Development of a mobile application to increase motivation, engagement & teaching activity of clinical faculty using gamification principles
Notice bibliographique
Résumé
Background: Clinician teachers (CT) have historically felt undervalued and underappreciated. One technology used to increase motivation is gamification: the process of inserting elements of game-playing into activities that are not usually associated with games. We developed a mobile application that rewards CTs using in-app gamification techniques to increase CTs motivation. This program was implemented specifically in a regional campus setting, Mississauga, Ontario. Methods: A cross-platform application that rewards physicians for their clinical teaching hours was created. This consisted of a star grading criteria where each physician was awarded depending on the number of hours completed. End-user perceptions of the application were evaluated using a survey with a Likert scale and open-ended questions. Survey results were collated with descriptive statistics and thematic analysis. Results: The TutorTracker application was developed implementing a live gamification algorithm. It allows physicians to view their hours completed, rewards obtained, and add additional hours. The majority of CTs agreed or strongly agreed that the application was user-friendly, easy to navigate and enjoyed the rewards provided. Major themes that emerged were regarding additional features and full integration of such an application for rewarding teaching efforts. Conclusions: Gamification principles have been implemented in a cross-platform application allowing CTs to be rewarded for their teaching. The next steps would be to formally quantify the effects and advantages of using the application to increase the motivation of tutors.
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 | 0,004 | 0,002 |
| 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 ».