Understanding Motivational Differences through the Lens of Gamification User Types
Notice bibliographique
Résumé
In the context of an educational technology course, teacher candidates completed Marczewski’s User Types Hexad Test, a questionnaire based on a typology for classifying both intrinsic and extrinsic motivational tendencies. The test results showed teacher candidates' motivational tendencies, through indicating their resonance with six different User Types, including Socializers, Free Spirits, Achievers, Philanthropists, Players, and Disruptors. Knowing their User Type allowed teacher candidates to reflect on their own personal motivations to use various types of digital tools, as well as to consider how their peers and their students with different user profiles may be motivated differently than themselves. The main research questions in this study were related to discovering the motivational differences present in a group of teacher candidates, and whether knowing about these differences would empower them to acknowledge differences in motivation among their learners. The findings include teacher candidates’ understandings of the importance of differentiating for motivational tendencies through insight, relationships, and effective teaching, as well the different language teacher candidates use to describe their own developing teacher identity, according to their resonant User Types. These data provide examples of how User Type awareness can help teacher candidates take practical steps toward differentiating instructional design based not only on consideration of learners’ abilities and interests, but also on learners’ motivational profiles. Suggestions for language that would resonate with various User Types is presented, and may help teacher educators as they coach pre-service teachers through their identity development.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».