Updating the Foodbot Factory serious game with new interactive engaging features and enhanced educational content
Notice bibliographique
Résumé
Serious games (i.e., digital games designed for educational purposes) can foster positive learning attitudes and are increasingly used as educational tools. Foodbot Factory is a serious game application (app) that helps children learn about healthy eating based on Canada’s Food Guide principles and has demonstrated to increase nutrition knowledge among this group. This paper describes the process followed to expand Foodbot Factory’s educational content and integrate immersive technologies and innovative features into the app. The revision process, which was guided by the Obesity-Related Behavioral Intervention Trials model, included the following phases: first, an interdisciplinary team of nutrition scientists, education experts, and computer scientists analyzed data from the original pilot study, recently published literature, and feedback from stakeholders to define areas to improve Foodbot Factory. The five original Foodbot Factory modules were evaluated by the team during weekly meetings, where the educational content, interactive features, and other elements that required updates (e.g., aesthetics and accessibility) were identified. Second, prototypes were created and refined until a final version of Foodbot Factory was approved. Nineteen children tested the updated Foodbot Factory and found it “easy to use” (89%) and “fun” (95%). The new version of Foodbot Factory contains 19 learning objectives, including 13 original and six new objectives. Interactive engagement features in the updated Foodbot Factory included augmented reality incorporated into two learning modules; new mini-games were created, including a memory game; an overhaul of the aesthetics; (e.g., new food images); and accessibility features were included to support users with cognitive and vision disabilities.
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) | 0,000 | 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 ».