Why this app: How user ratings and app store rankings impact parents’ choice of educational apps
Notice bibliographique
Résumé
Parents should look for benchmarks of educational quality (curriculum, feedback, scaffolding, learning theory, and development team) to distinguish good apps from the abundance of poor-quality apps available in mobile app stores. If parents instead base their choices on user ratings or the app's ranking in the top charts of the education category, they risk selecting apps that do not offer quality educational experiences for their children. Thus, the present study investigates how ratings, rankings, and educational benchmarks impact parents' choices of educational apps. One-hundred and forty-nine parents of children in kindergarten to grade 6 viewed and evaluated 18 researcher-created educational math app pages. Results from a repeated-measures MANOVA and non-parametric tests revealed that parents were more likely to download, pay more for, and rate apps higher when they had positive user ratings, with a large effect, and parents generally preferred apps with bottom rankings, with a medium effect. Yet, the effect of educational benchmarks on parents' decisions was unclear. This study demonstrates an important problem in parents' app selection: when user ratings are available in app stores, parents rely heavily on this poor source of evidence of educational quality to choose apps for their kids. To address this, researchers should develop trainings and guidelines to help parents evaluate educational quality, and app stores should improve their rating and ranking systems to facilitate the selection of high-quality educational apps.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».