The role and scope of gamification in education: A scientometric literature review
Notice bibliographique
Résumé
Gamification - the use of game elements in non-game contexts - represents a promising solution to enhance motivation and engagement in education. Traditional lecture-based teaching has been increasingly viewed as insufficient for effective learning, promoting interest in gamified education to sustain student engagement and foster a positive learning environment. This study presents a comprehensive scientometric literature review on the use of gamification in education, analyzing 9163 manuscripts and over 300,000 references from the Scopus database. Through document co-citation analysis, author co-citation analysis, and keyword co-occurrence analysis, the review identifies the most influential publications, authors, and research trends shaping the field. The findings reveal a research trend that initially focused on game design and best practices but has shifted towards systematic literature reviews and evaluations of gamification's educational effectiveness. Six key research clusters emerged: gamified learning experience, student learning, K-12 education, science education, gamification effectiveness, and gaming elements. The study highlights the growing application of gamification in STEM and formal K-12 education, as well as the increasing relevance of online and personalized learning environments. The review also emphasizes significant research gaps, particularly concerning the long-term impact of gamification, the isolated effects of individual game elements, and the need for improved research methodologies. This review offers a research agenda for future studies, calling for more rigorous, context-sensitive research that better addresses the complexity of gamified learning environments.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».