Solving the Chemistry Puzzle—A Review on the Application of Escape-Room-Style Puzzles in Undergraduate Chemistry Teaching
Notice bibliographique
Résumé
Active learning techniques are taking the classroom by storm. Numerous research articles have highlighted the benefits of active learning techniques on student understanding, knowledge retention, problem solving, and teamwork. One avenue to introduce active learning into the classroom is the gamification of course learning content. Educational escape rooms are one such example in which students solve a series of puzzles related to course content to “escape” within a set time frame. Escape games play an interesting role in motivating students, building communication skills and allowing for multimodal learning, having been shown to increase students’ test results and enjoyment of the course content. In lieu of the traditional escape room format, a fully immersive room(s) with classical escape room puzzles (finding items, riddles, alternative locking mechanisms) is used alongside learning activities, and educators have begun to develop truncated activities for easier applications in larger classrooms. In this review, we explore several escape room activities: immersive, paper-based, Battle Boxes, condensed escape activities, and online/virtual, providing examples of the types of puzzles included therein. We similarly discuss the creation of escape room materials and recommendations for the interested educator, as well as the learning benefits of engaging in puzzle development. Finally, we provide an overview on methods to assess active learning through escape rooms, establishing an overview of empirical evidence towards their effectiveness as a learning tool.
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 | 0,002 | 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 | 0,001 | 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 ».