تحفيز رقمي مخصص
التعليم والتعلم
نهج مخصص
عناصر اللعبة والعناقيد
مراجعة أدبية منهجية

اللعبنة هي استخدام عناصر اللعبة في سياقات غير الألعاب (Deterding et al., 2011) وعادة ما يتم استخدامها بالاعتماد على المنصات أو التطبيقات الرقمية (Qiao et al., 2023). دور اللعبنة في تعلم الطلاب وتحفيزهم ونتائجهم مثير للجدل وموضوع نقاش حاد (cf. Almeida et al., 2023; Hanus & Fox, 2015; Toda et al., 2017; Van Roy & Zaman, 2018; Yildirim, 2017). أحد الأسباب الرئيسية لذلك هو أن عناصر اللعبة قد تولد تأثيرات مختلفة على تعلم الطلاب الأفراد. وفقًا لأولييفيرا وبيتينكورت (2019)، قد يكون الطلاب متحفزين أو غير متحفزين من قبل عناصر لعبة معينة نظرًا لاختلاف خصائصهم واحتياجاتهم التعليمية. وقد وجدت العديد من الدراسات أن الفصول الدراسية المعتمدة على اللعبنة بشكل موحد يمكن أن تسبب أو تفاقم عدم التحفيز إذا لم تأخذ في الاعتبار الفروق الفردية بين الطلاب (على سبيل المثال، Koivisto & Hamari, 2019; Toda et al., 2017).

يُعتبر هذا النهج وسيلة لتحسين تجارب الطلاب في التلعيب، والتي تتوافق مع أي تغييرات في محتويات التعلم أو الاستراتيجيات للوصول إلى احتياجات وتفضيلات التعلم الفردية (كروتر وآخرون، 2013).

تخصيص الألعاب هو دمج نهج مخصص مع الألعاب، حيث يتم تخصيص عناصر اللعبة المختلفة وفقًا لملفات تعريف المستخدمين الشخصية لتعظيم الأهداف المتوقعة للأفراد (الطائي وجواوي، 2021). على الرغم من أنه من المتوقع أن يحفز الطلاب من خلال أخذ اختلافاتهم الفردية في الاعتبار، إلا أنه يمثل تحديًا للمعلمين ومصممي المناهج لتنفيذه في الفصل، وقد ناقشت دراسات قليلة فقط استخدام تخصيص الألعاب في البيئات التعليمية. لفهمه بعمق، ليس من الضروري فقط معرفة النهج المخصص المختلفة في السياقات التعليمية الم gamified، ولكن أيضًا أي عناصر لعبة تُستخدم للتخصيص. كنهجين شائعين، يمكن أن يتضمن التخصيص تخصيص الأنشطة وفقًا لاهتمامات الطلاب بناءً على إجابات الاستبيانات، بينما يقوم التكيف بتخصيص محتويات التعلم بناءً على أداء الطلاب في الفصل. بالإضافة إلى ذلك، من الضروري التمييز بوضوح بين عناصر اللعبة المختلفة قبل تخصيص الألعاب. على سبيل المثال، يُعتبر التحدي صراعًا بين النظام الم gamified والمستخدمين، بينما يُعتبر التنافس صراعًا بين المستخدمين.

دراسات المراجعة السابقة افتقرت إلى تصنيف واضح سواء للنهج المخصصة أو عناصر اللعبة المطبقة في التلعيب، وقد يكون هذا قد أعاق المعلمين عن فهم وتخصيص الفصول الدراسية المُلعبة. بالإضافة إلى ذلك، لم يميزوا بين التلعيب الرقمي وغير الرقمي عند البحث عن الأعمال ذات الصلة. على الرغم من أن الآليات المعتمدة على الكمبيوتر تُستخدم في معظم الفصول الدراسية المُلعبة، إلا أنها ليست شرطًا مسبقًا. كانت الدراسة الحالية تهدف إلى استكشاف ما هي النهج وعناصر اللعبة التي تم استخدامها في الدراسات المختارة لتقديم توصيات عملية لتنفيذ التلعيب الرقمي المخصص في البيئات التعليمية.

من المتوقع أن تعزز الألعاب التعليمية المخصصة دافع الطلاب وأدائهم من خلال مراعاة خصائصهم واحتياجاتهم الفردية مثل أنماط التعلم (عزي وآخرون، 2020). وقد تم فحصها في دراسات مراجعة سابقة.

راجع الجبالي وأحمد (2018) 13 ورقة بحثية من 2010 إلى 2017، مستكشفين بشكل رئيسي ثلاثة معايير لتمييز الأفراد: أنماط التعلم، أنواع اللاعبين، وسمات الشخصية. وأشاروا إلى أن معظم الدراسات حددت التأثير الإيجابي للتخصيص في الألعاب التعليمية على دافعية الطلاب وأداء التعلم. كشفت هذه المراجعة عن تغيير في اتجاه البحث حول الألعاب التعليمية من دراسة الألعاب التعليمية الموحدة (2010-2013) إلى الألعاب التعليمية المخصصة (2014-2017). ومع ذلك، لم يتم توضيح الأساليب المستخدمة في التخصيص في هذه الدراسة.

دراسة مراجعة منهجية أخرى (هالي فاكسي وآخرون، 2019) قامت بتحليل 20 ورقة بحثية نُشرت من 2014 إلى 2019 وحددت معلمة أخرى ‘الخبرة’، بالإضافة إلى ‘أنواع اللاعبين’ و’الشخصيات’. بالإضافة إلى ذلك، قسم المؤلفون الأساليب المخصصة إلى نظامين: التكيفات الديناميكية والثابتة. تستخدم التكيفات الديناميكية أنشطة وسلوكيات المتعلمين أثناء التعلم الم gamified لتعديل وظيفة عناصر اللعبة. في المقابل، يعتمد التكيف الثابت على المعلومات الثابتة للطلاب مثل إجابات استبيان نوع اللاعب. أظهرت النتائج أن معظم دراسات الت gamification المخصصة كان لها تأثير إيجابي على دافع الطلاب. فقط عدد قليل من الدراسات ميزت بين الأساليب المخصصة وفقًا للمعلومات الثابتة أو الديناميكية للطلاب. في نفس العام، قام لوبيس وآخرون (2019) بمراجعة 16 ورقة بحثية نُشرت بين 2012 و2018. قام المؤلفون بإدراج أمثلة على كيفية تخصيص باحثين مختلفين لفصولهم، لكنهم لم يحللوها بشكل منهجي.

كشف مراجعة أخرى (Klock et al., 2020) أن ثلاثة نهج، التخصيص، التكيف، والتوصية، كانت تستخدم غالبًا لتخصيص الألعاب التعليمية. يقوم التخصيص بتعديل الأنظمة المخصصة لتلبية احتياجات الطلاب بناءً على بياناتهم الثابتة في ملفات المستخدمين، بينما يعتمد التكيف بشكل كبير على بيانات الطلاب الديناميكية في ملفات المستخدمين لتحديد احتياجاتهم وبالتالي تعديل الأنظمة المخصصة. توفر التوصية للطلاب عناصر ألعاب أحبها الأشخاص ذوو الأذواق المماثلة في الماضي. بالإضافة إلى ذلك، وفقًا لهذه الدراسة، فإن نمذجة المستخدم هي أساس لهذه النهج، التي تقوم بنمذجة وإنشاء ملفات مستخدمين للطلاب من خلال تخزين البيانات الشخصية المرتبطة بالأفراد. ثم ميز المؤلفون أكثر من 30 عنصرًا من عناصر الألعاب دون النظر إلى مجموعاتها. تعكس المجموعات المختلفة وظائف مختلفة لعناصر الألعاب. فهمها يسهل اختيار عناصر الألعاب بسهولة. علاوة على ذلك، نظرًا لأن Klock et al. (2020) استكشفوا تخصيص الألعاب التعليمية بغض النظر عن سياق تطبيقها، لا يزال هناك حاجة لاستكشاف كيفية استخدام هذه النهج بشكل فعال في المجال التعليمي. مؤخرًا، استعرض Oliveira et al. (2022) 19 دراسة نشرت من 2014 إلى 2020 وسردوا النهج المستخدمة في تخصيص الألعاب التعليمية. كشفت استنتاجاتهم عن نقص في الدراسات حول عناصر الألعاب في أدبيات تخصيص الألعاب التعليمية.

المراجعات أعلاه تلخصت دراسات تخصيص الألعاب في التعليم بشكل رئيسي قبل عام 2020. ومع ذلك، لم تتضمن النتائج معلومات كافية حول عناصر الألعاب وفئاتها واستخدامها في نهج مخصص للألعاب التعليمية. بالإضافة إلى ذلك، استكشفت هذه الدراسات تخصيص الألعاب بغض النظر عن السياقات الرقمية أو غير الرقمية. ستتركز مساهمتنا على تخصيص الفصول الدراسية الرقمية.

تتناول هذه الورقة مراجعة النهج المخصصة وعناصر الألعاب للتعلم، وتوجه سؤالان بحثيان رئيسيان الدراسة.

RQ1. ما هي النهج المستخدمة لتخصيص الألعاب الرقمية في التعليم؟
RQ2. ما هي عناصر الألعاب المستخدمة عند استخدام هذه النهج المخصصة؟

اعتمدت هذه الدراسة على مراجعة الأدبيات المنهجية. تم استخدام مبادئ بيان PRISMA (عناصر التقرير المفضلة للمراجعات المنهجية والتحليلات التلوينية) (Moher et al., 2009) كدليل لإجراء وتقرير هذا العمل المراجعي. تم وصف معايير الأهلية، ومصادر المعلومات، واستراتيجية البحث، وعملية الاختيار، وجمع البيانات، وعناصر البيانات، وعملية التركيب في
الأقسام الفرعية التالية.

ركزت هذه الدراسة على تخصيص الألعاب التعليمية وبالتالي كانت الكلمات الرئيسية للبحث تتكون من مرادفات للتخصيص (مثل، تخصيص) ومتغيرات للألعاب (مثل، مخصص) والتعليم (مثل، مدرسة، تعلم، وتعليم). كان يجب أن تكون الأوراق المختارة: (أ) تركز على تخصيص الألعاب الرقمية (أي، استبعاد التقنيات المخصصة العامة أو تخصيص الألعاب غير الرقمية أو غير ذات الصلة بتخصيص الألعاب)؛ (ب) مكتوبة باللغة الإنجليزية؛ (ج) سجلات مع وصول كامل؛ (د) متاحة بالنص الكامل؛ (هـ) دراسات أولية تقدم بيانات مباشرة (أي، ليست استبيانات أو خرائط منهجية أو مراجعات)؛ (و) مقالات تمت مراجعتها من قبل الأقران؛ (ز) في بيئات تعليمية؛ و(ح) نشرت من 2013 حتى الآن. الفترة المختارة، من 2013 إلى 2022، بدأت عندما بدأ دراسة تخصيص الألعاب (Klock et al., 2018) وتم تمديدها حتى عام 2022 لجمع بيانات بحثية حديثة حول هذا الموضوع.

تم إجراء هذه الدراسة باستخدام عمليات البحث الإلكترونية وتقنية التراكم لاسترجاع الدراسات ذات الصلة. تم استخدام تسعة قواعد بيانات لعمليات البحث الإلكترونية، بما في ذلك SpringerLink وTaylor & Francies Online وWiley Online Library وSAGE Journals وWeb of Science وJSTOR (Journal STORage) وScienceDirect (Elsevier) وProQuest وScopus. تم استخدام تقنية التراكم لتحديد دراسات إضافية من خلال البحث في قوائم المراجع للمنشورات المؤهلة في قواعد البيانات المذكورة أعلاه.

في المجموع، أسفر هذا البحث عن 1772 مقالة (1768 من البحث الإلكتروني و4 من التراكم). ومع ذلك، كانت هناك 1025 مقالة (1021 من البحث الإلكتروني و4 من التراكم) متاحة بالنص الكامل من عام 2013 حتى الآن. يوضح الجدول 1 مصادر المعلومات واستراتيجيات البحث، والتي تشرح 1) عدد المقالات التي تم العثور عليها من خلال عمليات البحث الإلكترونية في كل من قواعد البيانات التسع؛ 2) عدد المقالات التي تم العثور عليها بواسطة تقنية التراكم.

