Engaging Engineering Education: A Gamification-Based Learning Approach
Notice bibliographique
Résumé
This work-in-progress research-to-practice paper introduces the Gamified Learning Puzzle (GLP) platform to enhance student engagement and learning effectiveness in engineering education through gamification. The GLP platform design is tailored towards the sequential and prerequisite-based nature of engineering courses whilst being extendable to other disciplines as well. The platform is developed as a web-based application, removing the need for learners to be in a specific location or use a particular device. The back-end development utilizes the Django framework, chosen for its feature-rich environment, and MySQL for robust database management. Key gamification elements such as “Points”, “Levels/Iteration”, and “Feedback” are integrated into the design to enhance the learning experience. The platform consists of two main components, the Instructor Interface and the Learner Interface. The Instructor Interface allows the course instructor to populate a question bank, organize these questions by topic, and create levels within each topic that increase in difficulty. It also enables the specification of prerequisite relationships between levels. The Learner Interface includes an uncompleted jigsaw puzzle that reveals its pieces as learners progress through the game. Preliminary trials will involve the integration of the platform into select engineering courses at a pilot level, refining the plat-form based on feedback obtained from focus groups. To measure impact on students' learning experience and learning outcome, comprehensive surveys and study of pre- and post-exposure grades will be conducted. Further plans include integrating AI algorithms to provide learners with personalized feedback and assist instructors in generating content.
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 | 0,000 |
| 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) | 0,001 | 0,001 |
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 ».