Klassifizierung des Lern- und Spielverhaltens bei Lernspielen

Klassifizierung des Lern- und Spielverhaltens bei Lernspielen

mastersthesis
Die Gesellschaft hat sich in den vergangenen Jahren zunehmend zu einer Informations- und Wissensgesellschaft entwickelt. Die Menge an verfügbarem Wissen nimmt rapide zu, disziplinübergreifendes Wissen gewinnt an Bedeutung und Fachwissen muss aufgrund rasanter Entwicklungen in immer kürzeren Zyklen aktualisiert werden. Informations- und Kommunikationstechnologien können wesentliche Beiträge zu Wissensentwicklungen bei einzelnen Personen leisten. Lernprozesse können mit diesen Technologien in mannigfaltigster Weise unterstüzt werden. Eine immer wichtigere Bedeutung kommt dabei den digitalen Lernspielen zu. Die Wissenschaft ist sich einig, dass die Motivation fürs Lernen und die Lerneffekte am höchsten sind, wenn die Lernenden in einen Flow-Zustand versetzt werden können. Mit Flow wird das lustbetonte Gefühl des völligen Aufgehens in einer Tätigkeit bezeichnet. Diese Diplomarbeit verfolgt das Ziel, verschiedene Vorlieben in Bezug auf das Lernen und das Spielen bei digitalen Lernspielen zu klassifizieren. Diese Klassifizierung baut auf dem Temperament Sorter von Keirsey und dem DGD1 Demografisches Modell von International HOBO auf. Anhand dieser Klassifizierung werden Empfehlungen abgegeben, wie die Vorlieben in digitalen Lernspielen umgesetzt werden können, um ein Flow-Erlebniss zu ermöglichen.
Maurus Stöckli
We are increasingly becoming a knowledge-based society in which available information increases gregariously, and this, in turn, spurs advancement in every imaginable discipline, shortening the discovery cycles. As we plunge ever more rapidly forward, we face the daunting challenge of keeping abreast of the newest enlightments. For individuals, learning processes supported by information and communication technologies make substantial contributions to knowledge expansion. One very significant tool in furthering this process are digital game-based learning games. It’s commonly accepted that the motivation for learning and effects of learning are highest, when the learner can be shifted into a condition of "flow". Flow refers to the delighted feeling of being completely taken up with an activity. This diploma thesis pursues the goal of classifying different preferences regarding learning and playing within digital game-based learning. This classification is set up on Keirsey’s Temperament Sorter and the DGD1 demographic model of International HOBO. On the basis of this classification recommendations are proposed on how the different preferences can be implemented into digital game-based learning games in order to support a flow experience.
Klassifizierung des Lern- und Spielverhaltens bei Lernspielen
2006
University of Zurich
ee