تمت مراجعة الأوراق المتبقية البالغ عددها 1025 واختيارها بواسطة مؤلف واحد، حيث كانت هذه وسيلة فعالة لاستخدام الوقت والموارد. بعد فحص نتائج البحث، تم تحديد 43 ورقة لمزيد من الدراسة (الشكل 1). أسفر الفحص عن استبعاد 46 ورقة بسبب التكرار، و50 لكونها مكتوبة بلغات غير الإنجليزية و835 مقالة تمت إزالتها لأنها لم تكن ذات صلة بتخصيص الألعاب الرقمية. ثم بعد قراءة آخر 94 مقالة، تم حذف 18 مقالة لأنها لم تقدم بيانات مباشرة (مثل دراسة مراجعة)، وورقة واحدة لأنها لم تتم مراجعتها من قبل الأقران، و32 لأنها لم تكن في بيئات تعليمية.

في مارس 2022، قام المؤلف بإجراء البحث وكانت معايير البحث لقواعد البيانات التسع كما يلي: البحث في العنوان: (مخصص أو تخصيص أو تخصيص أو تكيف أو تكيفي أو يتكيف أو يتكيف أو تخصيص أو مخصص أو مخصص أو مخصص أو توصية أو توصية أو توصي أو موصى به أو نموذج أو نمذجة) AND (تخصيص أو مخصص أو تخصيص أو تخصيص). البحث في أي مجال: AND (تعليم أو مدرسة أو تعليم أو تعلم).
https://link.springer.com/.
https://www.tandfonline.com/.
https://onlinelibrary.wiley.com/.
https://journals.sagepub.com/.
https://clarivate.com/products/scientific-and-academic-research/research-discovery-and-workflow-solutions/webofscience-platform/.
https://www.jstor.org/.
https://www.sciencedirect.com/.
https://www.proquest.com/.
https://www.scopus.com/home.uri.

تمت دعوة مؤلفين مشاركين لتقييم الصلة وجودة المقالات الـ 43 المحددة وفقًا لمعايير الأهلية. كان هناك تطابق بنسبة 100% في تضمين واستبعاد المقالات من قبل كلا المقيمين. في النهاية، أسفرت الاختيارات اليدوية عن 43 ورقة مؤهلة لهذه الدراسة المراجعية المنهجية.

شملت تحليل البيانات تصنيف كلا النهجين وعناصر اللعبة. كما هو موضح في الجدول 4 من الملحق، اعتمدنا تصنيف كلوك وآخرون (2020) وقمنا بتصنيف النهج المخصص إلى تخصيص، وتكيف، وتوصية. تم تضمين نمذجة المستخدم أيضًا لأنها أساس جميع النهجين الثلاثة. التخصيص، والتكيف، والتوصية هي جميعها تنفيذ للعبة مخصصة باستخدام أنواع مختلفة من بيانات المستخدم. التخصيص هو تعديل لمرة واحدة للنظام لتلبية احتياجات الناس وتفضيلاتهم بناءً على بيانات المستخدم الثابتة. بمجرد جمع البيانات، لا يتم تغيير نموذج المستخدم. على سبيل المثال، يتم تزويد المستخدمين بعناصر اللعبة بناءً على تفضيلاتهم التي تم جمعها في استبيان. التكيف هو تعديل مستمر للنظام لتلبية احتياجات الناس وتفضيلاتهم، بناءً على بيانات المستخدم الديناميكية. يسمح بتمثيل محدث للمستخدمين. على سبيل المثال، يتم تزويد المستخدمين بمهام تعلم متنوعة بناءً على أدائهم في الوقت الحقيقي. التوصية تستخدم معلومات حول خصائص المستخدم (مثل العمر، الجنس) لاقتراح العناصر والأنشطة التي يفضلها ويحتاجها الأشخاص الذين لديهم خصائص مستخدم مشابهة (مثل العمر، الجنس) في الماضي. إنه مشابه للتخصيص من حيث جمع البيانات حيث أنهما يعتمدون على بيانات المستخدم الثابتة. ومع ذلك، فإن الفرق هو أن التوصية تعتمد أيضًا على البيانات الموجودة من متعلمين آخرين. يسمح بالتنبؤ باحتياجات وتفضيلات المستخدم حتى لو لم تكن هناك بيانات كافية عن المستخدم، حيث أظهرت ملفات تعريف المستخدمين أن مستخدمين آخرين ذوي خصائص مشابهة لديهم احتياجات وتفضيلات معينة. على سبيل المثال، يوصي يوتيوب بمقاطع فيديو مختلفة لمستخدمين من أعمار مختلفة. يعتمد تنفيذ جميع هذه النهج الثلاثة بشكل كبير على المعلومات الموجودة في ملفات تعريف المستخدمين. نمذجة المستخدم هي عملية إنشاء ملفات تعريف المستخدمين عن طريق تخزين بيانات حول الأفراد، وهي التحضير للعبة مخصصة. في هذه الدراسة الاستعراضية، وصفت المقالات حول نمذجة المستخدم فقط المعلومات التي يمكنهم الاعتماد عليها لتخصيص صفهم الم gamified. ومع ذلك، نظرًا لأنهم لم يقوموا بإجراء الصف في الممارسة العملية، فلا يزال غير واضح ما هي النهج المخصصة التي سيستخدمونها.

في الجدول 5 من الملحق، طبقنا طريقة تودا وآخرون (2019) لتجميع عناصر اللعبة من أجل تخصيص الت gamification في التعليم إلى خمسة مجموعات: مجموعة الأداء، مجموعة الشخصية، مجموعة الاجتماعية، مجموعة البيئية، ومجموعة الخيالية. قام مؤلفو تودا وآخرون (2019) أولاً بتوحيد مفاهيم 19 عنصرًا من عناصر اللعبة والتحقق من صلتها بالبيئات التعليمية من خلال استخدام استبيانات عبر الإنترنت مع خبراء في gamification. تم استخدام التحليل الدلالي لتقييم نتائج الاستبيانات، التي اقترحت أن هناك ارتفاعًا كبيرًا
التوافق الداخلي بين الخبراء بشأن وصف عناصر اللعبة التسعة عشر (ألفا كرونباخ> 0.8). ثم قام 5 خبراء بتصنيف عناصر اللعبة التسعة عشر إلى 5 مجموعات. توفر عناصر مجموعة ‘الأداء’ معلومات حول أداء المستخدمين في البيئة الم gamified (مثل: المكافأة، العقوبة)؛ تتعلق مجموعة ‘الشخصية’ بالمتعلم الذي يستخدم البيئة الم gamified (مثل: الهدف الشخصي)؛ توفر مجموعة ‘الاجتماعية’ معلومات حول تفاعل المستخدمين في البيئة الم gamified (التعاون، المنافسة)؛ توفر مجموعة ‘البيئية’ معلومات للمستخدمين حول البيئة الم gamified (مثل: ضغط الوقت)؛ أما مجموعة ‘الخيالية’ فهي بُعد مختلط يتعلق بكل من المستخدم (من خلال السرد) والبيئة (من خلال رواية القصص)، مما يربط تجربة المستخدم بالسياق. يشير السرد إلى القصة الأكبر التي يعمل عليها المستخدم، بينما تجسد رواية القصص هذه القصة الأكبر بمساعدة النص، والوسائط السمعية والبصرية، وغيرها من المحفزات الحسية لوضع السرد في سياقه.

تجربة الألعاب الرقمية المخصصة تجذب الانتباه العالمي بشكل متزايد. كما نرى في الشكل 2، مقارنةً بآسيا (10.67)، تولت أوروبا القيادة في عدد المنشورات بإجمالي 16.14 دراسة. من ناحية أخرى، ساهمت أمريكا الجنوبية وأفريقيا وأمريكا الشمالية بعدد أقل بكثير من الأوراق، ولم يتم العثور على أي منشورات من أوقيانوسيا. من حيث دول انتماء المؤلفين، كانت البرازيل (8.11) الأكثر نشرًا، تليها فرنسا.

من منظور سنوات النشر، كما هو موضح في الشكل 3، أظهر عدد المنشورات المتعلقة بتخصيص الألعاب الرقمية اتجاهًا تصاعديًا متقلبًا، حيث شهدت الفترة من 2018 إلى 2021 أكبر زيادة، ووصلت سنة 2021 إلى الذروة. ومن الجدير بالذكر أن الانخفاض في عام 2022 لا يمكن اعتباره اتجاهًا، حيث تم إجراء هذه المراجعة المنهجية في النصف الأول من العام.

الجدول 4 من الملحق يقدم نظرة عامة على المقالات المختارة التي توضح الأساليب التي استخدموها في سياقات التعلم الرقمي المخصص المعزز بالألعاب. الجدول 2 يحسب عدد المنشورات التي استخدمت كل نهج مخصص في هذه الدراسة الاستعراضية.

يمكننا أن نرى أن أكثر من نصف الدراسات ( ركزت الدراسة على نمذجة المستخدم لاستكشاف المعلومات التي يمكن جمعها لإنشاء ملفات تعريف شخصية للمستخدمين. على الرغم من أنها تشكل أساسًا لتخصيص الفصول الدراسية المعززة بالألعاب، إلا أن النتيجة تشير إلى أن معظم المقالات في هذه المراجعة بقيت فقط في مراحل التحضير للتخصيص، بدلاً من التنفيذ الفعلي في الفصل (أي، التخصيص، التكيف، التوصية). على سبيل المثال، قام سيزجين ويوزر (2022) بإجراء حلقة Delphi من أربع جولات مع اثني عشر خبيرًا في المجال وأسفرت في النهاية عن قائمة مرجعية لمبادئ تصميم التخصيص في الألعاب للدورات الدراسية عبر الإنترنت. ذكر المؤلفون أنه يجب أخذ الخلفيات الشخصية للطلاب، مثل العمر والجنس ومستوى التعليم وأنماط التعلم، في الاعتبار عند تخصيص الأنظمة المعززة بالألعاب. ومع ذلك، لم تتضمن هذه الدراسة أي تفاصيل إضافية حول ما إذا كان المؤلفون سيخصصون فصولهم الدراسية وكيفية القيام بذلك.

تظهر الجدول 2 أن ثمانية أوراق بحثية استخدمت النهج المخصص. إنها تعديلات لمرة واحدة، تتم وفقًا لملفات تعريف المستخدمين للطلاب التي تحددها معلوماتهم الثابتة (Klock et al.، 2018). في عمود ‘مصادر البيانات’، نوضح أن المعلومات الثابتة للطلاب يمكن جمعها باستخدام طرق كمية أو نوعية، على الرغم من أن الطرق الكمية كانت مستخدمة بشكل أكثر شيوعًا. استكشفت عدة دراسات (أي، Abbasi et al.، 2021؛ Hallifax et al.، 2020؛ Roosta et al.، 2016؛ Shabihi et al.، 2016) أنواعًا مختلفة من ملفات تعريف المستخدمين بين الطلاب، مثل أنواع اللاعبين، وسمات الشخصية، وأنواع الدوافع، باستخدام نماذج الاستبيانات الموجودة بشكل كمي. على سبيل المثال، أجرى Hallifax et al. (2020) استبيانين باستخدام مقياس ليكرت من خمس نقاط لتحديد أنواع اللاعبين والدوافع لـ 258 مشاركًا بناءً على تصنيف Hexad ومقياس الدافع الأكاديمي قبل الفصل. أظهرت هذه الدراسة أن دمج هذين النوعين من ملفات تعريف الطلاب للتخصيص المزدوج عزز دافع الطلاب لتعلم الرياضيات على مستوى أعلى بشكل أفضل من استخدام ملف تعريف مستخدم واحد فقط.

بعيدًا عن الطرق الكمية، في بعض الحالات، تم استخدام طرق نوعية تعتمد على نصوص المقابلات. على سبيل المثال، أجرى Eder et al. (2021) مقابلة متعمقة في مدرسة ثانوية لتعريف شخصية اللعب للطلاب من خلال تضمين معلومات من جوانب ديموغرافية، ومهارات أكاديمية، وتفضيلات، وسياقات التعلم. تم تسجيل المقابلات لتفريغ تعليقات المشاركين وسهل ذلك التحليل النوعي.

يوضح عمود ‘التحليل’ في الجدول 4 أن المعلومات الثابتة التي تم جمعها من خلال دراسات الاستبيانات والمقابلات في ‘التخصيص’ كانت عادة ما تُحلل وفقًا للأدبيات الموجودة وحكم المعلمين. اعتمد Roosta et al. (2016) على استبيان أهداف الإنجاز (AGQ) لتقييم أنواع دوافع الطلاب. على سبيل المثال، أكد الطلاب في ‘نهج الإتقان’ على ‘اكتساب المهارات’ وفقًا لنظرية الأهداف (Elliot & Murayama، 2008). لذلك، إذا اختار الطالب مقياس ليكرت مرتفعًا لبند الاستبيان ‘هدفي هو التعلم بقدر ما أستطيع’، فإنه/إنها كان من المرجح أن يكون طالبًا من نوع ‘نهج الإتقان’ في نوع الدافع. بعيدًا عن الأدبيات، لعبت أحكام المعلمين حول احتياجات تعلم الطلاب (مثل، نقاط الألم، الأهداف، والطموحات) أيضًا دورًا مهمًا في تحليل بيانات الطلاب في المقابلات.

