Serious Games as Planning Support Systems: Learning from Playing Maritime Spatial Planning Challenge 2050
Notice bibliographique
Résumé
The inherent complexity of planning at sea, called maritime spatial planning (MSP), requires a planning approach where science (data and evidence) and stakeholders (their engagement and involvement) are integrated throughout the planning process. An increasing number of innovative planning support systems (PSS) in terrestrial planning incorporate scientific models and data into multi-player digital game platforms with an element of role-play. However, maritime PSS are still early in their innovation curve, and the use and usefulness of existing tools still needs to be demonstrated. Therefore, the authors investigate the serious game, MSP Challenge 2050, for its potential use as an innovative maritime PSS and present the results of three case studies on participant learning in sessions of game events held in Newfoundland, Venice, and Copenhagen. This paper focusses on the added values of MSP Challenge 2050, specifically at the individual, group, and outcome levels, through the promotion of the knowledge co-creation cycle. During the three game events, data was collected through participant surveys. Additionally, participants of the Newfoundland event were audiovisually recorded to perform an interaction analysis. Results from survey answers and the interaction analysis provide evidence that MSP Challenge 2050 succeeds at the promotion of group and individual learning by translating complex information to players and creating a forum wherein participants can share their thoughts and perspectives all the while (co-) creating new types of knowledge. Overall, MSP Challenge and serious games in general represent promising tools that can be used to facilitate the MSP process.
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 | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».