Science at Play: Assessing Learner Agency in a Game-Based Virtual Inquiry Environment
Notice bibliographique
Résumé
Game-based learning environments (GBLEs) rarely combine support for learner agency with rigorous, embedded assessment. This study reports on the design and pilot implementation of ALIVE (Agency for Learning in Immersive Virtual Environments), a virtual inquiry environment that integrates the Agency for Learning (AFL) and Evidence-Centered Game Design (ECGD) frameworks. Nine middle and high school students completed a scaffolded ecological investigation requiring evidence collection, hypothesis testing, and causal explanation. Data included concurrent think-aloud protocols, gameplay interaction logs, and brief end-of-session feedback questions. Triangulated analyses captured both convergence and divergence between self-reported and observed agency, revealing intentional decision-making, iterative reasoning, and adaptive strategy shifts supported by nonplayable characters, digital tools, and just-in-time feedback. Findings indicate that the AFL-ECGD integration provides a replicable approach for aligning learner autonomy with competency-based assessment in immersive contexts. While limited by the small sample and single-session exposure, the study advances theoretical accounts of agency in game-based learning and demonstrates a multisource methodology for investigating inquiry processes. Design implications include sequencing tasks to elicit intentionality and forethought, embedding adaptive scaffolds to support self-regulation and reflection, and logging process data for competency-aligned interpretation. Future work should examine scalability, longitudinal outcomes, and domain transfer.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».