論文の概要: Gamification Preferences in Digital Education: The Role of Individual Differences
- arxiv url: http://arxiv.org/abs/2603.13267v1
- Date: Thu, 26 Feb 2026 10:19:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 04:57:23.480173
- Title: Gamification Preferences in Digital Education: The Role of Individual Differences
- Title（参考訳）: デジタル教育におけるゲーミフィケーションの選好 : 個人差の役割
- Authors: Anna Katharina Ricker, Kai Marquardt, Lucia Happe,
- Abstract要約: 本研究では,デジタル教育におけるゲーミフィケーション要素の嗜好とユーザ特性と学習活動タイプとの関係について検討した。
年齢は最も一貫した嗜好の予測因子として出現し、続いてプレイヤーのタイプや性格の特徴が続いたが、ジェンダーや学習スタイルは比較的弱い関連性を示した。
- 参考スコア（独自算出の注目度）: 2.956729394666618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although personalization is widely advocated in gamified learning, empirical evidence on how learner characteristics and task context shape motivational preferences remains limited. This study examines how user characteristics and learning activity types relate to preferences for gamification elements in digital education. A large-scale quantitative survey (N = 530), including 34% underage participants, assessed preferences for 13 gamification elements in relation to Age, Gender, HEXAD Player Type, Big Five Personality Traits, Felder-Silverman Learning Styles, and Bloom-based Learning Activity Types. Inferential statistical analyses and exploratory machine learning techniques revealed systematic but generally small-to-moderate effects across parameters. Age emerged as the most consistent predictor of preference, followed by player type and personality traits, whereas gender and learning styles showed comparatively weaker associations. In addition, learning activity type significantly influenced the perceived suitability of gamification elements, indicating that motivational design is task-dependent. The findings suggest that gamification effectiveness cannot be reduced to universally motivating elements. Instead, preferences are shaped by the interaction of learner characteristics and instructional context. These results provide empirical grounding for adaptive and modular gamification strategies in digital learning environments.
- Abstract（参考訳）: ゲーミフィケーション学習においてパーソナライゼーションは広く提唱されているが、学習者の特徴とタスクコンテキスト形状の動機づけに関する実証的証拠は依然として限られている。
本研究では,デジタル教育におけるゲーミフィケーション要素の嗜好とユーザ特性と学習活動タイプとの関係について検討した。
34%の未成年者を含む大規模な定量的調査(N = 530)では、年齢、ジェンダー、HEXADプレイヤータイプ、ビッグファイブパーソナリティトラッツ、フェルダー・シルバーマン学習スタイル、ブルームベースの学習活動タイプに関連する13のゲーミフィケーション要素の選好を評価した。
推論統計分析と探索機械学習技術により、パラメータ間の体系的だが概して小から小の効果が示された。
年齢は最も一貫した嗜好の予測因子として出現し、続いてプレイヤーのタイプや性格の特徴が続いたが、ジェンダーや学習スタイルは比較的弱い関連性を示した。
さらに,学習活動タイプがゲーミフィケーション要素の適合性に大きく影響し,モチベーション設計がタスク依存であることが示唆された。
その結果,ゲーミフィケーションの有効性は普遍的な動機づけ要素に還元できないことが示唆された。
代わりに、好みは学習者の特徴と指導的文脈の相互作用によって形成される。
これらの結果は,デジタル学習環境における適応型およびモジュール型ゲーミフィケーション戦略の実証的基盤を提供する。
関連論文リスト
- Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [45.82081693725339]
大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。
しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
論文 参考訳（メタデータ） (2025-06-16T13:24:50Z) - Student-AI Interaction in an LLM-Empowered Learning Environment: A Cluster Analysis of Engagement Profiles [28.794946431719392]
本研究では,多エージェント LLM を用いた学習環境における多様な学習者のプロファイルについて検討した。
学生は様々な行動、認知、感情的なエンゲージメントの傾向を示す。
論文 参考訳（メタデータ） (2025-03-03T16:08:28Z) - Educational Customization by Homogenous Grouping of e-Learners based on their Learning Styles [0.4915744683251149]
学習スタイルに基づいたFelder-Silvermanモデルを用いて,類似学習者をグループ化する。
学習者の学習スタイルを識別することにより、共用的な学習グループを形成し、各グループが好み、ニーズ、才能、能力に基づいて適応的なコンテンツを受け取る。
教育的成功」の観点では、実験グループの重み付き平均スコアは20点中17.65点、制御グループは20点中12.6点である。
論文 参考訳（メタデータ） (2024-08-09T14:06:42Z) - Improved Performances and Motivation in Intelligent Tutoring Systems: Combining Machine Learning and Learner Choice [17.558814050941677]
大規模なクラスは、学校でパーソナライズされた学習に挑戦する。
ZPDESと呼ばれるAIによるパーソナライズシステムを提案する。
それは、各生徒の学習の進捗を最大化するエクササイズを列挙する。
論文 参考訳（メタデータ） (2024-01-16T13:41:00Z) - Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳（メタデータ） (2023-09-13T15:42:06Z) - Personalization, Cognition, and Gamification-based Programming Language
Learning: A State-of-the-Art Systematic Literature Review [0.13053649021965597]
計算機科学におけるプログラミングコースは、多くの学生にとって最初のコンピュータプログラミング入門であることが多いため、重要である。
現在の大学講堂でよく使われている学習モデルでは、モチベーションや学習への参加が欠如していることが多い。
本稿では,プログラミングコースにおける効果的パーソナライズされたゲーミフィケーション介入の設計と実装に関する知見を提供する。
論文 参考訳（メタデータ） (2023-09-05T05:14:23Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。
実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
論文 参考訳（メタデータ） (2023-05-15T16:02:56Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - Measuring Fairness Under Unawareness of Sensitive Attributes: A
Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。
定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文 参考訳（メタデータ） (2021-09-17T13:45:46Z) - Mind Your Outliers! Investigating the Negative Impact of Outliers on
Active Learning for Visual Question Answering [71.15403434929915]
視覚的質問応答のタスクにおいて、5つのモデルと4つのデータセットにまたがって、多種多様な能動的学習アプローチがランダム選択を上回りません。
アクティブな学習手法が好まれるが、モデルは学習に失敗する例の集まりである。
本研究では,アクティブ学習プールにおける集団外乱の減少に伴い,アクティブ学習サンプル効率が著しく向上することを示す。
論文 参考訳（メタデータ） (2021-07-06T00:52:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。