Comparing the Student Engagement with Two Versions of a Game-based Learning Tool
Notice bibliographique
Résumé
Research has shown that game-based learning techniques positively impact students' engagement, motivation, and learning outcomes. We performed a study to explore the differences in student engagement with a game-based learning tool implemented on two different platforms: mobile and web-based. We developed two versions of a peer-quizzing game where the students can create quiz questions related to the learning material, which their peers can attempt to answer. The students can create three types of questions: Multiple Choice Questions, True/ False, and short answers. Students from a first-year introductory programming computer class were recruited to evaluate both versions of the game during one academic term (four months) during the Covid-19 pandemic when classes were entirely online. A bonus participation mark of up to five percent of the course was offered to students who posted at least three questions per week. In addition, we collected data about the students' in-game activities for the study duration. The Mann-Whitney U-test results show no significant difference in the engagement between the web and the game's mobile version. However, students posed more questions in the mobile version than in the Web version of the game. On the contrary, students solved more questions in the web version than in the mobile version. We have learned from the study that both game-based learning platforms effectively engage students. We also collected data about the students' experience with the game in a post-study survey. The responses show that both game versions got similar user experience ratings.
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 | 0,002 | 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) | 0,003 | 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 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 ».