Gamification in Online Education: A Visual Bibliometric Network Analysis
Notice bibliographique
Résumé
This study applies bibliometric and network analysis methods to map the literature-based landscape of gamification in online distance learning. Two thousand four hundred and nineteen publications between 2000 and 2023 from the Scopus database were analyzed. Leading journals, influential articles, and the most critical topics on gamification in online training were identified. The co-authors’ analysis demonstrates a considerable rise in the number of nations evaluating research subjects, indicating increasing international cooperation. The main contributors are the United States, the United Kingdom, China, Spain, and Canada. The co-occurrence network analysis of keywords revealed six distinct research clusters: (i) the implementation of gamification in various learning contexts, (ii) investigating the application of gamification in student education to promote the use of electronic learning, (iii) utilizing artificial intelligence tools in online learning, (iv) exploring educational technologies, (v) developing strategies for creating a playful learning environment, and (vi) understanding children’s learning processes. Finally, an analysis of the most cited articles identified three research themes: (a) gamification-based learning platforms, (b) measurement of users’ appreciation and satisfaction, and (c) 3D virtual immersive learning environments. This study contributes to the subject discipline by informing researchers about the latest research trends in online education gamification and identifying promising research directions.
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 | 0,018 | 0,053 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».