Evaluating the Impact of Serious Games on Study Skills and Habits
Notice bibliographique
Résumé
Learning is a constructive process that requires dedication and motivation. Learning games can be used to en-gage learners, by providing opportunities to apply knowledge in a safe and fun environment. We created a peer-quizzing game that allows students to quiz each other on the course material and to playfully engage in good study habits. We set out to explore if learners with better learning skills and habits would be more en-gaged in the game in the context of a first-year computer science university class. We used the "Study Skills and Habits Questionnaire" to study the relationship between study skills and habits (especially time management, concentration, goal setting, and comprehension) and engagement in a competitive version of a peer-quizzing game including a leaderboard. We collected and analysed gameplay data of the students (n=34), such as creating quiz questions and solving the questions created by their peers. The results of the data analysis showed a moderate positive correlation between study skills and habits (time management, concentration, goal setting, and comprehension) and the number of questions answered and a moderate negative correlation with the number of questions created in the game. However, the regression model was not statistically significant in explaining the variation in the dependent variable (questions created). Among the individual predictor variables, only goal setting had a statistically significant positive effect on the number of questions created. Other variables, such as time management, concentration, and comprehension, did not show significant effects on the number of questions created by students.
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 | 0,001 |
| 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) | 0,001 | 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; 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 ».