Learning English Literacy through Video Games: A Multimodal Perspective
Notice bibliographique
Résumé
Multimodal analysis in learning English literacy is meant to be an eye-opener for future research related to video games as didactic tools as they are comparatively less studied, although there has been rapid growth in the multimedia industry in the past decades. The data in the present study were taken from three different video game genres: Role Playing Game (RPG), Multiplayer Online Battle Arena (MOBA), and FPS (First Person Shooter), with two different titles for each genre. The data examined in this study were elements of composition and ten student game players. The compositional features in the collected data from the respective footage of the video games were based on a visual grammar by Kress and Leeuwen (2006) This research utilized the interactive model of qualitative data analysis by Miles, Huberman, and Saldana (2014) in analyzing the compositional features. It consists of three parts: data condensation, data display, and drawing and verifying conclusion. After analyzing the composition, the players were interviewed to gather the vocabulary learned through the process of playing the games. This study found that in terms of composition features: 37 elements of information values, 37 saliences, and 36 framings. It can be concluded that these genres own more maximum disconnection framing than maximum connection. However, these students categorized fighting genre and shooting genre elements without centered information value. The implications of the study towards learning the English language are: in the first place, video games can be one the useful media to teach students reading and speaking literacy skills, especially vocabulary and historical knowledge. Secondly, these games help the players acquire the English language subconsciously and make them enjoy the learning process.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».