Gamifying anatomy outreach: An underexplored opportunity
Notice bibliographique
Résumé
This article explores the underutilized potential of incorporating gamified approaches into anatomy outreach initiatives. While gamification and game-based learning approaches have been widely adopted in formal educational settings, there is a surprising lack of research on their application for community-based public engagement with anatomy. We emphasize the importance of involving community partners from the outset to co-design gamified outreach activities. A collaborative approach tailors the final products to the needs, preferences, and resources of the target audiences. By actively involving end users, co-design fosters a sense of ownership, relevance, and long-term sustainability for the educational resources. This article also presents a practical guide for evidence-based implementation of gamified anatomy outreach, drawing on key learning theories. We discuss strategies for supporting participant motivation and fostering an optimal "flow" state, as well as principles of cognitive load theory and social learning. We also apply each of these theoretical frameworks to illustrative examples, demonstrating how gamified learning can enhance the accessibility, engagement, and retention of complex anatomical concepts. We conclude by presenting practical distinctions between implementing gamified approaches in academic versus community settings, highlighting considerations around technology, resources, and audience diversity. By bridging the gap between gamified learning research and public engagement principles, this article aims to provide practical guidance for anatomy educators, outreach coordinators, and game designers seeking to create more accessible, equitable, and impactful experiences for their communities.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».