Digitaaliset pelit ja pelillistäminen pianonsoiton luokkahuoneoppimisessa
Bibliographic record
Abstract
Pelillisen oppimisen avulla pyritään lisäämään oppimisen kokemuksellisuutta, mm. uppoutumista, sitoutumista ja flow’ta, joita pelejä pelatessa usein koetaan. Oppimispelien ja pelillistämisen avulla pelien herättämät positiiviset tuntemukset saattaa olla mahdollista siirtää oppimiseen näin myös parantaen oppimistuloksia. Tässä maisterintutkielmassa perehdyn pelillisen oppimisen keinoihin pianonsoiton oppimisen näkökulmasta. Pianonsoiton opetus luokkahuoneessa on haastavaa, sillä soittimia ei usein riitä kaikille ja vuorojen jakaminen vaatii paljon aikaa. Alati kehittyvä kannettava teknologia tarjoaa mielenkiintoisen mahdollisuuden käyttää MIDI-koskettimistoja ja mobiililaitteita äänentuottamiseen ja soittoon. Pelillisyys taas luo mahdollisesti hauskan ja sitouttavan tavan opettaa pianonsoittoa luokassa oppilaille jo pienestä pitäen. Toteutin tutkielman aineistonkeruun syksyllä 2016 tavallisessa peruskoulun 2. luokassa. Testasimme pianonsoiton pelillistä oppimista kolmen viikon ajan yhdessä oppilaiden ja luokan opettajan kanssa Yousician-soitonoppimispelin sekä suunnittelemani pelillistämistä hyödyntävän Piano Master-oppimateriaalin avulla. Pelaamisessa hyödynsimme kannettavan musiikki- ja mobiiliteknologian lisäksi Musatorneja. Pelillisyys ilmiönä ei sinänsä ole uusi, mutta pelipedagogiikka ja digitaaliset oppimispelit ovat vasta tekemässä tuloaan oppilaitoksiin. Tutkielmani nostaa esiin näkökulmia pelillisen oppimisen mahdollisuuksista ja kehittämiskohdista sekä digitaalisen oppimisympäristön käytöstä. Pelien rakenteelliset ominaisuudet ovat suorastaan ihanteelliset opetuskäyttöön, mutta pelillinen oppimateriaali ei ole itseriittoinen, vaan olennaista on opettajan rooli ohjaajana sekä pelillisen opetuksen suunnittelijana ja toteuttajana.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.074 | 0.025 |
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".