The Impact and Acceptance of Gamification by Learners in a Digital Literacy Course at the Undergraduate Level: Randomized Controlled Trial
Notice bibliographique
Résumé
Background: In recent years, the integration of technology in education has revolutionized traditional learning paradigms. Digital literacy, a crucial skill in the 21st century, has become a vital aspect of modern education, enabling students to navigate, critically assess, and effectively use digital tools. As educators strive to boost engagement and learning outcomes, gamification has appeared as an auspicious pedagogical approach. By applying game mechanics to nongame contexts, gamification seeks to create a more immersive and digital learning experience. Objective: This research paper aims to investigate the impact and acceptance of gamification by learners in a digital literacy course at the undergraduate level. Methods: In a pre-post intervention study, 168 undergraduate students were randomly assigned either to the experimental group (gamification based) or control group (conventional) learning condition. Both groups of participants learned the same topics in digital literacy. Results: Empirical findings showed that participants from the experimental group had better academic performance in digital literacy than those who were not exposed to the game-based learning environment. The participants' prior experience with gamification was not found to be a significant predictor of their acceptance of gamification in a digital literacy course. Conclusions: The study provides evidence supporting the potential benefits of gamification in enhancing digital literacy education and opens the door for further exploration and implementation of gamified learning approaches in higher education settings.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».