"Games are lit”: The affective and pleasurable reading of narrative-based video games as complex texts and implications for English language arts curriculum and pedagogy
Notice bibliographique
Résumé
The past two decades have seen a steady decline in reading motivation, performance, and enjoyment in adolescent learners as they progress through secondary school. This has been attributed to current majoritarian tendencies in English Language Arts courses that honour archaic notions of literacy and literary text, and fail to instill a love of reading and lifelong reading habits in young pupils. Exploring an alternative to these common approaches, this thesis research seeks to delineate the ways in which narrative-based video games can be read as complex, multimodal texts to foster affective engagement and opportunities for pleasurable reading. Meeting weekly over the course of a two month-long period at a youth center in Montréal, Canada, study participants played through Persona 5 (2016): a video game largely centered upon complex storylines, narrative-based technique, and themes commonly found in young-adult literature. With an affect-based perspective and relational materialist methodological approach employed, data were examined according to the unit of analysis of felt focal moments. These methods captured the ways in which meaning-making with new media was an ever-evolving, unpredictable, and embodied process allowing collaborative and felt literacy events to come into being. Findings were utilized to inform an effective and affective pedagogy serving as a tool for English Language Arts educators to better harness the tremendous potential for engaging adolescent students with narrative-based video games. This thesis study addresses a gap in existing research and sets a precedent for future studies to expand knowledge of meaning-making and engagement with new media texts in educational settings
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 | 0,002 | 0,003 |
| 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 | 0,002 | 0,004 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».