Enhancing Engagement in a Learning Management System through a Raffle Ticket System
Notice bibliographique
Résumé
Learning management systems (LMS) are essential components of courses, yet student engagement on these platforms remains a significant challenge. Traditionally, grades have been used to incentivize student engagement, but this approach comes with drawbacks. In this paper, we explored an alternative form of incentivization, gamification, that has gained traction in higher education. We implemented a gamified raffle ticket system aimed at enhancing asynchronous engagement with our LMS, Microsoft Teams, in a third-year undergraduate elective health sciences course during the fall 2023 semester. We defined engagement as students’ voluntary participation and interaction in LMS-related activities. Students earned raffle tickets for various participatory activities using the LMS—including making a post, replying to a thread, and reacting to posts—which were later entered into a drawing for prizes. Student participation in these activities was tallied and used as quantitative data of engagement. We recorded engagement metrics for three different semesters of the same course: fall 2023 in which the raffle ticket system was implemented; and fall 2021 and fall 2022 before the implementation of the raffle ticket system. Results indicated a substantial increase in engagement metrics following the raffle ticket system’s introduction. Our findings suggest that the gamified raffle ticket system effectively incentivized student engagement, fostering a more interactive and supportive online learning community in the LMS. Thus, this paper offers a framework for educators who are looking to adopt a gamification strategy into their own courses to engage students to interact in an LMS.
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 | 0,011 | 0,001 |
| 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».