The Effectiveness of the Foodbot Factory Mobile Serious Game on Increasing Nutrition Knowledge in Children
Notice bibliographique
Résumé
The interactive and engaging nature of serious games (i.e., video games designed for educational purposes) enables deeper learning and facilitates behavior change; however, most do not specifically support the dissemination of national dietary guidelines, and there are limited data on their impact on child nutrition knowledge. The Foodbot Factory serious game mobile application was developed to support school children in learning about Canada’s Food Guide; however, its impacts on nutrition knowledge have not been evaluated. The objective of this study was to determine if Foodbot Factory effectively improves children’s knowledge of Canada’s Food Guide, compared to a control group (control app). This study was a single-blinded, parallel, randomized controlled pilot study conducted among children ages 8–10 years attending Ontario Tech University day camps. Compared to the control group (n = 34), children who used Foodbot Factory (n = 39) had significant increases in overall nutrition knowledge (10.3 ± 2.9 to 13.5 ± 3.8 versus 10.2 ± 3.1 to 10.4 ± 3.2, p < 0.001), and in Vegetables and Fruits (p < 0.001), Protein Foods (p < 0.001), and Whole Grain Foods (p = 0.040) sub-scores. No significant difference in knowledge was observed in the Drinks sub-score. Foodbot Factory has the potential to be an effective educational tool to support children in learning about nutrition.
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 | 0,000 |
| 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 ».