The Impact of Autonomy and Types of Informational Text Presentations in Game-Based Environments on Learning: Converging Multi-Channel Processes Data and Learning Outcomes
Notice bibliographique
Résumé
Game-based learning environments (GBLEs) focus on enhancing learning by providing learners with various representations of information (e.g., text, diagrams, etc.) while allowing full autonomy, or control over their actions. Challenges arise as research shows that learners inaccurately use cognitive and metacognitive processes when given full autonomy. This study examined 105 undergraduates who were randomly assigned to autonomy conditions (i.e., full, partial, and no autonomy) as they interacted with scientific informational text presentations (i.e., non-player characters [NPCs], books and research articles, posters) during learning with Crystal Island, a GBLE. We assessed how learners’ eye-tracking (e.g., fixation durations on objects) and log-file (e.g., durations of activities) data reflected how learners interacted with text presentations and selected pretest-relevant items (i.e., text providing answers to questions on the pretest). Results showed that participants in the partial autonomy condition ( n = 38) demonstrated higher learning gains than those in the full autonomy condition ( n = 45). Time spent interacting with all books and research articles within Crystal Island were positively correlated with learning gains. There were significant differences in learners’ duration and fixation duration on informational text presentation interactions between conditions and within types of presentations as well as significant interactions between pretest-relevant items and types of presentations. Overall, autonomy and pretest relevancy impact the time interacting with informational text presentations which influence learning. Implications are provided for applying autonomy during game-based learning, and how this may direct future implementations of AI within GBLEs to provide implicit scaffolding via adaptively limiting learners’ autonomy as they interact with informational text.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».