Drivers of Competitive Behavior in Persuasive Technology in Education
Notice bibliographique
Résumé
Competition has been identified as an intrinsic motivation that could lead to successful outcomes in education. However, in Persuasive Technology in Education (PTE) research, there are limited studies showing its possible predictors. To advance research in this area, we conducted an empirical study among university students (N = 243) to uncover how extrinsic factors and social influence, which are external to learners, influence students' susceptibility to Competition. Specifically, we investigated how Social Learning, Social Comparison, and Reward, which are widely applied in persuasive technologies (PTs), influence Competition. Our results show that Social Comparison and Reward have significant influence on Competition, with Social Comparison (β = 0.52, p < 0.001) having a stronger influence than Reward (β = 0.29, p < 0.001). However, Social Learning (β = -0.07, p = n.s) has no significant effect on Competition. Our model accounts for about 41% of the variance of Competition. Moreover, our multigroup analysis reveals that there are no significant differences between males and females, indicating that our findings generalize across gender. These findings suggest that Social Comparison, Reward, and Competition are compatible strategies, which can be implemented together in a persuasive system for education. We discuss the implications of our findings
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».