Exploring Media Literacy and Computational Thinking: A Game Maker Curriculum Study.
Notice bibliographique
Résumé
Abstract: While advances in game‑based learning are already transforming educative practices globally, with tech giants like Microsoft, Apple and Google taking notice and investing in educational game initiatives, there is a concurrent and critically important development that focuses on game construction pedagogy as a vehicle for enhancing computational literacy in middle and high school students. Essentially, game construction‑based curriculum takes the central question do children learn from playing games to the next stage by asking (what) can children learn from constructing games? Founded on Seymour Papert s constructionist learning model, and developed over nearly two decades, there is compelling evidence that game construction can increase student confidence and build their capacity towards ongoing computing science involvement and other STEM subjects. Our study adds to the growing body of literature on school‑based game construction through comprehensive empirical methodology and evidence‑based guidelines for curriculum design. There is still debate as to the utility of different software tools for game construction, models of scaffolding knowledge, and evaluation of learning outcomes and knowledge transfer. In this paper, we present a study we conducted in a classroom environment with three groups of grade 6 students (60+ students) using Game Maker to construct their own games. Based on a quantitative analysis and a qualitative discussion we organize results around several core themes that speak to the field of inquiry: levels of computational literacy based on pre‑ and post‑tests; gender‑based attitutdes to computing science and programming based on a pre‑ and post‑survey; and the relationship between existing media literacy and performance in programming as part of the game construction curriculum. Significant results include some gender differences in attitudes towards computers and programming with boys demonstrating slightly higher confidence and performance. We discuss the complex reasons potentially contributing
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».