تظهر الجدول 2 أن اثني عشر ورقة بحثية استخدمت نهج التكيف لتخصيص أنشطة التعلم الرقمية الم gamified. بالمقارنة مع التخصيص، يتضمن التكيف تعديلات مستمرة، وفقًا لملفات تعريف المستخدمين للطلاب التي تحددها معلوماتهم الديناميكية (Klock et al.، 2018). تم استخدام هذا النهج بشكل أكثر شيوعًا في الدراسات المدرجة في هذا الاستعراض حيث بدأ المزيد من الباحثين يدركون أن المعلومات الثابتة التي يقدمها الطلاب قد تكون غير دقيقة أو تتغير مع مرور الوقت. على سبيل المثال، ذكر Rodríguez et al. (2022) أن نوع اللاعب الداخلي (الثابت) الذي تم تحقيقه من خلال الاستبيان المعتمد قد يتطور قليلاً خلال التجربة. لذلك، أعادوا حساب أنواع اللاعبين للطلاب باستخدام طريقة ضرب المصفوفات وفقًا لسلوكيات الطلاب (الديناميكية) لتكييف عناصر اللعبة في أي لحظة معينة. أظهرت النتائج أنها حققت خطأ منخفضًا بالنظر إلى كلا الحالتين: عندما أجاب المستخدم بدقة وعندما أجاب بشكل غير دقيق على استبيانات نوع اللاعب. في عمود ‘مصادر البيانات’ للتكيف، تم جمع المعلومات الديناميكية للطلاب بخمس طرق: الملاحظة، وتكرار تسجيل الدخول، والوقت المستغرق في الاختبارات، ومحاولات الاختبارات، ودرجات الاختبارات.

بالإضافة إلى ذلك، شملت الملاحظة سرعة اللعبة للطلاب، ومدة اللعبة وآثار العمل الم gamified عند التفاعل مع الأنظمة، وكذلك الأوقات التي طلبوا فيها دعم المعلمين.

من خلال دمج عمود ‘مصادر البيانات’ مع عمود ‘التحليل’ في الجدول 4، يمكننا أن نرى أن المعلومات الديناميكية للطلاب يمكن أن تكون قابلة للتكيف بالكامل أو جزئيًا. أولاً، يمكن تسجيل جميع المعلومات الديناميكية عن الطالب في نظام gamified كملف محفظة، وبناءً على ذلك، يمكن تحديد ملفات تعريف المستخدمين للطلاب وفقًا لمسار العمل (مثل، Daghestani et al.، 2020؛ Hassan et al.، 2021؛ Monterrat et al.، 2017). بهذه الطريقة، ستكون جميع الأنشطة الم gamified اللاحقة المقدمة للطالب الفردي قابلة للتكيف بالكامل (Böckle et al.، 2017). على سبيل المثال، أنشأ Daghestani et al. (2020) نظام تعلم gamified قابل للتكيف باستخدام الذكاء الاصطناعي للاستجابة لأنواع اللاعبين للطلاب. في هذا النظام، تم تحليل تاريخ الطلاب المتكامل من آثار العمل الم gamified لتحديد أنواع اللاعبين لديهم.

في بعض الحالات، تم جمع المعلومات الديناميكية للطلاب في الوقت الحقيقي، مما يعني أن إجراء واحد من جانبهم سيؤدي إلى استجابة واحدة من الأنظمة أو المعلمين، من أجل الاستجابة لاحتياجاتهم في الوقت المناسب (مثل، Kolpikova et al.، 2019؛ Shi & Cristea، 2016؛ Tan & Cheah، 2021؛ Tenório، ChalcoChallco، et al.، 2020؛ Xu et al.، 2017). نظرًا لأن كل نشاط قابل للتكيف يركز فقط على جانب واحد من ملفات تعريف الطلاب، فإن هذا النوع من التكيف يُعتبر جزئيًا قابل للتكيف (Böckle et al.، 2017). في دراسات Kolpikova et al. (2019)، وTan وCheah (2021)، وXu et al. (2017)، كان لدى الطلاب إمكانية الوصول إلى التدخلات الفورية ‘تلميحات’، التي إما تشير إلى قسم معين ضمن مواد الدورة أو تشير إلى أنهم يسألون معلميهم إذا واجهوا صعوبات في حل المشكلات.

استخدمت ورقة واحدة فقط في الجدول 2 التوصية كنهج لتخصيص أنشطة التعلم الرقمية الم gamified. تستخدم التوصية معلومات حول خصائص المستخدمين لاقتراح عناصر وأنشطة اللعبة للطلاب التي يفضلها الأشخاص الذين لديهم خصائص مستخدم مشابهة في الماضي (Adomavicius & Tuzhilintake، 2005). أنشأ Su et al. (2016) نظام توصية ذكي للتعلم الم gamified بناءً على أنماط تعلم الطلاب لتوصية المتعلمين بالمحتوى التعليمي التالي. استخدم هذا النظام التوصية تقنية شبكة التوزيع (RGT) لتقديم توصيات وحدات تعلم متميزة للطلاب ذوي الأنماط المختلفة.

أنماط التعلم وقد ثبت أنها تعزز دافعية الطلاب للتعلم ونتائجهم.

نظرًا لأن 6 من بين 43 مقالة (دراستين لنمذجة المستخدم، دراسة واحدة للتكيف، دراسة واحدة للتوصية، ودراستين تستخدمان كل من التخصيص والتكيف) لم تحتوي على معلومات محددة تتعلق بعناصر اللعبة التي استخدموها، تم تحليل 37 مقالة المتبقية فقط. في الجدول 3، يمكننا أن نرى أن ثلاثة وعشرين عنصرًا من عناصر اللعبة وُجدت في هذه الدراسة الاستعراضية، من بينها ‘المكافأة’ كانت الأكثر استخدامًا مع 30 ورقة تستخدمها (حوالي ). ثم قمنا بتجميع هذه العناصر من اللعبة في خمس مجموعات، وهي: مجموعة الأداء، مجموعة الشخصية، مجموعة الاجتماعية، مجموعة البيئية، ومجموعة الخيالية. كانت لهذه المجموعات خصائصها الخاصة واستخدامها في كل نهج مخصص يختلف قليلاً (الشكل 4).

من الشكل 4، كانت مجموعة الأداء الأكثر استخدامًا في جميع الأنواع الثلاثة من النهج المخصص ( المستخدمة في نمذجة المستخدم، المستخدمة في التخصيص والتكيف)، مع أكثر من من المقالات في هذه الدراسة الاستعراضية تشمل عناصر اللعبة من هذا النوع. تنتمي خمسة عناصر من اللعبة، وهي: المكافأة، التقدم، التغذية الراجعة، العقوبة، والتصويت إلى هذه المجموعة. تسمح هذه العناصر من اللعبة في هذه المجموعة للطلاب بالحصول على استجابة بيئية من أنظمة التحفيز المخصصة. يمكن أن تكون الاستجابة تغذية راجعة فورية (مثل، إيدر وآخرون، 2021؛ كولبيكوفا وآخرون، 2019)، تصويت (ديكنز وآخرون، 2021)، مكافأة أو عقوبة لأداء الطالب (مثل، باراتا وآخرون، 2015؛ جاكوش وآخرون، 2018)، أو مؤشر للتقدم في مسار تعلم الطالب (مثل، ديكنز وآخرون، 2021؛ روستا وآخرون، 2016). على سبيل المثال، استخدم إيدر وآخرون (2021) التغذية الراجعة والمكافأة كاستجابات لأفعال الطلاب في نظام التحفيز المخصص. خلال عملية التحفيز، كان هناك زر مساعدة متاح لتقديم تلميحات فورية للطلاب عندما واجهوا مشاكل وإذا حلوا تحديًا بنجاح، سيتم مكافأتهم بنقطة. استخدم روستا وآخرون (2016) شريط تقدم في بيئتهم لعرض تقدم المتعلمين من خلال الدرجات التي تم تحقيقها من جميع اختبارات الدورة.

من بين هذه العناصر الخمسة من اللعبة، كانت المكافأة الأكثر استخدامًا (حوالي )، بينما كانت العقوبة (حوالي ) والتصويت (حوالي ) الأقل استخدامًا. كان هناك هدفان رئيسيان للمكافأة. أولاً، في بعض الحالات، مدح المعلمون أو الباحثون أداء تعلم الطلاب باستخدام مكافآت مثل النقاط، الشارات، الشهادات، والكؤوس (مثل، هاليفكس وآخرون، 2020؛ سانتوس وآخرون، 2018، الصفحات 42-51). على سبيل المثال، كافأ هاليفكس وآخرون (2020) تقدم الطلاب من خلال منحهم شارات لاختبار بناءً على مقدار ما حصلوا عليه بشكل صحيح (برونزية لـ ، فضية لـ ، وذهبية لـ ). كانت هذه المكافأة للإنجاز والسلوك وقد أظهرت أنها تحفز الطلاب في الرياضيات. ثانيًا، يمكن أن تساعد المكافأة (مثل، النقاط، السلع الافتراضية) في تحفيز الدافع الخارجي للطلاب للحفاظ على سلوكياتهم وتعزيزها في ‘اللعبة’ من خلال تزويدهم بعناصر الدعم. على سبيل المثال، كافأ باكلي ودويل (2017) المشاركين بالسلع الافتراضية التي يمكنهم استخدامها في ألعابهم التالية. تم توزيع المبلغ الأولي من النقود الافتراضية لأداء جيد في مشاكل التنبؤ المقدمة من سوق التنبؤ وسمح للطلاب باستخدامها للحصول على المزيد من القيم في الجولة التالية من المهام في هذا السوق.

كانت مجموعة الاجتماعية هي الثانية الأكثر استخدامًا لنمذجة المستخدم. تتعلق بالتفاعلات بين المتعلمين في البيئة. تضمنت عناصر اللعبة المنافسة، التواصل الاجتماعي، التعاون والسمعة، مما يوفر معلومات حول تفاعلات المستخدمين. من المقالات في هذه الدراسة الاستعراضية، استخدمت هذا النوع من عناصر اللعبة. على سبيل المثال، سمح داغستاني وآخرون (2020) للطلاب بمشاركة أفكارهم وحلولهم مع الآخرين في منتدى الدردشة. كان لدى سانتوس وآخرون (2021) مهام جماعية تمكن الطلاب من التعاون للسماح للجميع بالوصول إلى النهاية. عرض داغستاني وآخرون (2020) لوحات المتصدرين التي تضمنت أفضل الطلاب في الواجهة لتحفيز الطلاب على المنافسة من أجل تصنيفات عالية.

من بين هذه العناصر من اللعبة، كانت المنافسة (حوالي ) الأكثر شيوعًا. بالمقارنة مع التحدي الذي يمثل صراعًا بين اللاعبين وأنظمة التحفيز، فإن المنافسة هي صراع بين اللاعبين لتحفيزهم على الفوز. استخدمت الدراسات التي تمت مراجعتها في هذه الدراسة لوحات المتصدرين، حيث يعتمد وضع اللاعبين على عدد النقاط التي يحققونها (مثل، دي لا بينا

كانت مجموعة الشخصية هي الثانية الأكثر استخدامًا في النهج المخصص ( )، تشمل ستة عناصر من اللعبة تمامًا، وهي: التحدي (حوالي )، التخصيص (حوالي )، الهدف (حوالي )، الحرية في الفشل (حوالي )، الجدة (حوالي )، والإحساس (حوالي 5%). يرتبط استخدام هذه المجموعة من عناصر اللعبة مباشرة بخصائص المتعلم الذي يستخدم البيئة. على سبيل المثال، عرّف شابحي وآخرون (2016) الأهداف الواضحة كدليل، مما سمح للطلاب برؤية التأثير المباشر لجهودهم واتباع الأهداف خطوة بخطوة. أنشأ هاليفكس وآخرون (2020) نشاطًا مُعَشَّقًا، حيث يمكن للطلاب تحديث شخصياتهم الافتراضية بملابس مختلفة أو حمل عناصر مختلفة.

