MétaCan
Menu
Retour à la cohorte
Enregistrement W4389140734 · doi:10.1002/aet2.10907

Educator's blueprint: A how‐to guide for creating analog serious games for learning in medical education

2023· article· en· W4389140734 sur OpenAlexaff
Sarah Edwards, Lakshman Swamy, Michael Cosimini, Bjorn Watsjold, Teresa M. Chan

Notice bibliographique

RevueAEM Education and Training · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensMcMaster UniversityHamilton Health SciencesToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésBlueprintGame DeveloperGame designVideo game developmentGame mechanicsGame testingComputer scienceGame design documentCharterInclusion (mineral)MultimediaPsychologyEngineeringPolitical science

Résumé

récupéré en direct d'OpenAlex

Serious games are an emerging tool for teaching and learning within medical education. These games can be used to facilitate learning or to demonstrate complex concepts in short bursts of interactive learning. This educator's blueprint will provide 10 strategies for creating a serious game, focusing on card and board games. These strategies include creating a project charter; determining the nature of the game; establishing game mechanics; selecting the best medium; prototyping and playtesting; reviewing sensitivity to equity, diversity, and inclusion; reviewing and refining content; funding game development, manufacture, and distribution; marketing and publicizing the game; and future-proofing the game. This blueprint hopes to help aspiring serious game designers and educators to conceptualize the steps for successfully creating a new serious game for medical education.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,849
Score d'incertitude au seuil0,755

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,407
Écart entre enseignants0,362 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAEM Education and TrainingMême sujetEducational Games and GamificationTravaux en français237 207