Beyond Kahoot! Reflections and guidelines from a serial gamifying educator on when and how to effectively use games and game elements in anatomical education
Notice bibliographique
Résumé
According to Nietzsche, "In every real [adult], a child is hidden that wants to play." In everyday life, playfulness and competition can make routine or dull tasks more engaging and can offer educators opportunities to engage a learner in a more entertaining or interactive manner. Learning anatomy in a meaningful and comprehensive manner requires an ability to memorize an enormous volume of material and then applying the foundational content to make sense of it within real-world applications. Adding game elements or gamification within a teaching and learning space requires considerations by educators on the most effective use of their time, ability, and resources, as well as a clear understanding of the purpose of gamifiying their class or laboratory. Drawing upon 25 years of experience and feedback in implementing gamification and real games for anatomy learners in class, laboratory, and review, this article provides multiple examples and reflections/criteria for when gamification within a curriculum is value-added. The author offers approaches for targeting recall, team building, learner engagement through in-class knowledge checks and review sessions, game assignments, and even critical thinking using bespoke anatomy games addressing real-world application scenarios. Examples include several simple and low-tech options, adaptations of existing games, as well as commercial or custom games, which can be implemented as competitions. The author provides reflections and implementation recommendations for these approaches, the use of reward systems as well as web resources for building, adapting, or utilizing games outright.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».