Exploring the Benefits and Challenges of Digital Game-Based Learning for K-12 Students: A Narrative Review of the Literature
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many K-12 students struggle to stay motivated and engaged in traditional K-12 classrooms. Digital game-based learning (DGBL) has emerged as a promising pedagogical strategy to increase student engagement, motivation, and academic performance. Numerous literature reviews have explored the use of DGBL; however, many are dated, narrowly focused on specific subject areas or outcomes, or include mixed-age populations, limiting their relevance for current K–12 contexts. This narrative review explored the benefits and challenges of digital game-based learning (DGBL) in K–12 education by analyzing 22 peer-reviewed studies published between 2010 and 2025. Drawing on a scoping review methodology and inductive thematic analysis, the review identified five key benefits of DGBL: enhanced student attitudes toward learning, increased extrinsic and intrinsic motivation, improved self-efficacy, and greater domain knowledge acquisition. Two key challenges emerged: the negative effects of competitive game mechanisms (e.g., leaderboards) and inconsistent student acceptance of DGBL as a viable educational approach. The review emphasizes the need for thoughtful pedagogical design that balances motivational elements with inclusive, supportive practices. Educational implications include aligning games with curricular goals, scaffolding student learning, and promoting digital game literacy. Future research should focus on effective pedagogical strategies, teacher support, curriculum integration, inclusive practices, and the development of robust evaluation tools to evaluate DGBL’s impact in K–12 contexts.
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.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 découle