奖励还是不奖励:虚拟奖励的解释如何影响游戏化学习中的内在动机
游戏化设计(Gamification)智能辅导系统与学习分析大学教授与研究人员在线课程设计师
文献标题
To reward or not reward: how the interpretation of virtual rewards affects intrinsic motivation in gamified learning
出版信息
- 主题领域: 虚拟奖励对游戏化学习环境中内在动机的影响。
- 关键词: 游戏化、虚拟奖励、内在动机、认知评价理论(Cognitive Evaluation Theory)、自主满意度、能力满意度、Duolingo、人机交互(HCI)、教育技术、自我决定理论(Self-Determination Theory)。
背景与问题
- 问题/挑战: 虽然游戏化广泛用于提升学习动机,但虚拟奖励的解读及其对内在动机的影响仍未被充分探索。以往研究通常将奖励视为二元选择(使用或避免),而未考虑其功能性意义。
- 重要性: 了解虚拟奖励如何影响内在动机可以为游戏化学习系统的设计提供指导,从而更好地支持用户参与和满意度。
- 动机与相关研究: 认知评价理论(CET)指出,奖励的感知信息性或控制性意义可能增强或削弱内在动机。然而,CET在游戏化学习环境中对虚拟奖励的应用仍然有限,尚未充分理解这些奖励如何影响自主和能力满意度。
解决方案
- 提出的方法: 本研究应用CET,探讨学习者对游戏化学习应用Duolingo中虚拟奖励的解读如何预测内在动机。
- 创新点:
- 将CET扩展到游戏化学习环境中的虚拟奖励。
- 区分奖励的信息性和控制性意义在预测心理需求满意度中的作用。
- 提供虚拟奖励与自主、能力满意度及内在动机关系的实证证据。
- 提出基于奖励的游戏化系统设计启发。
- 研究程序与关键技术:
- 对162名活跃的Duolingo用户进行横断面调查。
- 使用经过验证的量表测量构念(信息性/控制性意义、自主/能力满意度、内在动机)。
- 使用偏最小二乘结构方程模型(PLS-SEM)分析构念之间的关系。
结果
- 具体发现:
- 奖励的信息性意义对能力满意度有正向预测作用(β = 0.67, p < 0.05)。
- 自主满意度(β = 0.25, p < 0.05)和能力满意度(β = 0.55, p < 0.05)均对内在动机有正向预测作用。
- 奖励的控制性意义对自主满意度无显著影响(β = 0.08, p > 0.05)。
- 模型解释了能力满意度44%的方差和内在动机56%的方差。
- 相较基线的优势: 证明虚拟奖励的解读而非其单纯存在决定了其对内在动机的影响。
- 实验/评估:
- 参与者: 162名Duolingo用户(年龄19–67岁,M = 32岁,SD = 10岁)。
- 数据收集: 包含Likert量表项目和定性回答的调查问卷。
- 评估指标: 路径系数、R²值及结构模型的预测能力。
- 局限性与未来工作:
- 由于研究聚焦于Duolingo及自选参与者,普适性有限。
- 奖励控制性意义量表的测量可靠性问题。
- 横断面设计无法推断因果关系。
- 未来研究应探索多样化的游戏化系统,开发更可靠的测量工具,并采用实验或纵向设计。
总结
本研究以Duolingo为案例,探讨虚拟奖励在游戏化学习中如何影响内在动机。研究发现,被视为信息性的奖励能够增强能力满意度,从而提升内在动机。与预期相反,奖励的控制性意义未降低自主满意度,这可能归因于Duolingo的自主支持环境。结果表明,设计者应专注于创建提供有意义反馈和鼓励的奖励,同时在自主支持的环境中运作。这些见解推进了CET在游戏化研究中的应用,并为设计激励性学习系统提供了实用指导。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 80%
战胜你较弱的自我:一项混合方法研究关于游戏化在学术界克服拖延的问题
CHI '24· 游戏化设计(Gamification) +1
- 60%
用于教育活动自适应调度的强化学习
CHI '20· 在线学习与 MOOC 平台 +1
- 60%
在概念映射中提供自适应反馈以提高阅读理解
CHI '21· 交互式数据可视化 +1
- 60%
打字还是说话?输入模式对笔记记录过程中文本理解的影响
CHI '22· 语音用户界面(VUI)设计 +1
- 60%
Promptiverse:通过人机混合知识图标注实现支架提示的可扩展生成
CHI '22· 智能辅导系统与学习分析 +1
- 60%
同伴评审场景中的适应性共情学习支持
CHI '22· 智能辅导系统与学习分析 +1
- 60%
课堂仿真:在线教育中构建情境学生生成代理以模拟学习行为
CHI '25· 大语言模型(LLM)的人机协作 +1
- 60%
好篱笆造就好学习:自主语言学习者如何权衡LLM委托决策
CHI '26· 大语言模型(LLM)的人机协作 +1
- 60%
AskNow:一个用于大规模课堂实时问答的LLM驱动交互系统
CHI '26· 大语言模型(LLM)的人机协作 +1
- 60%
AI赋能数学教育:利用情境感知AI支持大规模数学课程中的教师
CHI '26· 大语言模型(LLM)的人机协作 +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3791046
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
2 位作者
sell
研究子方向
游戏化设计(Gamification)、智能辅导系统与学习分析
work
职业/产业
大学教授与研究人员、在线课程设计师
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文