في هذه المجموعة، كان ‘التحدي’ هو الأكثر استخدامًا للتحفيز المخصص في التعلم (حوالي )، مع 26 من بين 37 ورقة بحثية تطبقها (على سبيل المثال، عباسي وآخرون، 2021؛ باراتا وآخرون، 2015). أولاً، في معظم الحالات، تم إعداد التحدي لتقييم وتلبية احتياجات الطلاب الأكاديمية وأهداف التعلم، في شكل اختبارات أو مهام (على سبيل المثال، حمامي وخماجة، 2019؛ كلوك، غاسباريني، وآخرون، 2015)، ألغاز أو أسرار (على سبيل المثال، عباسي وآخرون، 2021؛ سانتوس وآخرون، 2021) ومهام (على سبيل المثال، دايكينز وآخرون، 2021؛ حسن وآخرون، 2021). على سبيل المثال، قدم حمامي وخماجة (2019) مهام تعلم للطلاب الذين شعروا بنقص في مهاراتهم وكانوا يهدفون إلى تحسين كفاءاتهم. قام تان وتشياه (2021) بتعيين قيمة صعوبة للاختبارات وقدموا لهم بترتيب متزايد من حيث الصعوبة. سُمح للطلاب باختيارها وفقًا لقدراتهم التعليمية وطلب المساعدة إذا لزم الأمر. ثانيًا، استخدمت عدة دراسات ‘التحدي’ لتقييم وتلبية احتياجات الطلاب النفسية. على سبيل المثال، تطلب غيل وآخرون (2015، الصفحات 568-572) من الطلاب إكمال عدة مهام تتعلق بمواضيع، يعملون بطرق مختلفة (بمفردهم، في أزواج، أو في فرق) لتحديد أنواع اللاعبين لديهم وفقًا لأفعالهم. وجدت هذه الدراسة أن ‘المستكشفين’ نادرًا ما يقضون وقتًا في المهام، بينما كان ‘المنجزون’ مدفوعين بهذا التحدي. صمم مورا وآخرون (2018، الصفحات 1925-1933) لعبة حيث تم تعيين الطلاب في محطات تحت الماء مختلفة مع تمارين مختلفة. على سبيل المثال، كانت محطة أ أكثر تنافسية، بينما كانت ب تعاونية في الغالب. تم اتخاذ القرار وفقًا لإجابات استبيان نوع اللاعب للطلاب.

تساوت المجموعات البيئية والاجتماعية في المركز الثاني في النهج التكيفي. في هذه الدراسة الاستعراضية، من المقالات استخدمت عناصر اللعبة من المجموعة البيئية، بما في ذلك الوصول، الاختيار، ضغط الوقت، الفرصة، التداول، والندرة مع الوصول والاختيار بأعلى تكرار (كلاهما حوالي ). تعمل المجموعة البيئية كخاصية من خصائص البيئة يمكن تنفيذها بطريقة دقيقة لجذب المستخدمين لاتباع السلوك المرغوب (تودا وآخرون، 2019).

الوصول هو محتوى حصري مشروط بفعل من المستخدم ليكون متاحًا (كلوك وآخرون، 2020). على سبيل المثال، في دراسة كولبيكوفا وآخرون (2019)، عندما أكمل الطلاب بعض المهام في تسلسل، فإنهم سيصلون إلى موارد خارجية لتعزيز معرفتهم. صمم رودريغيز وآخرون (2022) بيضة عيد الفصح، وهي آلية يمكن أن تستجيب لفعل اللاعب المحدد ثم تفتح محتوى مخفي. كانت واجهة هذه البيضة تتكون من صورة تسمح بالوصول إلى لعبة صغيرة عندما يتم الضغط عليها خمس مرات متتالية. بالإضافة إلى ذلك، يمنح الاختيار المستخدمين إمكانية وجود مسارات متعددة للنجاح، مما يسمح لهم بتحديد كيفية إكمال مهام التعلم، والتي تضمنت نوعين، وهما، الاختيار الاختياري (على سبيل المثال، كولبيكوفا وآخرون، 2019) والاختيار المفروض (داغستاني وآخرون، 2020؛ غيل وآخرون، 2015، الصفحات 568-572؛ شو وآخرون، 2017). يسمح الاختيار الاختياري للطلاب بتحديد ما إذا كانوا سيقومون بتنفيذ مهمة أم لا، مما لا يؤثر على إكمال اللعبة. على سبيل المثال، يمكن للطلاب قبول ‘التلميحات والنصائح’ المقدمة من الأنظمة الم gamified أو تخطيها (كولبيكوفا وآخرون، 2019). الاختيار المفروض هو القرار الذي يُلزم المستخدم باتخاذه لإكمال مهام التعلم، مما يعني أنه إذا لم يختاروا خيارًا معينًا، فلا يمكنهم متابعة المهام. على سبيل المثال، سمح داغستاني وآخرون (2020) للطلاب باختيار أي تحديات لإتقان مستويات اللعبة.

كانت مجموعة العناصر الخيالية في اللعبة الأقل استخدامًا في جميع النهج في هذه الدراسة. وفقًا لنتائجنا، تم استخدام عنصرين فقط من عناصر اللعبة ‘سرد القصص’ و’السرد’ في المجموعة الخيالية. سرد القصص هو الطريقة التي تُروى بها قصة البيئة (كنص). في هذه المراجعة، تم سردها من خلال معلومات نصية (على سبيل المثال، دايكينز وآخرون، 2021؛ مونتيررات وآخرون، 2014) أو معلومات صوتية (على سبيل المثال، سانتوس وآخرون، 2021). على سبيل المثال، أسس دايكينز وآخرون (2021) الموضوع، التاريخ، وسياق البيئة الم gamified نصيًا في بداية أنشطة التعلم، بينما لعب سانتوس وآخرون (2021) رسالة صوتية عندما كان الطلاب يمرون عبر غابة لمنعهم من الضياع. يمكن فهم السرد على أنه العملية التي يبني من خلالها المستخدمون تجربتهم الخاصة من خلال محتوى معين، ممارسين حريتهم في الاختيار في مساحة معينة وفترة زمنية، مقيدة بمنطق النظام (بالومينو وآخرون، 2019). كعنصر محتوى، يمكن أن يساعد في جعل المحتوى نفسه مثيرًا للاهتمام وتحفيز الطلاب على التركيز على محتوى التعلم.

تهدف الألعاب الرقمية المخصصة إلى زيادة دافع الطلاب وأدائهم من خلال مراعاة الفروق الفردية في الفصول الدراسية الم gamified الرقمية. لقد زاد عدد المنشورات حول الألعاب الرقمية المخصصة في السياقات التعليمية بشكل كبير منذ عام 2018. في هذه الدراسة الاستعراضية المنهجية، قمنا بفحص استخدام الألعاب الرقمية المخصصة من خلال استكشاف: (1) النهج لتخصيص الألعاب الرقمية في التعليم؛ (2) مجموعات عناصر اللعبة المستخدمة في الألعاب الرقمية المخصصة. كان من المتوقع أن تساعد هذين السؤالين البحثيين الوصفيين في تعزيز فهم ‘كيفية التخصيص’ في الفصول الدراسية الم gamified الرقمية وسد الفجوة بين
الألعاب المخصصة للجميع والألعاب المخصصة.

ركزت معظم الدراسات المختارة فقط على استكشاف المعلومات التي يمكن استخدامها لإنشاء ملفات تعريف مستخدم شخصية من خلال نمذجة المستخدم. يمكن أن تخصص التخصيص، والتكيف، والتوصية الألعاب في الفصل، اعتمادًا على البيانات الثابتة للطلاب (التخصيص)، والبيانات الديناميكية (التكيف)، والاقتراحات من الأشخاص ذوي ملفات تعريف مستخدم مشابهة (التوصية). من خلال هذه المراجعة الأدبية، يبدو أن استخدام نمذجة المستخدم تم فحصه في أكثر من نصف الدراسات، وهو مشابه لما وجده مراجعة سابقة من كلوك وآخرون (2020). كان التخصيص والتكيف هما النهجان الأكثر استخدامًا عند تنفيذ الفصول الدراسية الم gamified الرقمية المخصصة في هذه الدراسات المراجعة. على الرغم من أن نمذجة المستخدم هي خطوة مهمة جدًا نحو تخصيص الألعاب (كلوك وآخرون، 2020)، تشير نتائجنا إلى أن معظم الدراسات تركز على التحضير بدلاً من تنفيذ الألعاب المخصصة في الفصل. هذه النتيجة مفهومة نظرًا لأن تخصيص الألعاب للتعلم هو موضوع جديد نسبيًا. في هذه الدراسة الاستعراضية، كانت أول مقالة في هذا المجال في عام 2014 وكان عدد المنشورات محدودًا، حتى شهدت السنوات 2018-2021 أكبر زيادة. يحتاج البحث أولاً إلى إعطاء الأولوية لنمذجة المستخدم لتحليل المعلومات التي يمكن استخدامها للتخصيص، وبالتالي بناء أساس قوي لتنفيذها في الفصل. بالإضافة إلى ذلك، هناك حاجة إلى عملية طويلة من التحضير إلى تنفيذ تقنية تعليمية جديدة. على الرغم من أن نمذجة المستخدم تعزز فهم المكونات لتخصيص الألعاب بشكل عام، يجب على المعلمين مراعاة سياقاتهم التعليمية الخاصة للممارسة (أمييل وريفز، 2008). في هذه المراجعة، نفذت معظم الدراسات التجريبية الألعاب المخصصة لفترة محدودة فقط لاختبار فعاليتها. قد تؤدي قيود الوقت إلى عدم اكتشاف بعض المشكلات العملية التي قد تحدث عندما ينفذ المعلمون ذلك في فصولهم. من أجل تعزيز استخدام الألعاب المخصصة، نوصي الباحثين المستقبليين بإجراء المزيد من الأبحاث القائمة على التصميم التي تقوم بتنقيح الألعاب المخصصة بشكل منهجي من خلال التحليل والتصميم التكراري (فيشمان وآخرون، 2013). يمكن أن تنتج مبادئ تصميم سياقية توفر للباحثين والمعلمين المماثلين إرشادات وحلول واضحة، لتسهيل تنفيذها.

التخصيص والتكيف هما التعديلات على ملفات تعريف المستخدمين للطلاب التي تحدد بناءً على معلوماتهم الثابتة والديناميكية، على التوالي (Klock et al.، 2018). في هذه الدراسات، كانت الاستبيانات هي الأداة الأكثر استخدامًا لنهج التخصيص لجمع بيانات الطلاب الثابتة. ومع ذلك، إذا كانت المعلومات التي يقدمها الطلاب من خلال الاستبيانات غير دقيقة عن غير قصد أو عمدًا أو تتطور قليلاً مع مرور الوقت، فإن أنشطة الفصل المخصصة للألعاب أحيانًا لا يمكن أن تستجيب بشكل مناسب لأنواع ملفات تعريف المستخدمين الحقيقية للطلاب. أما بالنسبة لنهج التكيف، فإنه يمكن أن يوفر تعديلًا مستمرًا وفقًا لأدائهم واحتياجاتهم في الوقت الحقيقي، لذا يُعتبر نهجًا أكثر دقة من النهج المخصص. ومع ذلك، يعتمد التقاط المعلومات الديناميكية للطلاب بشكل كبير على أتمتة أنظمة الألعاب المخصصة مثل تلك التي وصفها حسن وآخرون (2021). للتكيف مع الأنشطة المخصصة بدقة، يُوصى بإجراء أبحاث مستقبلية لتطوير أنظمة أكثر تلقائية، لتحقيق استجابة سريعة لسلوكيات الطلاب وتجنب تحميل المعلمين ومصممي المناهج عبئًا زائدًا.

علاوة على ذلك، وجدت هذه المراجعة أن التكيف كان أكثر استخدامًا من التخصيص، مما يعني أن المعلومات الديناميكية للطلاب كانت تُستخدم بشكل أكثر قليلاً من المعلومات الثابتة في هذه الأعمال. تختلف هذه النتيجة عن هاليفكس وآخرون (2019، الصفحات 294-307) الذين وجدوا أن معظم الأنظمة المخصصة كانت تعمل بشكل ثابت وكان هناك المزيد لاستكشافه في مجال المعلومات الديناميكية للطلاب. يمكن تفسير هذا الاختلاف بعدة أسباب. أولاً، شملت هذه الدراسة الحالية تقريبًا ضعف عدد المقالات مقارنةً بهاليفكس وآخرون (2019، الصفحات 294-307) وبالتالي من الممكن الحصول على نتائج مختلفة. ثانيًا، كانت هناك المزيد من الدراسات حول نمذجة المستخدم منذ عام 2020، مما يساعد على إنشاء أنظمة ألعاب مخصصة تلقائية أكثر فائدة لاستخدامها من قبل المعلمين أو الباحثين. على سبيل المثال، صمم تينوريو، ديرميفال، وآخرون (2020) نموذج تحليلات الألعاب من خلال دمج كل مفهوم رئيسي من الألعاب المخصصة للمعلمين. مما مكنهم من مراقبة تفاعل الطلاب مع عناصر اللعبة بسهولة لتصنيف الطلاب، كما قام أيضًا بتكييف المهام المخصصة لتحفيز الطلاب. ثم طبق تينوريو، تشالكوشالك، وآخرون (2020) هذا النظام التعليمي القائم على الألعاب في الفصل لجمع وتحليل سلوكيات الطلاب تلقائيًا. ثالثًا، يعتقد المزيد والمزيد من الباحثين أن الخصائص الشخصية للطلاب قد تتغير أثناء الأنشطة المخصصة، لذا من الأفضل والأكثر دقة تحديد ملفاتهم الشخصية في عملية ‘اللعبة’، بدلاً من قبل ‘اللعبة’ (على سبيل المثال، حسن وآخرون، 2021؛ تان وتشياه، 2021).

