Game and Simulation Stimulate Conceptual Change about Molecular Emergence in Different Ways, with Potential Cultural Implications
Notice bibliographique
Résumé
Many undergraduate students hold robust misconceptions about the emergent nature of molecular processes, believing them to be directed rather than random. Interactive simulations might help transform such misconceptions by visualizing stochastic processes in a time-independent medium and enabling students to manipulate the environment to test their naïve hypotheses. Furthermore, game-based learning (GBL) might enhance the effectiveness of such simulations by promoting productive negativity (PN), i.e., learning from failure. In a randomized controlled trial with pre-test, post-test and delayed one-year follow-up, undergraduates (n = 84) engaged with either a GBL or interactive simulation (SIM) environment for 20–45 min and were compared to a baseline group (n = 138). GBL (p = 0.035) and SIM (p = 0.069) resolved more misconceptions than baseline but did not differ from each other (p = 0.992). GBL group also trended toward more positive long-term conceptual change. In-game interactions generated in response to PN were predictive of conceptual change in the GBL group alone, suggesting that PN may only be effective when supported by game design. Participants’ native English-speaking status had a moderating effect, with native-speakers performing well in GBL and poorly in SIM environment, while the opposite was true for non-native-speakers, which, as discussed herein, may be aligned with cultural differences in acceptability of GBL. The GBL intervention generated longer voluntary use (p = 0.005), especially amongst frequent game-players. The results inform how GBL/SIM approaches can implement PN as a mechanism for conceptual change about molecular emergence.
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 | 0,001 |
| 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 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 ».