Making Sense of Virtual Risks: A Quasi-Experimental Investigation into Game-Based Training
Notice bibliographique
Résumé
Along with the rise of digital games over the past decades came an increased interest for using games for other purposes than entertainment. Although a few successes are known, much research seems to suggest little evidence for games’ advantages. Existing literature claims that more studies are needed that investigate the effective design and use of games and especially studies that are comprehensive, rigorous, and innovative. To contribute to this emerging field, the author investigated the case of Levee Patroller. The target audience of the game, levee patrollers, are considered the “eyes and ears” of the Dutch water authorities. They inspect levees and report any risks they encounter. Similarly, in the game players have to find all virtual failures in a region and report these. If they do not find the failures in time or report them incorrectly, it could result in a levee breach that floods the whole virtual region. Using this game an innovative game-based training was set up to prove its effectiveness in training inspection knowledge and skills, and to understand the contributing factors. In total 147 levee patrollers from 3 water authorities in the Netherlands participated in a structured 3-week training which was evaluated using a quasi-experimental design with a mix of quantitative and qualitative methods. The results highlight a successful training. Clear evidence was found that the patrollers improved on their inspection knowledge and skills. But because how players performed in the game is most crucial for the game’s success as a training tool, future research should consider game design, data, and performance more elaborately.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».