaktifkan pengetahuan awal, sehingga pembelajar tidak pernah mengingat atau mengintegrasikan apa yang mereka ketahui sebelum menerima jawaban. Pengetahuan Awal menyatakan risiko pelewatan yang sama sebagai sifat umum AI generatif, dan menambahkan penangkal desainnya — aktifkan sebelum menyediakan. Ilusi kelancaran adalah mekanismenya di sisi pembelajar: LLM menyediakan penjelasan lengkap dan koheren sesuai permintaan, sehingga pembelajar mengalokasikan lebih sedikit usaha untuk pengambilan dan rekonstruksi internal sementara sesi terasa produktif, yang justru merupakan disosiasi yang diukur Tsiligkiris (2026). Studi pretesting tiga lengan menyampaikan hal yang sama secara eksperimental: lengan dengan akses AI bebas dan tanpa pengambilan yang ditegakkan berkinerja terburuk pada retensi akhir semester, dan volume interaksi tidak berbeda secara signifikan antarlengan, sehingga kesenjangan dihasilkan oleh struktur alih-alih oleh seberapa banyak siswa terlibat.

Mempertahankan tuntutan pengambilan. Korpus bertemu pada sekumpulan kecil fitur desain. Kebijakan agen pretesting adalah yang paling konkret: tahan solusi langsung melalui konfigurasi, probe miskonsepsi, minta elaborasi setelah upaya superfisial, dan maju hanya pada keterlibatan konseptual yang memadai. Tsiligkiris menyarankan menyematkan tuntutan pengambilan setelah penggunaan LLM melalui keluaran alat tertutup — pertanyaan jawaban singkat, peta konsep yang digambar dari ingatan, penjelasan mengajar-kembali tanpa model — dan memisahkan perancah dari pemeriksaan, sehingga model tersedia untuk klarifikasi dan Umpan Balik tetapi titik pemeriksaan yang berbeda menuntut daya ingat mandiri. KnowLoop menunjukkan bentuk mengajar-kembali dalam sistem yang diterapkan: agen Peer merancah mengajar-kembali reflektif yang memunculkan celah yang tidak dapat diartikulasikan pembelajar, dan para partisipannya meminta untuk bergerak lancar antara klarifikasi dan konsolidasi alih-alih memperlakukannya sebagai fase yang ketat. Chen, Sakhnini dan Istead menambahkan versi sisi penilaian — hargai proses konstruksinya alih-alih artefaknya — sementara Schorr dan kolega (2026) memposisikan alat ini sebagai keterampilan yang dapat dipelajari yang mengurangi ketergantungan berlebih dan mendukung agensi pembelajar. Di bawah semuanya ada satu hal yang tidak dapat dinegosiasikan: sesuatu harus menuntut pembelajar menghasilkan jawaban yang belum diberikan model.

Batas Bukti

• Sampel kecil dan konteks tunggal. Sampel analitik studi pretesting adalah 89 mahasiswa sarjana dalam satu mata kuliah statistika terapan, dengan 27–34 siswa per lengan; studi interaksi LLM memiliki n = 22 dengan desain kelompok tunggal yang tidak mendukung klaim kausal; studi mengajar-kembali memiliki 22 partisipan. Penulis studi pretesting menyatakan bahwa replikasi lintas domain dan jenis tugas diperlukan untuk generalisasi.
• Interval retensi yang pendek atau absen. Studi kedalaman interaksi hanya menguji daya ingat segera, tanpa ukuran tertunda, sehingga hasil nolnya adalah nol untuk retensi jangka pendek secara khusus. Keunggulan retensi Memdora dan disosiasi kedalaman LLM sama-sama tidak dilacak selama minggu-minggu yang disyaratkan literatur jeda; jendela tujuh minggu studi pretesting adalah yang terpanjang dalam korpus.
• Ukuran laporan diri dan proksi. Usaha latihan dalam studi pretesting adalah indikator perilaku yang dinilai dua penilai terhadap rubrik dari log percakapan, yang secara eksplisit dicatat penulis bukan ukuran keadaan motivasional internal; ukuran kedalaman LLM adalah proksi berbasis kata kunci yang menangkap bentuk permukaan pencarian penjelasan alih-alih kualitasnya.
• Batas instrumentasi dan pemodelan. Model Pelacakan Pengetahuan dalam korpus gagal tepat di tempat keputusan jeda membutuhkannya, dan penulis mengatribusikan keberhasilan masa lalu pada pencocokan seluruh kumpulan data secara retroaktif alih-alih validasi yang realistis untuk penerapan. Kualitas kartu kilat pendamping bilingual belum diverifikasi terhadap kebenaran dasar, tanpa lapisan pemeriksaan fakta otomatis, dan sama sekali belum menjalankan studi hasil.
• Interleaving praktis tidak memiliki bukti langsung di sini. Seperti dinyatakan di atas, korpus tidak memuat perbandingan blok versus interleaving, hanya simulasi di mana Interleaving adalah satu strategi yang dapat dipilih di antara beberapa.
• Populasi subjek dan konten. Basis bukti terkonsentrasi pada pendidikan tinggi, pada materi STEM dan statistika, serta pada pembedaan fakta-versus-keterampilan dari konten geometri dan regresi berganda; generalisasi ke latar K-12, ke humaniora dan menulis, dan ke ruang kelas non-Barat tidak ditetapkan oleh studi-studi ini.

