Iterative Development of a Digital Game-Based Learning Concept: Introduction of Veterinary Herd Health Management in a Virtual Pig Herd
Notice bibliographique
Résumé
A growing interest in the use of digital game-based learning has been identified in veterinary education. Projects in the development of veterinary game-based environments and scenarios are mostly initiated by veterinary institutions, faculties, or instructors; however, the process of development is complex and often involves expertise from a variety of disciplines. In the collaboration between professionals, discussions often arise about content, and how specific elements should be implemented or edited. As discussions are based on the individual experts’ varied disciplines, it can be difficult to achieve a common language, and this leads to blockage and frustration in the development process. In 2012, the University of Copenhagen launched a project on digital game-based learning aimed at veterinary and agriculture students. The overall goal was to develop learning games for herd health management in pig production. The project was carried out in a collaboration between professional game developers, educational/didactic experts, and veterinarians. From early in the process, we identified a need to communicate across disciplines. Therefore, the framework of the Serious Game Development Triangle (SDT) was developed as a tool to facilitate a common language for solving complex issues. The SDT consists of three orientations: games, school, and professionalism. These three orientations are topics that are required considerations when developing a serious game that seeks to teach skills for a specific profession. The SDT contributed to improved understanding across disciplines and made the development process more progressive.
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 | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».