OYUNLAŞTIRMADA OYUN ELEMANLARININ KULLANIMI: ADIDAS MICOACH, KHAN ACADEMY, SUPERBETTER VE SWARM UYGULAMALARININ ÖRNEK OLAY YÖNTEMİ İLE İNCELENMESİ
Bibliographic record
Abstract
Bu çalışma, oyun elemanlarının oyunlaştırmada kullanımına odaklanmaktadır. Oyunlaştırma, oyun tasarım unsurları (elemanları) ve esaslarının gerçek dünyaya ve oyun olmayan içeriğe aktarılmasıdır. Bu açıdan oyun elemanları oyunlaştırmanın temelini teşkil etmektedir. Oyun literatüründe oyun sistemini meydana getiren parçalar olarak ifade edilen oyun elemanları ile ilgili çok az ampirik çalışma bulunmaktadır. Oyunlaştırmaya dönük çalışmalar ise, daha başlangıç aşamasında olup, bu konuda kurumsal bir çerçevenin eksikliği hissedilmektedir. Bu doğrultuda bu çalışmada oyun elemanlarının oyunlaştırmada kullanımı dört örnek olay üzerinden incelenerek; oyun elemanlarının varlığı, birbirleri ile etkileşimi ve uygulamalarda kullanım biçimleri incelenmiştir. Çalışmada öncelikle oyun elemanlarının neler olduğu, literatür araştırmasında ortaya koyulmuş ve araştırma bölümünde elde edilen bilgiler ile geliştirilmiştir. Konuyu derinlemesine inceleme imkanı verdiği için çalışmada nitel örnek olay incelemesi yöntemi tercih edilmiştir. Uygulamalar arasında karşılaştırma yapabilme imkanı tanıdığı için dört farklı kategoride oyunlaştırma uygulaması araştırmaya dahil edilmiştir. Araştırma sonunda elde edilen bulgular çerçevesinde dört uygulamada da birçok oyun elemanının bulunduğu ancak gözlemlenen oyun elemanlarının tüm uygulamalarda aynı oranda kullanılmadığı, bazılarının daha çok öne çıktığı görülmüştür. Bunun yanı sıra oyun elemanlarının birbirleri ile ilişkili biçimde işlediği ve oyunlaştırmayı birçok parçadan oluşan bir bütün olarak yansıttıkları tespit edilmiştir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".