في الدراسات المختارة، وجدنا مقالتين تستخدمان التخصيص والتكيف في نفس الوقت (ماهر وآخرون، 2020؛ ميساوي ومعليل، 2021). لقد خصصوا الألعاب الرقمية وفقًا لملفات تعريف المستخدمين للطلاب التي تم تحديدها بناءً على معلوماتهم الثابتة والديناميكية. تشير الدراستان في هذه المراجعة إلى أن الجمع بين نهجي التخصيص والتكيف له تأثير إيجابي محتمل على نتائج تعلم الطلاب وتحفيزهم. يمكن أن يسمح استخراج بيانات الطلاب الثابتة والديناميكية في نفس الوقت لمصممي المناهج والمعلمين بفهم الفروق الفردية بشكل شامل وبالتالي إنشاء ملفات تعريف طلابية عالية الكفاءة. لا يمكن للنظام المخصص جمع بيانات الطلاب الثابتة مثل العمر والجنس التي قد تؤثر على تفضيلاتهم فحسب، بل يمكنه أيضًا تقديم رؤى حول كيفية تصرفهم أثناء ‘اللعب’، مثل مدة اللعبة وسرعتها. يمكن أن يساعد ذلك في الكشف عن مدى انخراط المتعلمين ويسمح بتعديل الأنشطة المخصصة بشكل فعال وفقًا لتفضيلات الطلاب واحتياجاتهم أثناء الأنشطة المخصصة. ومع ذلك، تم استخدام الجمع بين النهجين المخصص والتكيف في دراستين فقط، مما يعني أن هناك حاجة إلى مزيد من البحث لالتقاط بيانات الطلاب المتنوعة في أنظمة الألعاب الرقمية المخصصة (على سبيل المثال، إجابات الاستبيانات، بيانات تسجيل الدخول، آثار العمل المخصصة، السلوك والتفاعل مع البيئة والآخرين) لتحديد تأثيرات النهج الفردي والمجمع على أداء تعلم الطلاب. توفر الدراسات الحديثة التي تستخدم التنقيب عن البيانات (على سبيل المثال، إيمري، 2020) وتعلم الآلة (على سبيل المثال، رودريغيز وآخرون، 2021) فرصة جيدة لتقييم بيانات الطلاب وتحليل أدائهم في سياقات التعلم المخصصة.

كانت التوصية هي النهج الأقل استخدامًا في الفصول الدراسية الرقمية المخصصة في المقالات التي تمت مراجعتها في هذه الدراسة. نظام التوصية يوصي بأنشطة مخصصة للألعاب التي غالبًا ما قام بها معظم الأشخاص الذين لديهم ملفات تعريف مشابهة من قبل. وجدنا أنه تلقى اهتمامًا قليلًا في الأبحاث المراجعة المتعلقة بالألعاب المخصصة، حيث أبلغت فقط سو وآخرون (2016) عن هذا النهج. قد يكون السبب المحتمل لذلك هو نقص الدراسات التجريبية في البيئات التعليمية والحاجة إلى بيانات كافية للطلاب لإنشاء ‘نوع ملف تعريف المستخدم – قاعدة بيانات الأنشطة المخصصة المفضلة’. ومع ذلك، وُجد أن هذا النهج يحسن من دافع التعلم ونتائج الطلاب المختلفين ذوي أنماط التعلم المتنوعة (سو وآخرون، 2016). بالإضافة إلى ذلك، أدى الاستخدام الواسع لأنظمة التوصية في مجال التسويق، مثل نظام ‘نعتقد أنك تحب’ من أمازون، إلى زيادة كبيرة في شراء المستهلكين، مما يعكس إمكاناته الكبيرة لتحسين دافع المستخدم (شو وتانغ، 2015).

كشفت مراجعة الأدبيات عن ثلاثة وعشرين عنصرًا من عناصر اللعبة، مع كون المكافأة هي الأكثر استخدامًا عند تخصيص الألعاب الرقمية. يمكن منح المكافآت للاعبين لتقدير أفعالهم ونجاحهم مثل النقاط والاعتمادات والشارات، أو منحها لدعمهم للجولة التالية من اللعبة مثل السلع الافتراضية. عندما يتعلق الأمر بعناصر اللعبة في كل مجموعة، يمكننا أن نرى أن المكافأة والتحدي كانا أكثر العناصر استخدامًا من حيث الأداء والشخصية، على التوالي. كانت المنافسة هي العنصر الأكثر استخدامًا من مجموعة العناصر الاجتماعية. كانت الوصول والاختيار تشترك في أكبر نسبة من عناصر اللعبة البيئية. في المجموعة الخيالية، كانت عدد عناصر السرد ورواية القصص متساوية. يسمح الفهم الواضح لمجموعات عناصر اللعبة باختيارها بسهولة، وبالتالي يساهم في نجاح الفصول الدراسية المخصصة، حتى في تطوير استخدام النهج المخصصة في مجالات أخرى مرتبطة بـ ‘اللعبة’، مثل الألعاب التعليمية الجادة والتعلم القائم على الألعاب. على الرغم من أن الألعاب التعليمية الجادة والتعلم القائم على الألعاب تقدم ألعابًا مكتملة، تختلف عن الألعاب المخصصة (Deterding et al.، 2011)، إلا أن جميع هذه المفاهيم تشترك في فكرة استخدام تجارب إيجابية قائمة على الألعاب للتعليم، وبالتالي فإن استخدام عناصر اللعبة ضروري في هذه السياقات التعليمية الثلاثة (Krath et al.، 2021).

بالإضافة إلى ذلك، كان من الواضح من مراجعة الأدبيات أن مجموعة الأداء كانت الأكثر استخدامًا في كل من النهجين المخصصين، مما يعني أن معظم الدراسات حول الألعاب الرقمية المخصصة في هذه الدراسة المراجعة ركزت على إعطاء الطلاب استجابات فورية لأفعالهم. توفر هذه النتيجة إشارات حول تصميم أنظمة الألعاب المستقبلية بغض النظر عن النهج المخصص الذي يستخدمونه، من خلال تسليط الضوء على أهمية التفاعل بين الأنظمة واللاعبين. كما ذكر تودا وآخرون (2019) يجب أن تكون مجموعة الأداء موجودة دائمًا حتى يتمكن المستخدمون من الحصول على تعليقات حول أفعالهم وبالتالي تعزيز انخراطهم في أنظمة الألعاب المخصصة التي يستخدمونها.

من ناحية أخرى، كانت المجموعة الخيالية الأقل تطبيقًا. قد يتسبب نقصها في فقدان سياق التعلم معناه، وهو السبب في ضرورة اتخاذ الطلاب إجراءات ضمن النظام المعزز بالألعاب، مما يؤثر بشكل مباشر على جودة تجارب المستخدمين المخصصة (تودا وآخرون، 2019). هذه النتيجة تتماشى مع ما ذكره بالومينو وآخرون (2019) الذين أشاروا إلى أنه ليس من الشائع اعتبار المجموعة الخيالية عند تصميم واستخدام بيئة معززة بالألعاب. وفقًا لتودا وآخرون (2019)، فإن أحد الأسباب المحتملة لاستخدامها غير الشائع هو عدم وجود تمييز واضح بين السرد ورواية القصص، مما يتسبب في أن يتم فهم المجموعة الخيالية بشكل خاطئ وغالبًا ما يتم استخدامها بشكل غير كاف. كل من السرد ورواية القصص ضروريان للمجموعة الخيالية، لكن معظم الأطر الحالية للعب الألعاب ترى السرد على أنه نفس رواية القصص، مما يعني أنهم غالبًا ما يستخدمون رواية القصص فقط ونادرًا ما يتضمنون عناصر السرد عند محاولة استخدام المجموعة الخيالية (أي، دايكينز وآخرون، 2021؛ مونتيررات وآخرون، 2014؛ تينوريو، ديرميفال، وآخرون، 2020ب؛ زاريك وآخرون، 2017).

بالإضافة إلى ذلك، وجدنا أن أربعة مقالات فقط ذكرت جميع المجموعات الخمس عند إعداد وتنفيذ الألعاب الرقمية المخصصة. ذكر تودا وآخرون (2019) أن كل مجموعة مرتبطة بجانب واحد من البيئة المعززة بالألعاب وجميعها مهمة لتعزيز دافع الطلاب خلال الدروس المعززة بالألعاب. ومع ذلك، فإن القليل من الدراسات التجريبية قد فحصت ما إذا كان دمج جميعها سيؤدي إلى مستوى أعلى من دافع التعلم والأداء. لذلك، نشجع على المزيد من الأبحاث التجريبية حول تأثير استخدام جميع مجموعات عناصر اللعبة عند تخصيص الألعاب للتعلم.

نود أن نذكر ثلاث قيود لهذه الدراسة الاستعراضية واقتراحات للبحوث المستقبلية التي تعالج هذه القيود. أولاً، من الجدير بالذكر أن نسبة كبيرة (أكثر من ) من المقالات التي تمت مراجعتها في هذه الدراسة لم تذكر المستوى التعليمي للطلاب الذين شاركوا. كانت معظم الدراسات موجهة لطلاب الجامعات، مما ترك معلومات غير كافية للألعاب مع الطلاب في مستويات أخرى، وخاصة طلاب المدارس الابتدائية. يمكن أن تسمح المعلومات حول المستوى التعليمي الذي تم تنفيذ الألعاب فيه للباحثين بالتعمق في المجالات ذات الصلة وتوفير أسس تجريبية للمعلمين في سياقات التعلم المختلفة لتصميم وتنفيذ استراتيجياتهم التربوية للدروس المعززة بالألعاب.

ثانيًا، ركزت معظم المقالات المختارة على إعداد الألعاب الرقمية المخصصة بدلاً من تنفيذها. لسد الفجوة بين الإعداد والتنفيذ، نقترح على الباحثين المستقبليين إجراء دراسات قائمة على التصميم لتطوير وتقييم الألعاب المخصصة كجزء من ممارسة المعلمين التعليمية. بهذه الطريقة، ستكون هناك معلومات أكثر حول اعتبارات المعلمين بشأن الأساليب وعناصر اللعبة، وكيفية تنفيذها في تدريسهم، وكيفية تقييم أصحاب المصلحة
الدروس المعززة بالألعاب. بالإضافة إلى ذلك، قد تساعد التصاميم التجريبية مع دروس الألعاب غير المخصصة كمرجع في فحص نتائج الطلاب بطريقة صارمة. كما ذكر وي وآخرون (2021)، يلعب تقييم نتائج التعلم دورًا أساسيًا في تقييم إنجازات الطلاب الفعلية وفعالية ممارسات التدريس. في هذه التصاميم البحثية التجريبية، يمكن فحص ليس فقط الأساليب وتركيبات عناصر اللعبة للدروس المعززة بالألعاب، ولكن أيضًا التأثير النسبي لكل عنصر لعبة من خلال مقارنة النتائج في مجموعات الطلاب التي تتنوع فيها عناصر اللعبة.

