Phishing Awareness through Game-Based Learning: A Mobile-Responsive Web Application for Middle School Learners
Notice bibliographique
Résumé
This study aimed to design a phishing-focused learning approach for middle school learners using a game-based educational format. The objective of this project is to (a) study and develop an educational game to enhance knowledge about phishing emails, (b) compare the academic results before and after learning, and (c) evaluate the acceptability of the educational game to enhance knowledge about phishing emails. The sample group used in this study was 130 from seventh-grade students in School A, Nonthaburi Province, Thailand. To create a game-based learning model focused on phishing emails, the researchers opted for a spot-the-difference game format. The game leveraged the fact that learners were already acquainted with the game’s rules and had prior experience playing it. Furthermore, the game is web-based, enabling learners to engage with it at their convenience, regardless of location or time. The research instruments were (a) a phishing-awareness educational game, (b) preand post-assessment tools to evaluate knowledge gain, and (c) a questionnaire measuring students’ acceptance of game-integrated instruction. The study’s results indicated a high level of learner approval for the phishing-focused instructional model that employed gamified techniques. This acceptance was evident in terms of both the perceived ease of use and the convenience associated with the learning process. Additionally, learners reported significant benefits derived from engaging with the game, including various elements that effectively supported and enhanced their learning outcomes related to phishing emails, resulting in a marked improvement compared to their prior knowledge.
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 | 0,002 |
| 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 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».