Gamifying Sexual Education for Adolescents in a Low-Tech Setting: Quasi-Experimental Design Study
Notice bibliographique
Résumé
Background Sexual education has become increasingly important as unhealthy sexual practices and subsequent health risks become more prevalent during adolescence. Traditional sex education teaching methodologies are limiting for digital natives exposed to various digital technologies. Harnessing the power of technology applications attractive to the younger generation may be a useful approach for teaching sex education. Objective The aim of this study was to improve sexual health knowledge and understanding of the problems associated with unhealthy sexual practices and address sexual and reproductive health challenges experienced in a low-tech setting. Methods A participatory design approach was used to develop the digital gamified methodology. A sample of 120 secondary school students aged 11-15 were randomly assigned to either experimental or control group for each of the 3 teaching approaches: (1) gamified instruction (actual serious games [SG] in teaching); (2) gamification (GM; making nongames, such as game-like learning); and (3) traditional teaching (TT) methods. Results The SG and GM approaches were more effective than TT methods in teaching sexual health education. Specifically, the average scores across groups demonstrated an increase of mean scores from the pre- to posttest (25.10 [SD 5.50] versus 75.86 [SD 13.16]; t119=41.252; P<.001 [2 tailed]). Analysis of variance indicated no significant differences across groups for pretest scores (F2,117=1.048, P=.35). Significant differences across groups were evident in the posttest scores. Students in the SG and GM groups had higher average scores than the TT group (F2,117=83.98; P<.001). Students reported increased learning motivation, attitude, know-how, and participation in learning (P<.001) when using SG and GM approaches. Conclusions Digital health technologies (particularly teaching and learning through gamified instruction and other novel approaches) may improve sexual health education. These findings may also be applied by practitioners in health care settings and by researchers wishing to further the development of sex education.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».