Investigating Epistemic Stances in Game Play with Data Mining
Notice bibliographique
Résumé
In this paper, techniques of statistical computing were applied to data logs to investigate the patterns in students' play of The Fuzzy Chronicles, and how these patterns relate to learning outcomes with regards to Newtonian kinematics. This paper has two goals. The first goal is to investigate the basic claims of the proposed Two-System Framework for Game-Based Learning (or 2SM) (Martinez-Garza & Clark, 2016) that may serve as part of a general-use explanatory framework for educational gaming. The second goal is to explore and demonstrate the use of automatically collected log files of student play as evidence through educational data mining techniques. These techniques could also find general use, and this paper offers a demonstration of plausible methods and processes that are suited for game play data. These goals were pursued via two research questions. The first research question examines whether students playing The Fuzzy Chronicles showed evidence of dichotomous fast/slow modes of solution. The 2SM theorizes that slow modes of solution will correlate to higher learning gains. Congruent with the 2SM, students who use mainly fast iterative solution strategies achieved lower learning gains than students who preferred slow, elaborate solutions, or a more balanced mix of the two. A second research question investigates the connection between conceptual understanding and student performance in conceptually-laden challenges. The finding was that students generally improve their performance in these challenges as gameplay progresses, but that this improvement is strongly moderated by their prior knowledge of physics. Implications of these findings in terms of educational game design, analysis of gameplay logs, and further refinement of the 2SM are discussed.
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 | 0,001 |
| 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 ».