Gamification and Gaming in Cryptocurrency Education: A Survey with Cryptocurrency Investors and Potential Investors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction In recent years, cryptocurrency has increasingly sparked interest among investors. Many people have invested in this field without adequate knowledge. Existing research has shown that using game design elements can be an effective method of education. Such learning interventions can potentially be a good match for educating market investors, as they provide risk-free simulations for novice investors to gain practical experience without having to be concerned about real financial losses. However, it is unclear how market investors perceive gamified and game-based learning interventions and whether they would adopt them for cryptocurrency education. Research Objectives Our study investigated market investors’ perceptions, needs and expectations regarding the integration of gamification and game-based learning interventions in cryptocurrency education. Methodology We conducted an online survey with n=413 participants, including experienced market investors and people who are interested in cryptocurrency. Within the survey, we presented the mock-ups of two cryptocurrency learning interventions: a gamified cryptocurrency learning application, and a cryptocurrency learning video game. Results From market investors’ perspectives, our study revealed the benefits and drawbacks of incorporating gamification and game design principles to facilitate learning cryptocurrency. We identified the need to develop dynamic, accessible, reliable, and community-building gamified and game-based cryptocurrency learning interventions. Conclusion From our findings, we propose guidance for the integration of gamification and games in cryptocurrency education, and we provide design recommendations for investor-specific cryptocurrency learning interventions.
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.
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 | 0,001 | 0,001 |
| 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 découle