Miskonsepsi Umum

"Pertanyaan AI yang lebih baik menghasilkan retensi yang lebih baik." Ia menghasilkan pekerjaan yang lebih baik. Tsiligkiris (2026) menemukan pertanyaan LLM yang lebih mendalam meningkatkan kualitas tugas yang dinilai secara independen (β = 6.27, p = .006) sementara berasosiasi nol dengan daya ingat pascates segera (β = −0.014, p = .728), dengan perolehan daya ingat didorong oleh pengetahuan awal. Kualitas artefak dan ketahanan ingatan adalah hasil yang berbeda, dan dialog yang lebih baik menggerakkan yang pertama tanpa menggerakkan yang kedua.

"Ada satu format praktik terbaik." Formatnya bergantung pada apa yang dipelajari. Interaksi konten–perlakuan (β = 0.41, p = .038, d = 0.38) menunjukkan pengujian praktik murni menghasilkan perolehan lebih tinggi untuk fakta, sementara latihan terintegrasi contoh menghasilkan perolehan lebih tinggi untuk keterampilan. Meresepkan praktik pengambilan untuk segala hal, atau contoh yang dikerjakan untuk segala hal, membuat separuh materi salah.

"Praktik pengambilan berarti kuis, dan kuis apa pun dihitung." Mekanismenya adalah menghasilkan jawaban dari ingatan alih-alih mengenalinya, itulah sebabnya tugas pengenalan pilihan ganda adalah versi yang lebih lemah dari aktivitas yang sama. AI yang menghasilkan butir pengenalan tanpa akhir telah menghasilkan aktivitas dengan nama yang benar dan mekanisme yang salah.

"AI dapat menyampaikan teknik ini dengan setia, karena tekniknya terspesifikasi baik." Ia juga dapat dengan diam-diam mengalahkannya. Jeda menuntut sistem menahan materi yang paling mampu disediakannya sesuai permintaan, dan pengambilan menuntutnya untuk tidak menjawab — sehingga efektivitas tekniknya bergantung pada batasan yang tidak punya insentif untuk diterapkan oleh asisten yang menyenangkan.

Konsep terkait

• Pola Pedagogis — Urutan pengambilan berjeda, dan biaya retensi dari pemberian bantuan selama pengodean
• Kesulitan yang Diinginkan — prinsip yang dioperasionalkan ketiga teknik ini
• Psikologi Kognitif — ingatan, pengodean, dan pengambilan sebagai rumah teoretis ketiganya
• Pengetahuan Awal — praktik pengambilan sebagai aktivasi atas apa yang sudah dimiliki pembelajar
• Metakognisi — menilai apakah kelancaran mencerminkan pembelajaran
• Regulasi Diri dalam Belajar — belajar secara konsisten atas apa yang dapat dijadwalkan atau dijawab AI untuk Anda
• Pembelajaran Penguasaan — retensi setelah ambang penguasaan, dan jeda yang menopangnya
• Pelacakan Pengetahuan — model yang membuat atau melewatkan keputusan penjadwalan
• Offloading Kognitif — mode kegagalan ketika pengambilan didelegasikan ke alat
• Transfer Belajar — celah kinerja–pembelajaran yang ditangani teknik ini
• Penilaian Formatif — titik pemeriksaan alat tertutup sebagai peristiwa pengambilan
• Kegagalan Produktif — mencoba sebelum menerima bantuan
• Pembelajar — taruhan dari pembelajaran yang bertahan alih-alih lancar

Artikel terkait

• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Akgun & Toker: pengambilan berjeda adaptif vs pengambilan tetap vs belajar dengan AI yang diarahkan pembelajar selama tujuh minggu
• Memdora: Designing Cognitively-Grounded Flashcard Interactions for AI-Powered Spaced Repetition — Memdora: penjadwalan FSRS-6 dan taksonomi interaksi kartu kilat yang berlandasan
• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — Tsiligkiris: kedalaman penjelasan memprediksi kualitas tugas tetapi tidak daya ingat segera
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — Praktik pengambilan untuk fakta, contoh yang dikerjakan untuk keterampilan; interaksi konten–perlakuan
• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models — Model penelusuran pengetahuan gagal menangkap efek jeda di bawah validasi berbasis waktu
• A Bilingual, LLM-Mediated Lecture Companion for Self-Regulated Learning: Architecture, Theoretical Framework, Comparative and Usability Evaluation, and a Pre-Registered Outcomes Protocol — Pembangkitan kartu kilat otomatis yang menghilangkan biaya penulisan praktik berjeda
• Make or Take: How Students Navigate Self-Created and Instructor-Provided Cheat Sheets — Membuat lembar contekan sebagai belajar generatif; mengalihkan pembuatannya ke AI
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review — Konsolidasi mengajar-kembali memunculkan celah yang tidak ditangkap klarifikasi
• Simulating Learners' Task-Selection Strategies and System Constraints in Mastery Learning — Interleaving dan Blocking sebagai strategi pembelajar yang dimodelkan di bawah kendala pemilihan tugas
• PersonaVLM: Long-Term Personalized Multimodal LLMs — Memori siswa longitudinal dan hubungannya yang masih terbuka dengan repetisi berjeda dan kurva lupa
• Learning-to-learn in the age of generative AI: A scoping review and conceptual framework — Praktik pengambilan pada lapisan Tools dalam kerangka belajar-untuk-belajar
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Agen yang mengambil lebih dulu melewati praktik pengambilan; argumen bagi friksi yang disengaja
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — Ketika Tutor AI Berbicara: Bukti dari Eksperimen Lapangan Acak