MétaCan
Menu
Retour à la cohorte
Enregistrement W4409148984 · doi:10.1080/10494820.2025.2479176

How does technology-based embodied learning affect learning effectiveness? – Based on a systematic literature review and meta-analytic approach

2025· article· en· W4409148984 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueInteractive Learning Environments · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNational Office for Philosophy and Social Sciences
Mots-clésAffect (linguistics)Embodied cognitionSystematic reviewEducational technologyPsychologyKnowledge managementComputer scienceMathematics educationArtificial intelligenceMEDLINEPolitical science

Résumé

récupéré en direct d'OpenAlex

With the in-depth research on embodied learning in educational psychology, technology-based embodied learning (TBEL) has gained widespread popularity in the field of education. However, the impact of TBEL on learning efficiency remains controversial. The objective of this study is to determine the effect of TBEL on learning efficiency and identify the main factors influencing this efficiency. The research method employed is a systematic literature review and meta-analysis of 44 relevant English papers published over the past decade. The study found that TBEL has a statistically significant positive effect on learning outcomes (SMD = 0.41, p < .01). Four moderators—educational level, subject, type of embodiment, and experiment duration—have significant moderating effects on learning outcomes. Therefore, technology-based embodied learning can effectively improve students' learning effectiveness. In the future, efforts should be made to deepen and expand multidimensional embodied learning, providing guidance and inspiration for global educational practices.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,697
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,314
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle