Video games as a tool for ecological learning: the case of Animal Crossing
Notice bibliographique
Résumé
Abstract Amidst lockdown policies in response to the COVID‐19 pandemic, many used video games as a method to maintain a connection with others while ensuring social distancing. A new edition of the Animal Crossing series of games had been released in March 2020 and beat sales and downloads records. The game focuses on living in a natural environment, building a house and a village, as well as capturing, exhibiting, and selling species to progress. Here we examine whether players gain species identification skills and whether it is transferred to real‐life models. We used the results from a survey conducted from the end of March to early April 2020 on 200 people (72 players and 128 nonplayers of Animal Crossing). Participants were first asked to rank their personal interest in nature and then to identify species from photos. The photos displayed both organisms present in the game and organisms that were not. We expected players to obtain a slightly higher score than nonplayers for questions related to the species present in the game and a similar score in both groups for questions related to species not present in the game. Multivariate analyses (multiple linear regression and principal components analysis [PCA]) showed that players were better than nonplayers at identifying real‐life species that were present in the game. The role of the species in the game design impacts the ability to identify the species in real life, such as plants having mainly a role of ornamentation. Additionally, this study suggests that survey participants could correctly assess their naturalistic knowledge in general. This article shows that video games can help enhance ecological learning, improve organisms identification, and might be used as a tool for education in conservation biology.
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 | 0,000 | 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) | 0,005 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».