ثالثًا، تركز دراستنا بشكل أساسي على وصف الأساليب المخصصة وعناصر اللعبة في السياقات التعليمية الرقمية المعززة بالألعاب. على الرغم من أن المعلومات حول الأساليب والعناصر هي خطوة ضرورية لفهم كيفية تخصيص الدروس المعززة بالألعاب الرقمية، يجب أيضًا مراعاة التأثيرات المحفزة لكل عنصر لعبة على كل نوع من الطلاب حيث أن الاحتياجات والتفضيلات الفردية هي مفتاح التخصيص. لتعظيم إمكانيات الألعاب الرقمية المخصصة لتعلم الطلاب، نوصي بالتالي بأن تستكشف الأبحاث المستقبلية العلاقة بين أنواع الطلاب وعناصر اللعبة، مما يمكن أن يوفر أساسًا نظريًا قويًا لتطوير أنظمة الألعاب الرقمية المخصصة، وبالتالي تسهيل استخدام هذه الطريقة التعليمية المبتكرة. في السنوات الأخيرة، تم اقتراح بعض الأطر والتصنيفات لتمييز الطلاب من زوايا مختلفة، مثل تصنيف هيكسايد لأنواع اللاعبين الطلاب، ونموذج الخمسة الكبار لسمات شخصية الطلاب، ونموذج فيلدر وسيلفرمان لأساليب تعلم الطلاب. توفر هذه الأطر والتعريفات الواضحة لمختلف عناصر اللعبة إمكانية كبيرة لبناء العلاقة بين كل نوع من الطلاب وكل عنصر لعبة، وبالتالي دعم مستخدمي الألعاب لتصميم بيئات تعليمية رقمية مخصصة قادرة على تلبية احتياجات وتفضيلات الطلاب الفردية.

فحصت هذه الدراسة الاستعراضية المنهجية 43 مقالة واستقصت تطبيق الألعاب الرقمية المخصصة في السياق التعليمي. تم استخدام ثلاثة أساليب، وهي التخصيص، والتكيف، والتوصية، لتنفيذ الألعاب الرقمية المخصصة في الفصل، مع نمذجة المستخدم كأساس لها. علاوة على ذلك، وصفت هذه الدراسة عناصر اللعبة باستخدام خمس مجموعات: الأداء، الاجتماعي، الشخصي، البيئي، والخيالي، مع كون الأداء والخيالي الأكثر والأقل استخدامًا في جميع الأساليب المخصصة، على التوالي. حددت هذه المراجعة التطبيق المشترك للأساليب المخصصة والتكيفية في مقالتين مختارتين، مما يوسع نطاق البحث الذي ركز عليه كلوك وآخرون (2020) حول أنواع الأساليب المخصصة في التعلم المعزز بالألعاب. تحمل هذه النتائج بعض الآثار للمعلمين الذين يرغبون في تعزيز دروسهم.

أولاً، يجب على المعلمين تقديم الألعاب الرقمية المخصصة بشكل شامل مع أمثلة توضيحية (مثل مقاطع الفيديو لدروس الألعاب المخصصة) قبل دروسهم، لأن الألعاب الرقمية المخصصة هي تقنية جديدة ولم يتم اعتمادها على نطاق واسع للتعلم. علاوة على ذلك، يعتمد تنفيذ الأساليب الثلاثة المخصصة بشكل كبير على نمذجة المستخدم لإنشاء ملفات تعريف المستخدمين الفردية. لذلك، فإن قبول الطلاب لجمع بياناتهم الشخصية له أهمية كبيرة لفعالية التدريس. قبل الدرس، يحتاج المعلمون إلى تزويد الطلاب بفهم حول هذا الأسلوب وتمكينهم من فهم سبب جمع بياناتهم الشخصية. ثانيًا، كما هو موضح في دراستنا، يمكن أن تتكيف الأنظمة التلقائية مع الأنشطة المعززة بالألعاب المناسبة من خلال تحديد احتياجات الطلاب وتفضيلاتهم في الوقت الحقيقي. دون الضغط لتصميم أدوات مخصصة بأنفسهم، يمكن للمعلمين التركيز على المحتوى الذي يجب على الطلاب تعلمه. نظرًا لأن الألعاب في الفصل تهدف إلى ‘التعلم’ بدلاً من ‘التسلية’، يمكن تعظيم إمكانيات الألعاب المخصصة من خلال تخصيص كل من عناصر اللعبة ومحتوى التعلم. ثالثًا، خلال الدرس، يجب على المعلمين تقديم الدعم والتغذية الراجعة الفورية للطلاب. تظهر نتائجنا أن عناصر اللعبة من مجموعة الأداء تم تطبيقها في معظم الدراسات المختارة. وهذا يعني أن الاستجابات الفورية للطلاب مهمة لمشاركتهم في الفصل، بغض النظر عن أسلوب المعلم المخصص. يحتاج المعلمون إلى إيلاء اهتمام وثيق لأفعال الطلاب، خاصة إذا واجهوا صعوبات في استخدام الأنظمة المعززة بالألعاب.

يوجيا هونغ: التصور، تنظيم البيانات، التحليل الرسمي، الحصول على التمويل، التحقيق، المنهجية، إدارة المشروع، التصور، الكتابة – المسودة الأصلية، الكتابة – المراجعة والتحرير. ناديرا صعب: التصور، التحليل الرسمي، المنهجية، إدارة المشروع، الإشراف، الكتابة – المراجعة والتحرير. ويلفريد أدميرال: التصور، التحليل الرسمي، المنهجية، إدارة المشروع، الإشراف، الكتابة – المراجعة والتحرير.

ستكون البيانات متاحة عند الطلب.

الجدول 4 (مستمر)

Abbasi, M., Montazer, G., Ghrobani, F., & Alipour, Z. (2021). Personalized gamification in E-Learning with a focus on learners’ motivation and personality. Interdisciplinary Journal of Virtual Learning in Medical Sciences, 12(3), 201-212.
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Transactions on Knowledge and Data Engineering, 17(6), 734-749.
Aljabali, R. N., & Ahmad, N. (2018). A review on adopting personalized gamified experience in the learning context (pp. 61-66). IEEE Conference on e-Learning, eManagement and e-Services.
Almeida, C., Kalinowski, M., Uchôa, A., & Feijó, B. (2023). Negative effects of gamification in education software: Systematic mapping and practitioner perceptions. Information and Software Technology, 156, Article 107142.
Altaie, M. A., & Jawawi, D. N. A. (2021). Adaptive gamification framework to promote computational thinking in 8-13 year olds. Journal of e-Learning and Knowledge Society, 17(3), 89-100.
Amiel, T., & Reeves, T. C. (2008). Design-based research and educational technology: Rethinking technology and the research agenda. Journal of Educational Technology & Society, 11(4), 29-40.
Azzi, I., Jeghal, A., Radouane, A., Yahyaouy, A., & Tairi, H. (2020). A robust classification to predict learning styles in adaptive E-learning systems. Education and Information Technologies, 25(1), 437-448.
Barata, G., Gama, S., Jorge, J., & Gonçalves, D. (2015). Gamification for smarter learning: Tales from the trenches. Smart Learning Environments, 2(1), 1-23.
Bennani, S., Maalel, A., & Ghezala, H. B. (2020). AGE-Learn: Ontology-based representation of personalized gamification in E-learning. Procedia Computer Science, 176, 1005-1014.

Böckle, M., Novak, J., & Bick, M. (2017). Towards adaptive gamification: A synthesis of current developments. In In proceedings of the 25th European conference on information systems (pp. 158-174). ECIS).
Buckley, P., & Doyle, E. (2017). Individualising gamification: An investigation of the impact of learning styles and personality traits on the efficacy of gamification using a prediction market. Computers & Education, 106, 43-55.
Codish, D., & Ravid, G. (2014). Personality based gamification-Educational gamification for extroverts and introverts. Proceedings of the 9th CHAIS Conference for the Study of Innovation and Learning Technologies: Learning in the Technological Era, 1, 36-44.
Daghestani, L. F., Ibrahim, L. F., Al-Towirgi, R. S., & Salman, H. A. (2020). Adapting gamified learning systems using educational data mining techniques. Computer Applications in Engineering Education, 28(3), 568-589.
de la Peña, D., Lizcano, D., & Martínez-Álvarez, I. (2021). Learning through play: Gamification model in university-level distance learning. Entertainment Computing, 39.

Dermeval, D., Albuquerque, J., Bittencourt, I. I., Isotani, S., Silva, A. P., & Vassileva, J. (2019). GaTO: An ontological model to apply gamification in intelligent tutoring systems. Frontiers in Artificial Intelligence, 2, 1-15.
Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness: Defining “gamification”. In In proceedings of the 15th international academic MindTrek conference: Envisioning future media environments (pp. 9-15).
Dykens, I. T., Wetzel, A., Dorton, S. L., & Batchelor, E. (2021). Towards a unified model of gamification and motivation. International Conference on Human-Computer Interaction, 53-70.
Eder, G. M. J., Mirna, M., Héctor, C. R., & Jezreel, M. (2021). Designing a player-persona for gamification learning experiences.
Elliot, A. J., & Murayama, K. (2008). On the measurement of achievement goals: Critique illustration and application. Educational Psychology, 100, 613-628.
Fishman, B. J., Penuel, W. R., Allen, A. R., Cheng, B. H., & Sabelli, N. O. R. A. (2013). Design-based implementation research: An emerging model for transforming the relationship of research and practice. Teachers College Record, 115(14), 136-156.
Gil, B., Cantador, I., & Marczewski, A. (2015). Validating gamification mechanics and player types in an e-learning environment (pp. 568-572). European Conference on Technology Enhanced Learning.
González, C. S., Toledo, P., & Muñoz, V. (2016). Enhancing the engagement of intelligent tutorial systems through personalization of gamification. International Journal of Engineering Education, 32(1), 532-541.
Hallifax, S., Lavoué, E., & Serna, A. (2020). To tailor or not to tailor gamification? An analysis of the impact of tailored game elements on learners’ behaviours and motivation. International Conference on Artificial Intelligence in Education, 216-227.
Hallifax, S., Serna, A., Marty, J. C., & Lavoué, É. (2019). Adaptive gamification in education: A literature review of current trends and developments (pp. 294-307). European Conference on Technology Enhanced Learning.
Hammami, J., & Khemaja, M. (2019). Towards agile and gamified flipped learning design models: Application to the system and data integration course. Procedia Computer Science, 164, 239-244.
Hanus, M. D., & Fox, J. (2015). Assessing the effects of gamification in the classroom: A longitudinal study on intrinsic motivation, social comparison, satisfaction, effort, and academic performance. Computers & education, 80, 152-161.
Hassan, M. A., Habiba, U., Majeed, F., & Shoaib, M. (2021). Adaptive gamification in E-learning based on students’ learning styles. Interactive Learning Environments, 29(4), 545-565.
Imre, Z. (2020). Ontology based UX personalization for gamified education (pp. 415-422). ENASE.
Jagušt, T., Botički, I., & So, H. J. (2018). Examining competitive, collaborative and adaptive gamification in young learners’ math learning. Computers & Education, 125, 444-457.
Klock, A. C. T., da Cunha, L. F., de Cravalho, M. F., Rosa, B. E., Anton, A. J., & Gasparini, I. (2015b). Gamification in E-learning systems: A conceptual model to engage students and its application in an adaptive e-learning system. International Conference on Learning and Collaboration Technologies, 595-607.
Klock, A. C. T., Gasparini, I., Pimenta, M. S., & de Oliveira, J. P. M. (2015). Everybody is playing the game, but nobody’s rules are the same: Towards adaptation of gamification based on users’ characteristics. Bulletin of the Technical Committee on Learning Technology, 17(4), 22-25.
Klock, A. C. T., Gasparini, I., Pimenta, M. S., & Hamari, J. (2020). Tailored gamification: A review of literature. International Journal of Human-Computer Studies, 144.
Klock, A. C. T., Pimenta, M. S., & Gasparini, I. (2018). A systematic mapping of the customization of game elements in gamified systems. Brazilian Symposium on Computer Games and Digital Entertainment, 11-18.
Knutas, A., Van Roy, R., Hynninen, T., Granato, M., Kasurinen, J., & Ikonen, J. (2019). A process for designing algorithm-based personalized gamification. Multimedia Tools and Applications, 78(10), 13593-13612.
Koivisto, J., & Hamari, J. (2019). The rise of motivational information systems: A review of gamification research. International Journal of Information Management, 45, 191-210.
Kolpikova, E. P., Chen, D. C., & Doherty, J. H. (2019). Does the format of preclass reading quizzes matter? An evaluation of traditional and gamified, adaptive preclass reading quizzes. CBE-life Sciences Education, 18(4), 1-10.
Krath, J., Schürmann, L., & Von Korflesch, H. F. (2021). Revealing the theoretical basis of gamification: A systematic review and analysis of theory in research on gamification, serious games and game-based learning. Computers in Human Behavior, 125, Article 106963.
Kreuter, M. W., Farrell, D. W., Olevitch, L. R., & Brennan, L. K. (2013). Tailoring health messages: Customizing communication with computer technology. Routledge.
Lopes, V., Reinheimer, W., Medina, R., Bernardi, G., & Nunes, F. B. (2019). Adaptive gamification strategies for education: A systematic literature review. Brazilian Symposium on Computers in Education, 30, 1032-1041.
Madrid, M. A. C., & Jesus, D. M. A. D. (2021). Towards the design and development of an adaptive gamified task management web application to increase student engagement in online learning. International Conference on Human-Computer Interaction, 215-223.
Maher, Y., Moussa, S. M., & Khalifa, M. E. (2020). Learners on focus: Visualizing analytics through an integrated model for learning analytics in adaptive gamified elearning. IEEE Access, 8, 197597-197616.
Missaoui, S., & Maalel, A. (2021). Student’s profile modeling in an adaptive gamified learning environment. Education and Information Technologies, 26(5), 6367-6381.
Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & PRISMA Group*.. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. Annals of Internal Medicine, 151(4), 264-269.
Monterrat, B., Desmarais, M., Lavoué, E., & George, S. (2015). A player model for adaptive gamification in learning environments. International Conference on Artificial Intelligence in Education, 297-306.
Monterrat, B., Lavoué, É., & George, S. (2014). Toward an adaptive gamification system for learning environments. International Conference on Computer Supported Education, 115-129.
Monterrat, B., Lavoué, É., & George, S. (2014b). A framework to adapt gamification in learning environments (pp. 578-579). European Conference on Technology Enhanced Learning.
Monterrat, B., Lavoué, É., & George, S. (2017). Adaptation of gaming features for motivating learners. Simulation & Gaming, 48(5), 625-656.
Mora, A., Tondello, G. F., Nacke, L. E., & Arnedo-Moreno, J. (2018). Effect of personalized gameful design on student engagement (pp. 1925-1933). IEEE Global Engineering Education Conference (EDUCON).
Oliveira, W., & Bittencourt, I. I. (2019). Tailored gamification to educational technologies. Singapore: Springer.
Oliveira, W., Hamari, J., Shi, L., Toda, A. M., Rodrigues, L., Palomino, P. T., & Isotani, S. (2022). Tailored gamification in education: A literature review and future agenda. Education and Information Technologies, 1-34.
Palomino, P. T., Toda, A. M., Oliveira, W., Cristea, A. I., & Isotani, S. (2019). Narrative for gamification in education: Why should you care? International Conference on Advanced Learning Technologies (ICALT), 97-99.
Qiao, S., Yeung, S. S. S., Zainuddin, Z., Ng, D. T. K., & Chu, S. K. W. (2023). Examining the effects of mixed and non-digital gamification on students’ learning performance, cognitive engagement and course satisfaction. British Journal of Educational Technology, 54(1), 394-413.

