Generación de preguntas sobre información no textual: una validación empírica del modelo obstáculo-meta en la comprensión de dispositivos experimentales de ciencias / Questions Generated on Non-Textual Information: An Empirical Validation of the Obstacle-Goal Model Applied to the Comprehension of Scientific Experimental Devices

RESUMEN

Los mecanismos cognitivos de la generación de preguntas no son aún bien conocidos. Recientemente, se ha propuesto el modelo obstáculo-meta que asimila la comprensión a un proceso de resolución de un problema cognitivo, cuyos obstáculos hacia la meta pretendida dan lugar a las preguntas. Una predicción del modelo es la relación entre tipos de preguntas formuladas y tipos de representación mental que los sujetos manejan durante la comprensión de la información suministrada. Hasta ahora, esta predicción ha sido validada parcialmente y solo con información textual. En este trabajo se presenta un estudio empírico de validación más fiable de esta predicción, desarrollado en dos fases y que utiliza información no textual, como es el funcionamiento de dispositivos experimentales. Los resultados apoyan la predicción del modelo con suficiente potencia estadística.

ABSTRACT

The cognitive mechanisms underlying question generation are not yet well understood. Recently, the Obstacle-Goal model has been proposed. This model assimilates comprehension to a problem-solving cognitive process the obstacles in the way to the intended goal originate the questions asked. A direct prediction from this model is the relationship between the distribution of types of questions asked, and the kinds of mental representations subjects elaborate to understand the provided information. Up to now, this prediction has been partially validated, and only textual information has been used to this purpose. In the present paper an empirical two-phase study is developed to validate the above prediction in a more reliable way, using non-textual information the operation of experimental devices. Results support the prediction of the model with enough statistical power.