MétaCan
Menu
Retour à la cohorte
Enregistrement W1867930450 · doi:10.33524/cjar.v13i1.30

DOES DIGITAL GAME-BASED LEARNING IMPROVE STUDENT TIME-ON-TASK BEHAVIOR AND ENGAGEMENT IN COMPARISON TO ALTERNATIVE INSTRUCTIONAL STRATEGIES?

2012· article· en· W1867930450 sur OpenAlexvenueno aff
Ryan Schaaf

Notice bibliographique

RevueThe Canadian Journal of Action Research · 2012
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyTask (project management)Game based learningMathematics educationClass (philosophy)Control (management)Significant differenceComputer scienceStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Digital Game-Based Learning (DGBL) activities were examined in comparison with effective, research-based learning strategies to observe any difference in student engagement and time-on task behavior. Experimental and control groups were randomly selected amongst the intermediate elementary school students ages 8 to 10 years old. Student observations and attitudinal surveys were completed after eight lesson cycles to determine which student group had a higher level of engagement and time-on-task behavior. Six of the 8 trials showed a higher student survey average in the level of student enjoyment while experiencing DGBL. Six of the 8 trials produced equal or higher class average scores for focus and attentiveness during DGBL versus alternative strategies. Seven out of 8 trials produced higher student table observation averages for DGBL. In conclusion, the data suggests DGBL can be as effective in the classroom as other research-proven instructional strategies.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,154
Score d'incertitude au seuil0,537

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,130
Tête enseignante GPT0,469
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Action ResearchMême sujetEducational Games and GamificationTravaux en français237 207