Rodrigues, L., Toda, A. M., Oliveira, W., Palomino, P. T., Vassileva, J., & Isotani, S. (2021). Automating gamification personalization to the user and beyond. IEEE Transactions on Learning Technologies, 15(2), 199-212.
Rodríguez, I., Puig, A., & Rodríguez, À. (2022). Towards adaptive gamification: A method using dynamic player profile and a case study. Applied Sciences, 12(1), 486-504.
Roosta, F., Taghiyareh, F., & Mosharraf, M. (2016). Personalization of gamification-elements in an E-learning environment based on learners’ motivation. International Symposium on Telecommunications (IST), 637-642.
Santos, W. O. D., Bittencourt, I. I., & Vassileva, J. (2018). Design of tailored gamified educational systems based on gamer types (pp. 42-51). CBIE.
Santos, A. C. G., Oliveira, W., Hamari, J., Rodrigues, L., Toda, A. M., Palomino, P. T., & Isotani, S. (2021). The relationship between user types and gamification designs. User Modeling and User-Adapted Interaction, 31(5), 907-940.
Sezgin, S., & Yüzer, T. V. (2022). Analysing adaptive gamification design principles for online courses. Behaviour & Information Technology, 41(3), .
Shabihi, N., Taghiyareh, F., & Abdoli, M. H. (2016). Analyzing the effect of game-elements in E-learning environments through MBTI-based personalization. International Symposium on Telecommunications (IST), 612-618.
Shi, L., & Cristea, A. I. (2016). Motivational Gamification strategies rooted in self-determination theory for social adaptive E-Learning. Intelligent Tutoring Systems, 294-300.
Su, C. H., Fan, K. K., & Su, P. Y. (2016). A intelligent Gamifying learning recommender system integrated with learning styles and Kelly repertory grid technology. International Conference on Applied System Innovation (ICASI), 1-4.
Tan, D. Y., & Cheah, C. W. (2021). Developing a gamified AI-enabled online learning application to improve students’ perception of university physics. Computers and education: Artificial Intelligence, 2.
Tenório, K., Chalco Challco, G., Dermeval, D., Lemos, B., Nascimento, P., Santos, R., & Pedro da Silva, A. (2020). Helping teachers assist their students in gamified adaptive educational systems: Towards a gamification analytics tool. International Conference on Artificial Intelligence in Education, 312-317.
Tenório, K., Dermeval, D., Monteiro, M., Peixoto, A., & Pedro, A. (2020b). Raising teachers empowerment in gamification design of adaptive learning systems: A qualitative research. International Conference on Artificial Intelligence in Education, 524-536.
Tenório, K., Dermeval, D., Monteiro, M., Peixoto, A., & Silva, A. P. D. (2021). Exploring design concepts to enable teachers to monitor and adapt gamification in adaptive learning systems: A qualitative research approach. International Journal of Artificial Intelligence in Education, 1-25.
Toda, A. M., Klock, A. C., Oliveira, W., Palomino, P. T., Rodrigues, L., Shi, L., Bittencourt, lg, Gasparini, I., Isotani, S., & Cristea, A. I. (2019). Analysing gamification elements in educational environments using an existing Gamification taxonomy. Smart Learning Environments, 6(1), 1-14.
Toda, A. M., Valle, P. H. D., & Isotani, S. (2017). The dark side of gamification: An overview of negative effects of gamification in education. In Proceedings of the researcher links workshop (pp. 143-156).
Van Roy, R., & Zaman, B. (2018). Need-supporting gamification in education: An assessment of motivational effects over time. Computers & Education, 127, 283-297.
Wei, X., Saab, N., & Admiraal, W. (2021). Assessment of cognitive, behavioral, and affective learning outcomes in massive open online courses: A systematic literature review. Computers & Education, 163, Article 104097.
Xu, H., Song, D., Yu, T., & Tavares, A. (2017). An enjoyable learning experience in personalising learning based on knowledge management: A case study. Eurasia Journal of Mathematics, Science and Technology Education, 13(7), 3001-3018.
Xu, Y., & Tang, Y. (2015). Based on action-personality data mining, research of gamification emission reduction mechanism and intelligent personalized action recommendation model. Cross-Cultural Design Methods, Practice and Impact: 7th International Conference, 241-252.
Yildirim, I. (2017). The effects of gamification-based teaching practices on student achievement and students’ attitudes toward lessons. The Internet and Higher Education, 33, 86-92.
Zaric, N., Scepanović, S., Vujicic, T., Ljucovic, J., & Davcev, D. (2017). The model for gamification of E-learning in higher education based on learning styles. International Conference on ICT Innovations, 265-273.

Tailored digital gamification
Teaching and learning
Tailored approach
Game elements and clusters
Systematic literature review

Gamification is the use of game elements in non-game contexts (Deterding et al., 2011) and it is typically employed by relying on digital platforms or applications (Qiao et al., 2023). The role of gamification in students’ learning, motivation and outcomes is controversial and the subject of heated discussion (cf. Almeida et al., 2023; Hanus & Fox, 2015; Toda et al., 2017; Van Roy & Zaman, 2018; Yildirim, 2017). One key reason for this is that game elements may generate different gamified effects on individual students’ learning. According to Oliveira and Bittencourt (2019), students may be motivated or not by certain game elements since their characteristics and learning needs vary. Many studies have found that one-size-fits-all gamified classes can cause or aggravate demotivation if they do not consider students’ individual differences (e.g., Koivisto & Hamari, 2019; Toda et al., 2017). A tailored

approach is regarded as a way to improve student gamification experiences, which corresponds to any changes in learning contents or strategies to reach individual learning needs and preferences (Kreuter et al., 2013).

Tailored gamification is the integration of a tailored approach and gamification, which tailors different game elements according to personal user profiles to maximize the expected goals of individuals (Altaie & Jawawi, 2021). Although it is expected to motivate students by taking their individual differences into account, it is a challenge for teachers and curriculum designers to implement it in class and only a few studies have discussed the use of tailored gamification in educational settings. To understand it in depth, it is not only necessary to know different tailored approaches in educational gamified contexts, but also which game elements are used for tailoring. As two common approaches, personalization could involve tailoring activities to students’ interests based on questionnaire answers, while adaptation tailors learning contents based on students’ performances in class. Besides, it is essential to clearly distinguish between different game elements before tailoring gamification. For instance, challenge is regarded as a conflict between the gamified system and users, while competition is a conflict between users.

Previous review studies lacked a clear classification of either the tailored approaches or game elements applied in gamification, and this may have hindered teachers from understanding and tailoring gamified classes. Additionally, they did not distinguish between digital and non-digital gamification when searching for related works. Although computer-based mechanisms are used in most gamified classes, they are not a prerequisite. The current review study aimed to explore what approaches and game elements have been used in the selected studies to provide practical recommendations for implementing tailored digital gamification in educational settings.

Tailored gamification is expected to enhance student motivation and performance by considering their individual characteristics and needs such as learning styles (Azzi et al., 2020). It has been examined in previous review studies.

Aljabali and Ahmad (2018) reviewed 13 papers from 2010 to 2017, mainly exploring three parameters to differentiate individuals: learning styles, player types, and personality traits. They stated that most studies identified the positive influence of tailored gamification on student motivation and learning performance. This review revealed a change of direction in research on gamification from studying one-size-fits-all gamification (2010-2013) to tailored gamification (2014-2017). However, the approaches to tailor were not explained in this study.

Another systematic review study (Hallifax et al., 2019) analyzed 20 papers published from 2014 to 2019 and identified another parameter ‘expertise’, as well as ‘player types’ and ‘personalities’. In addition, the authors divided tailored approaches into two systems: dynamic and static adaptations. Dynamic adaptations use learner activities and behaviors during gamified learning to modify the functioning of the game elements. In contrast, static adaptation relies on students’ static information such as player-type questionnaire answers. The findings showed that most of the tailored gamification studies had a positive effect on student motivation. Only a few studies differentiated between tailored approaches according to students’ static or dynamic information. In the same year, Lopes et al. (2019) conducted a review of 16 papers published between 2012 and 2018. The authors listed examples of how different researchers tailored their classes, but did not analyze them systematically.

Yet another review (Klock et al., 2020) revealed that three approaches personalization, adaptation, and recommendation were often used for tailoring gamification. Personalization modifies gamified systems to fulfill students’ needs based on their static data in the user profiles, whereas adaptation relies heavily on student dynamic data in the user profiles to identify their needs and thus adapt the gamified systems. Recommendation provides students with game elements that people with similar tastes liked in the past. Additionally, according to this study, user modeling is a basis for these approaches, which models and creates student user profiles by storing personal data associated with individuals. The authors then distinguished more than 30 game elements without considering their clusters. Different clusters reflect different functions of game elements. Understanding them facilitates the easy selection of game elements. Moreover, since Klock et al. (2020) explored tailored gamification regardless of its application context, there is still a need to explore how these approaches can be used effectively in the educational domain. More recently, Oliveira et al. (2022) reviewed 19 studies published from 2014 to 2020 and listed the approaches used in tailored gamification. Their conclusions revealed that there was a lack of studies on game elements in the tailored gamification literature.

The above reviews synthesized tailored gamification studies in education mainly before 2020. Yet the findings did not include sufficient information about game elements and their categories and the use of them in a tailored gamified approach to learning. Besides, these studies explored tailored gamification regardless of digital or non-digital contexts. Our contribution will focus on tailored digital gamifying classes.

This review paper elaborates on the tailored approaches and game elements for learning and two main research questions direct the review study.

RQ1. Which approaches are employed to tailor digital gamification in education?
RQ2. Which game elements are used when using these tailored approaches?

This study adopted the systematic literature review. The principles of the PRISMA statement (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) (Moher et al., 2009) were used as a guideline to conduct and report this review work. The eligibility criteria, information sources, search strategy, selection process, data collection, data items, and synthesis process were
described in the following subsections.

