Notice bibliographique
Résumé
As military forces around the world begin to adopt gaming technology as an apparently cost effective and robust means for military tactical training it seems appropriate to consider how well suited they are for this task. This paper uses an evidence based approach to illustrate how American, British, Canadian and Australian forces are applying serious game (SG) technology to meet a variety of training needs. In particular, the paper uses these specific examples to address three questions: What tactical training requirements are serious games best suited to meeting? How effective and efficient are they at meeting those requirements? What are the technological limits associated with their use? In answering these questions, the paper concludes that SGs are providing a cost-effective means to provide experience-based learning with emphasis on cognitive and increasingly affective training domains. War fighters will not develop the expert psycho-motor skills they need to effectively employ their weapon systems using game-based training. However, once the team of experts in various weapon systems is created, SG technology affords trainers the opportunity to turn them into an expert team capable of communicating well with the cognitive skills they need to effectively operate as teams. The examples demonstrate that this is true for infantry, armoured or combined arms training in open or urban terrain and holds for the very technologically demanding case of aviation training. To take full advantage of this capability, SGs need to be included as part of blended training solutions that take advantage of the strengths of the various types of training available with the SGs providing an experience-based learning alternative that has not been practically affordable since the end of the Cold War. ABOUT THE AUTHORS
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».