Penerapan Dpe Framework Dalam Perancangan Serious Game Bagi Pengidap Kebutaan Nada
Bibliographic record
Abstract
Kebutaan nada, atau yang dikenal sebagai congesti amusia, adalah jenis ketidakmampuan seseorang untuk bernyanyi dengan nada yang benar. Kebutaan nada juga berpengaruh pada kemampuan berbahasa pada diri seseorang. Hal ini dikarenakan kemampuan bermusik dan berbahasa mencakup banyak dari regional otak yang sama. Kebutaan nada dapat dideteksi melalui tes yang menerapkan metode montreal battery, yaitu metode yang digunakan untuk mengetahui kemampuan seseorang dalam membandingkan tinggi rendahnya nada serta mengenali pola naik turunnya. Berdasarkan permasalah di atas, kemudian dirancang serious game yang bertujuan untuk terapi bagi pengidap kebutaan nada. Perancangan serious game ini menerapkan DPE (Design, Play, Experience) framework yang membagi perancangan menjadi beberapa lapisan. Lapisan-lapisan tersebut antara lain: learning layer, storytelling layer, gameplay layer, user experience layer, dan technology layer. Dengan model perancangan iterasi berdasarkan DPE framework, diharapkan mampu meningkatkan kesuksesan tujuan pembelajaran pada serious game tanpa mengesampingkan faktor kegembiraan di dalamnya. Pengujian yang dilakukan dalam perancangan serious game ini berfokus pada penilaian kemanfaatan dari tujuan pembelajaran serta faktor kegembiraan yang terkandung di dalamnya. Kedua pengujian tersebut adalah play test dan uji kompetensi kebutaan nada. Pada pengujian play test, akan digunakan angket sebagai alat ujinya, berisi pertanyaan-pertanyaan berkaitan dengan ketertarikan pemain terhadap konten dan ide dari permainan. Pada pengujian kompetensi, peserta akan dianalisis peningkatan kemampuannya dalam mendeskriminasi nada, yang direpresentasikan oleh skor dari hasil tes kebutaan nadanya. Dari kedua hasil pengujian yang dilakukan, dapat disimpulkan bahwa serious game yang dirancang telah memenuhi tujuan pembelajaran serta faktor kegembiraan yang merupakan esensi dari sebuah permainan.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.007 |
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".