Serious Game Leverages Productive Negativity to Facilitate Conceptual Change in Undergraduate Molecular Biology
Notice bibliographique
Résumé
We designed a serious game, MolWorlds, to facilitate conceptual change about molecular emergence \nby using game mechanics (resource management, immersed 3rd person character, sequential level \nprogression, and 3-star scoring system) to encourage cycles of productive negativity. We tested the \nvalue-added effect of game design by comparing and correlating pre- and post-test misconceptions, \ninteraction statistics, and engagement in the game with an interactive simulation that used the same \ngraphics and simulation system but lacked gaming elements. We tested first-, second-, and third-year \nbiology students’ misconceptions at the beginning and end of the semester (n = 526), a subset of \nwhom played either the game (n = 20) or control (n = 20) for 30 minutes prior to the post-test. A 3x3 \nmixed model ANOVA revealed that, while educational level (first-, second-, or third-year biology) \ndid not influence misconceptions from pre-test to post-test, the intervention type (no intervention, \nsimulation, or game) did (p<.001). Pairwise comparisons showed that participants exposed to the \ninteractive simulation (p = .007), as well as those exposed to the game (p<.001), lost significantly \nmore misconceptions in comparison to those who did not receive any intervention, while adjusting \nfor educational level. A trending difference was found between the simulation group and the gaming \ngroup (p = .084), with the gaming group resolving more misconceptions. Quantitative analysis of \nclick-stream data revealed the greater exploratory freedom of the control simulation, with greater \naccessibility to individuals who do not play games on a regular basis. However, qualitative analysis of \ngameplay data showed that MolWorlds-players experienced significantly more instances of productive \nnegativity than control-users (p<.001) and that a trending relationship exists between the quality of \nproductively negative events and lower post-test misconceptions (p = .066).
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».