A 29‐Year (1994–2023) Bibliometrics Analysis of Usage of the Gamification in History Education
Notice bibliographique
Résumé
ABSTRACT Over the past two decades, gamification has emerged as a significant pedagogical approach in history education, attracting the attention of historians. This bibliometric study analyses 249 papers from 1994 to 2023, employing scientometric methods to identify trends, key authors, nations, institutions and highly cited documents. Data were processed using Microsoft Excel, Bibliometrix, Publish or Perish (PoP), and VOSviewer. Findings reveal a steady increase in publications, peaking at 26 articles in 2018. VOSviewer identified six research clusters focused on gamification, history education, and history teaching. Elementary school applications emphasise technology, enjoyment, and curiosity, while high school games prioritise analytical skills and critical thinking, utilising online databases, digital archives, and multimedia technologies. The COVID‐19 pandemic further accelerated the growth of the gaming industry, with video games gaining popularity for their roles in social interaction, education, and entertainment. The University of Murcia led in publications, followed by institutions in Greece, Brazil and Taiwan. The United States, Spain and Canada were the most productive countries, with scholars like Seng Yue Wong, Sara de Freitas, Christopher Peters and Panagiotis Petridis emphasising national and academic collaborations over international partnerships. Gamification enhances engagement in history education, but its implementation requires age‐appropriate integration of virtual and augmented reality technologies tailored to learners' developmental characteristics.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».