Impact of Gamified eLearning on Learning Outcomes for Municipal Employees Aged 50 and Over in Ontario, Canada: An Experimental Study
Notice bibliographique
Résumé
The purpose of this quantitative, experimental, causal-comparative, posttest-only, control-group study is to determine if there is a difference in system enjoyment, effort expectancy, and performance expectancy for male and female employees aged 50 years or older at a corporate municipality in Ontario, Canada who participated in eLearning programs with and without game elements. The sample consisted of 38 male and 64 female employees aged 50 years or older who participated in eLearning and then completed an Extended Unified Theory of Acceptance and Use of Technology questionnaire. Data from the questionnaires was analyzed using a two-way multivariate analysis of variance. The results of the study indicated that the interaction effect between gender and eLearning type (gamified vs. non-gamified) on system enjoyment, effort expectancy, and performance expectancy was not statistically significant; the main effect of eLearning type (gamified vs. non-gamified) on system enjoyment, effort expectancy, and performance expectancy was statistically significant; and the main effect of gender on system enjoyment, effort expectancy, and performance expectancy was not statistically significant. The conclusions of the study are that gamification strategies can be applied broadly across male and female municipal employees aged 50 or older without significant variation in impact. Game elements in eLearning programs may influence user perceptions of system enjoyment, effort expectancy, and performance expectancy, but this effect does not vary significantly by gender. Future research should include using a larger sample, extending the duration of the study, and designing a mixed study with both quantitative and qualitative instruments.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».