Gamification and Soft Skills Assessment in the Development of a Serious Game: Design and Feasibility Pilot Study
Notice bibliographique
Résumé
BACKGROUND: The advent of new technologies has had a profound impact on the labor market, transforming the way we work and interact with each other. With the rise of digital tools and platforms, gamification has emerged as a powerful technique for enhancing productivity and engagement in various fields, including human resource management. In particular, gamification has been found to be effective in developing and assessing soft skills, which play a critical role in determining the success of individuals, teams, and organizations. OBJECTIVE: We present a serious game that identifies the most sought-after skills in the job market and offers feedback, and we provide a set of guidelines for the creation of serious games. METHODS: We present the serious game Among the Office Criticality (AOC). The AOC game structure involves a set of sequence analysis techniques, which is known as process mining. RESULTS: The pilot study findings indicate that the game is both engaging and beneficial to subjects, suggesting that the results align with current theoretical perspectives. Furthermore, the study suggests that the obtained data can be extended to the broader population. CONCLUSIONS: This study illustrates a serious game structured according to the needs of the labor market and developed to put the user at the center, using evaluation techniques consistent with the literature, with the aim of constituting an interdisciplinary approach suitable for adequately assessing users and creating value for them.
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 | 0,000 | 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 ».