An Empirical Investigation of the Different Levels of Gamification in an Introductory Programming Course
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
Adding gaming elements to conventional teaching methodologies has gained a lot of attention because of its ability to incorporate an engaging, motivating, and fun-based environment. As a result, learners' dedication and performance are also better. Unfortunately, current gamification models do not consider the effect of different levels of gamification. Therefore, this study provides deeper insight into the three levels of gamification on the motivation, engagement, and performance of 450 undergraduates enrolled in an online course. The level of gamification is experimentally manipulated based on different gaming elements and the presentation of learning content. The outcomes were measured at three points. Quantitative methods were used to analyze defined measures, and qualitative methods were used to analyze open-ended measures. The results revealed no change in outcomes between all groups during pre-course and mid-course assessments. However, motivation, engagement, and performance are improved in gamified environments, and these effects are more noticeable towards the end of the course. It was discovered that the gamification level was a significant determinant of motivation and performance but not engagement, which highlights the importance of implementing gamification in educational platforms. The gamification appeared to be a pedagogically profound way of engaging students in the online course. The whole setup triggered the learner’s motivation to learn and perform in the course. We conclude that gamification does help in motivation, engagement and performance if considered properly. Thus, educators and educational institutions seeking to enhance student motivation and performance may look at the ‘right level’ of gamification as an appropriate methodology.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle