The Design and Evaluation of the Persuasiveness of e-Learning Interfaces
Notice bibliographique
Résumé
This study addresses the general goal of designing more engaging e-learning applications through persuasive technology. The authors present and discuss two potential approaches to the design persuasive e-learning applications that differ in terms of comprehensiveness and ease of application. The more straightforward approach based on Fogg is considered for designers who may not have the time or background to invest large efforts to analyze and understand how the principles of persuasive technology can be deployed. The Oinas-Kukkonen and Harjumaa (2009) approach is presented as a different approach that does require such investment. The design approaches are complemented with a persuasive assessment grid that can be used as an inspection instrument, akin to usability inspections as found in the field of human-computer interaction. The intent is that this instrument can complement the design process by giving early feedback on issues to address. The authors report an experiment where the inspection instrument is applied to an existing e-learning application. The actual data on how students used it provides feedback on how effective the persuasive grid is for detecting issues. The results show that the application scores low on most criteria, and the usage patterns generally confirm this assessment. However, the authors also find that some students were persuaded to engage more thoroughly to use the system and conclude that large individual differences affects the factors of influence and should lead the designers of e-learning application to consider different means in the design of persuasive technology.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».