Can Gamification Change Learners’ Ability and Motivation? Role of Eustress in the Context of Gamified ERP Training
Notice bibliographique
Résumé
Gamification, using game elements in nongame contexts, is widely recognized for its efficacy in training individuals within organizational and academic environments.Specifically, it has gained significant attention in training to operate complex systems like enterprise resource planning (ERP).However, research has generally overlooked how gamified training changes users' ability and motivation through eustress (challenging and positive stress).To address this gap, this study proposes that gamified training can increase users' ability and motivation.Self-efficacy and involvement are examined as representations of ability and motivation, respectively.Furthermore, we hypothesize that users' pre-training self-efficacy and involvement positively affect eustress experienced during gamified training, subsequently affecting post-training self-efficacy and involvement.To test research hypotheses, data were collected from 205 graduate students who participated in an ERP simulation game.The findings indicate a significant increase in self-efficacy and involvement after gamified training, substantiating the potential of gamification to enhance these aspects.Moreover, the study demonstrates that initial self-efficacy in learning ERP systems influences the experience of eustress during gamified training, ultimately impacting post-training self-efficacy and involvement.Our research sheds light on the transformative impact of gamified training and eustress in learning complex systems, providing valuable insights for gamification implementation in training 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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».