Gaming Experience and Spatial Learning in a Virtual Morris Water Maze
Notice bibliographique
Résumé
Experience playing video games has been associated with perceptual and cognitive improvements (e.g., Castel, Pratt, & Drummond, 2005; Boot, Kramer, Simons, Fabiani, & Gratton, 2008; Colzato, van den Wildenberg, & Hommel, 2013; Oei & Patterson, 2013) For instance, video gamers show superior spatial abilities than non-gamers (Greenfield, Graig, & Lohr, 1994; Feng, Spence, and Pratt, 2007; Green & Bavelier, 2003). Given that such abilities have been associated with educational and vocational success in STEM fields (Wai, Lubinski, & Benbow, 2009), it is important to understand the relationship between them and video game experience. In past research, virtual versions of the Morris Water Maze (VMWM) have been used to investigate spatial learning in non-human subjects. Yet, the extent of VMWM’s ability to reliably and validly assess human spatial learning is relatively unknown. We developed a VMWM within the Second Life (2015) virtual world and conducted a pilot study with 12 eighth grade students. In the experiment, the participants learned to find the location of a platform in the VMWM. We analyzed performance on the task to identify data trends indicative of spatial learning. Specifically, we compared performance between males and females with varying levels of gaming expertise. In this article, we report on an analysis of navigation strategies as measured by participants’ path lengths and patterns, and we discuss the implications of these results in assessing spatial cognition.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».