Problems and Prospects of Formation of Digital Competence of Future Scientific and Pedagogical Workers of Higher Education Institutions Through Gamification: Opportunities Kahoot, Quizlet in the European Union
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article discussed the trends and features of the formation of digital competence of future teachers through virtual games such as Kahoot and Quizlet. The purpose of this article was to identify modern features of the use of virtual games in the educational process of future teachers in European Union. To achieved this goal, an analytical study was conducted on the use of Kahoot and Quizlet in education. A logical, historical, and comparative legal method was used to research prospects of formation of digital competence of future scientific and pedagogical workers of higher education institutions through gamification. Using a comparative legal method, a comparative analysis of the level of use of gamification tools. As a result, conclusions were made about a significant increase in the level of use of gamification tools in various types of educational activities of future research and teaching staff. It was determined that there are negative and positive effects of gamification. It is concluded that the use of gamification tools in various types of educational activities requires students to develop additional skills that are necessary in today's world. Active use of Kahoot, Quizlet in education helps to improve students' adaptive and social skills, quickly analyze their achievements and easily convey new information. Moreover, this format contains features before the usual learning format. Therefore, the problem of developing appropriate methods and skills of gamification in education was becoming urgent. As a result, it was determined that the topic of effective use of gamification tools in education is becoming increasingly important.
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.
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 | 0,001 |
| 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 découle