This study focused on tailored gamification for education and thus the keywords for searching consisted of synonyms of tailor (e.g., personalize) and variants of gamification (e.g., gamified) and education (e.g., school, learning, and teaching). The selected papers had to be: (a) focused on tailored digital gamification (i.e., excluding general gamified techniques or non-digital gamification or irrelevant to gamification); (b) written in English; (c) records with full access; (d) available in full text; (e) primary studies providing first-hand data (i.e., not surveys or systematic mappings or reviews); (f) peer-reviewed articles; (g) in educational settings; and (h) published from 2013 to date. The period chosen, from 2013 to 2022, started when tailored gamification began to be studied (Klock et al., 2018) and was extended through to the year 2022 in order to collect state-of-the-art research data on this topic.

This study was conducted using electronic searches and the snowballing technique to retrieve relevant studies. Nine databases were used for the electronic searches, including SpringerLink, Taylor & Francies Online, Wiley Online Library, SAGE Journals, Web of Science, JSTOR (Journal STORage), ScienceDirect (Elsevier), ProQuest, and Scopus. A snowballing technique was utilized to identify extra studies by searching the reference lists of eligible publications in the databases mentioned above.

In total, this search yielded 1772 articles ( 1768 from electronic search and 4 from snowballing). However, only 1025 articles (1021 from electronic search and 4 from snowballing) from the year 2013 to date were available in full texts. Table 1 shows the information sources and search strategies, which explains 1) the number of articles found by the electronic searches in each of the 9 databases; 2) the number of articles found by the snowballing technique.

The remaining 1025 papers were reviewed and selected by a single author, since this was an effective use of time and resources. After screening the search results, 43 papers were identified for further study (Fig. 1). The screening resulted in 46 papers being excluded due to duplication, 50 for being written in languages other than English and 835 articles were removed because they were not related to tailored digital gamification. Then after reading the last 94 articles, 18 articles were deleted because they did not provide first-hand data (such as a review study), 1 paper because it had not been peer-reviewed, and 32 because they were not in educational settings.

In March 2022, the author conducted the search and the search criteria for the nine databases were as follows: Searching in the title: (tailored OR tailoring OR tailor OR adaptation OR adaptive OR adapt OR adapting OR personalization OR personalize OR personalized OR personalizing OR recommend OR recommendation OR recommending OR recommended OR model OR modeling) AND (gamification OR gamified OR gamify OR gamifying). Searching in any field: AND (education OR school OR teaching OR learning).
https://link.springer.com/.
https://www.tandfonline.com/.
https://onlinelibrary.wiley.com/.
https://journals.sagepub.com/.
https://clarivate.com/products/scientific-and-academic-research/research-discovery-and-workflow-solutions/webofscience-platform/.
https://www.jstor.org/.
https://www.sciencedirect.com/.
https://www.proquest.com/.
https://www.scopus.com/home.uri.

Two co-authors were invited to evaluate the relevance and quality of the 43 identified articles according to the eligibility criteria. There was a 100% match in the inclusion and exclusion of articles by both raters. Ultimately, the manual selection resulted in 43 eligible papers for this systematic review study.

The data analysis included the categorization of both approaches and game elements. As shown in Table 4 of the Appendix, we adopted the taxonomy of Klock et al. (2020) and categorized the tailored approaches as personalization, adaptation, and recommendation. User modeling was also included since it is the basis of all three approaches. Personalization, adaptation and recommendation are all the implementation of tailored gamification using different kinds of user data. Personalization is a one-time adjustment of the system to satisfy people’s needs and preferences based on user static data. Once the data is gathered, the user model is not changed. For example, users are provided with game elements based on their preferences collected in a questionnaire. Adaptation is a continuous adjustment of the system to satisfy people’s needs and preferences, based on user dynamic data. It allows an up-to-date representation of users. For example, users are provided with various learning tasks based on their real-time performances. Recommendation uses information about user characteristics (e.g., age, gender) to suggest the elements and activities that are preferred and needed by people who had similar user characteristics (e.g., age, gender) in the past. It is similar to personalization in terms of data collection since they both rely on user static data. However, the difference is that recommendation also builds on existing data from other learners. It allows predictions about a user’s needs and preferences even if there is not sufficient user data, since the user profiles have shown that other users with similar characteristics have certain needs and preferences. For example, YouTube recommends different videos to users of different ages. The implementation of all these three approaches depends heavily on the information contained in user profiles. User modeling is the process of creating user profiles by storing data about individuals, which is the preparation for tailored gamification. In this review study, articles on user modeling only described what information they can rely on to tailor their gamified class. However, since they did not conduct the class in practice, it is not yet clear what tailored approaches they would use.

In Table 5 of the Appendix, we applied the method of Toda et al. (2019) to group game elements for tailored gamification in education into five clusters: performance, personal, social, ecological, and fictional cluster. The authors of Toda et al. (2019) firstly standardized the concepts of 19 game elements and verified their relevance for educational settings through employing online surveys with gamification experts. The semantic analysis was used to evaluate the results of the surveys, which suggested that there was a high
internal consistence among the experts regarding the description of the 19 game elements (Cronbach’s Alpha> 0.8). Then 5 experts, classified the 19 game elements into 5 clusters. The game elements of ‘performance’ cluster provide information about users’ performance in the gamified environment (e.g., reward, punishment); the ‘personal’ cluster is related to the learner who is using the gamified environment (e.g., personal goal); the ‘social’ one provides information about users’ interaction in the gamified environment (cooperation, competition); the ‘ecological’ cluster provides users with the information about the gamified environment (e.g., time pressure); the ‘fictional’ one is a mixed dimension that is related to both the user (through narrative) and the environment (through storytelling), tying the users’ experience with the context. Narrative refers to the larger story the user is working with and storytelling materializes this larger story with the aid of text, audio-visual and other sensorial stimuli to contextualize the narrative.

Tailored digital gamification is attracting global attention increasingly. As we can see in Fig. 2, compared with Asia (10.67), Europe assumed leadership in the number of publications with a total of 16.14 studies. On the other hand, South America, Africa, and North America contributed much fewer papers, and there were no publications found from Oceania. In terms of the authors’ affiliation countries, Brazil (8.11) was the most published one, followed by France.

From the perspective of publication years, as shown in Fig. 3, the number of publications related to tailored digital gamification showed a fluctuating upward trend, with 2018-2021 witnessing the largest rise and the year 2021 reaching the top. It is worth mentioning that the decrease in 2022 could be not considered a trend, since this systematic review was conducted in the first half-year.

Table 4 of the Appendix gives an overview of the selected articles showing the approaches they employed in tailored digital gamified learning contexts. Table 2 calculates the number of publications using each tailored approach in this review study.

We can see that more than half studies ( ) focused on user modeling to explore what information could be collected to create personal user profiles. Even though it is a basis of tailoring gamified classes, the result implies that most articles in this review study only stayed in the preparation stages of tailoring, rather than concrete implementation in class (i.e., personalization, adaptation, recommendation). For example, Sezgin and Yüzer (2022) performed a four-round Delphi panel with twelve field experts and ultimately yielded a checklist of tailored gamification design principles for online courses. The authors stated that students’ personal backgrounds, such as age, gender, education level, and learning styles, should be considered into user profiles when tailoring the gamified systems. However, this study did not include any further specification on whether and how the authors would tailor their classes.

Table 2 shows that eight papers employed the personalized approach. It is a one-time adjustment, made according to students’ user profiles that are determined by their static information (Klock et al., 2018). In the ‘data sources’ column, we show that students’ static information could be collected using quantitative or qualitative methods, though quantitative methods were used more often. Several studies (i.e., Abbasi et al., 2021; Hallifax et al., 2020; Roosta et al., 2016; Shabihi et al., 2016) have explored various types of user profiles among students, like player types, personality traits, and motivation types, by using existing questionnaire modes quantitatively. For example, Hallifax et al. (2020) conducted two five-point Likert-scale questionnaire surveys to identify 258 participants’ player and motivation types based on Hexad typology and Academic Motivational Scale before class. This study showed that combining these two types of student profiles for dual personalization reinforced the students’ motivation for learning mathematics at a higher level better than using only one user profile.

Apart from the quantitative methods, in some cases, qualitative methods relying on the interview transcripts were employed. For example, Eder et al. (2021) conducted an in-depth interview in a high school to define students’ play-persona by including information from aspects of their demographics, academic skills, preferences, and learning contexts. The interviews were recorded to transcribe the comments of the interviewees and this facilitated the qualitative analysis.

The ‘analyze’ column in Table 4 shows that the static information collected by questionnaire and interview studies in ‘personalization’ was usually analyzed according to the existing literature and the instructors’ judgment. Roosta et al. (2016) relied on the Achievement Goal Questionnaire (AGQ) to assess students’ motivation types. For example, students in the ‘Mastery Approach’ emphasized ‘skill acquisition’ according to goal-oriented theory (Elliot & Murayama, 2008). Therefore, if a student chose a high Likert scale for the questionnaire item ‘My goal is to learn as much as possible’, then he/she was more likely to be a ‘Mastery approach’ student in motivation type. Apart from the literature, instructors’ judgments on students’ learning needs (e.g., pain points, goals, and aspirations) also played an important role in analyzing student data in the interviews.

Table 2 shows that twelve papers employed adaptive approaches to tailor the digital gamified learning activities. Compared with personalization, adaptation involves continuous adjustment, according to students’ user profiles determined based on their dynamic information (Klock et al., 2018). This approach was used more often in the studies included in this review since more researchers began to realize that the static information students give may be inaccurate or change over time. For example, Rodríguez et al. (2022) stated that students’ inner (static) player type achieved by the validated questionnaire may evolve slightly during the experience. Therefore, they recalculated students’ player types by using the matrix multiplication method according to students’ behaviors (dynamic) to adapt the game elements at any given moment. The results showed it achieved a low error considering both situations: when the user accurately and inaccurately answered the player-type questionnaires. In the ‘data sources’ column for adaptation, students’ dynamic information was collected in five ways: observation, login frequency, time spent on quizzes, attempts at quizzes, and quiz scores.

Additionally, the observation included students’ game speed, game duration and gamified action traces when interacting with the systems, and also the times they asked for instructors’ scaffolding.

Combining the ‘data sources’ column with the ‘analyze’ column in Table 4, we can see that students’ dynamic information could be fully or partially adaptive. First, all the dynamic information on a student in a gamified system could be recorded as a portfolio and, based on this, students’ user profiles could be identified according to the action trajectory (e.g., Daghestani et al., 2020; Hassan et al., 2021; Monterrat et al., 2017). In this way, all of the subsequent gamified activities provided to the individual student would be fully adaptive (Böckle et al., 2017). For example, Daghestani et al. (2020) created an adaptive gamified learning system using AI to respond to students’ player types. In this system, the students’ integrated histories of the gamified action traces were analyzed to determine their player types.

In some cases, students’ dynamic information was collected in real-time, which meant that one action on their part would result in one response from the systems or instructors, in order to respond to their needs in a timely way (e.g., Kolpikova et al., 2019; Shi & Cristea, 2016; Tan & Cheah, 2021; Tenório, ChalcoChallco, et al., 2020; Xu et al., 2017). Since each adaptive activity only focuses on a single aspect of the students’ profiles, this kind of adaptation is regarded as partially adaptive (Böckle et al., 2017). In the studies of Kolpikova et al. (2019), Tan and Cheah (2021), and Xu et al. (2017), students had access to the timely intervention ‘hints’, which either referenced a particular section within the course materials or hinted that they ask their instructors if they had difficulties in problem-solving.

Only one paper in Table 2 employed recommendation as an approach to tailor digital gamified learning activities. Recommendation uses information about user characteristics to suggest to students game elements and activities that are preferred by people who had similar user characteristics in the past (Adomavicius & Tuzhilintake, 2005). Su et al. (2016) created an intelligent gamifying learning recommender system based on students’ learning styles to recommend learners for the next learning content. This recommender system used repertory grid technology (RGT) to give distinct learning unit recommendations to students with different

learning styles and was proven to enhance students’ learning motivation and outcomes.

Since 6 among 43 articles (2 user modeling studies, 1 adaptation study, 1 recommendation study, and 2 studies using both the personalization and adaptation) had no specific information related to the game elements they used, only the remaining 37 articles were analyzed. In Table 3, we can see that twenty-three game elements were found in this review study, of which ‘reward’ was the most used with 30 papers employing it (around ). Then we grouped these game elements into five clusters, namely, performance, personal, social, ecological, and fictional cluster. These clusters had their own characteristics and the use of them in each tailored approach differed slightly (Fig. 4).

From Fig. 4, the performance cluster was the most used in all the three kinds of tailored approaches ( used in user modeling, used in personalization and adaptation), with more than of articles in this review study including game elements of this kind. