Development of Curriculum Guides for the Assassin's Creed Discovery Tour Games to Enhance Teachers' Adoption of Games for Learning
Notice bibliographique
Résumé
While games are often used for learning, educators hesitate to adopt them into classrooms due to a lack of acceptance and knowledge of how to teach with games (e.g., Callaghan et al., 2017). In this project, we created curriculum guides for two educational games, Assassin's Creed Discovery Tour: Ancient Greece and Egypt, to a) identify methods and theories appropriate for creating teacher guides for game-based learning; and b) test if such guides can facilitate teachers' adoption of games. The theories used to develop the guides included the Technological, Pedagogical, Content Knowledge framework (TPACK, Mishra & Koehler, 2006), the Technology Acceptance Model (TAM, Davis, 1989), and the Learning Mechanics-Game Mechanics framework (Arnab et al., 2015). The guide is an interactive website containing four sections: 1) Curriculum Section, learning goals are selected from a list and then game and classroom activities are suggested; 2) Game-Activity Section, in-game activities are selected and then links are drawn to learning outcomes; 3) Lesson Plans tailored to different subjects, ages, and instruction modalities (student vs teacher led); and 4) Technical FAQ, addressing common technical and practical barriers. To test whether the curriculum guides improve adoption, a post-test only between-subjects experiment are being conducted with in-service teachers (n=120) to see if exposure to the guide increases their TPACK and TAM. Follow-up focus groups will be conducted to provide in-depth interpretations of teachers' feedback. This project presents a methodological model illustrating the development of curriculum guides that will support teachers' implementation of video games for learning.
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 | 0,000 | 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 ».