MétaCan
Menu
Retour à la cohorte
Enregistrement W2947380431 · doi:10.2196/14342

A Badge Design Framework for a Gamified Learning Environment: Cases Analysis and Literature Review for Badge Design

2019· article· en· W2947380431 sur OpenAlexvenueno aff
Sungjin Park, Sang‐Kyun Kim

Notice bibliographique

RevueJMIR Serious Games · 2019
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensnon disponible
Organismes subventionnairesMinistry of Science and ICT, South KoreaNational Research Foundation of KoreaNational Research Foundation
Mots-clésPsychologyValue (mathematics)Applied psychologyScale (ratio)Mathematics educationComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In the past, the educational badge was an extrinsic means of rewarding the motivation to learn. Based on continued research, however, the badge began to be recognized as a scale to measure the learner's knowledge and skill and an important means of helping learners to gradually build intrinsic motivation by using certain extrinsic motivators. As the badge's value has grown, the importance of its design has garnered attention. OBJECTIVE: The objective of this research was to establish a badge design framework that can be used in a gamified learning environment. METHODS: Data were collected from previous studies on badge design, 943 badge cases were extracted from 11 online and offline gamification in education contents, and their patterns and features were analyzed. RESULTS: Based on the analysis of results from previous studies and 943 collected badge cases, our study suggests three conditions for badge design. Through the literature review and collected badge cases, our study designed a badge design framework. First, it is necessary to distinguish whether the type of learning activity required for earning badges is physical or conceptual. Second, it is necessary to distinguish whether the scale of an activity required for earning badges requires individual learning or interaction-induced learning. Third, it is important to review whether the time and effort invested in earning badges is simple, repetitive, and short-term or continuous and long-term. Based on these three conditions, collected badge cases were analyzed. To verify self-developed badge types, we conducted a chi-square test on the collected cases and confirmed that there was a significant difference for each of the eight badge types (Pearson chi-square 1117.7, P<.001). CONCLUSIONS: Through its literature review on previous studies, this study demonstrated the badge's educational effectiveness. The badge design framework suggested in our study is expected to resolve some of the difficulties experienced during the badge design process in a gamified learning environment, encourage efficient badge design, and maximize learning effect.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,730
Score d'incertitude au seuil0,972

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,341
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetEducational Games and GamificationTravaux en français237 207