Collaborating with Educators
Notice bibliographique
Résumé
Scholars have acknowledged the contribution of video gaming to complex forms of learning, identifying links between gaming and engagement, experiential learning spaces, problem-solving, strategies, transliteracy reflectivity, critical literacy, and metacognitive thinking. Despite this movement toward the inclusion of video gaming in literacy teaching, concerns about certain risks raised by scholars have slowed the adoption of video games to foster learning. Existing research in video gaming practices, especially for boys, tend to focus on risks associated with boys’ gaming choices. For example, boys who interact with video games and apply that knowledge to in-school practice are considered problematic due to scholars’ significant reservations about stereotypical themes (such as themes of power, violence and misogyny) embedded in video game plots and characters. Despite this, research continues to emerge offering insights to educators that gaming and literacy are not on opposite ends of the literacy learning spectrum but rather represent a highly unified multimodal foundation (Beavis, 2012; Gee, 2014; Squire, 2013; Steinkuehler, Squire, & Barab, 2012). Therefore, in this chapter I present some of my findings from my multi-case ethnographic study which examined the unique experiences of four boys engaged with video gaming in two different contexts: a community center and an after-school video club. This chapter also addresses how researchers can collaborate with school educators to support practical classroom strategies using multiliteracies resources, such as the Learning by Design framework (Cope & Kalantzis, 2016).
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 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,014 | 0,010 |
| Science ouverte | 0,002 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,071 | 0,035 |
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 ».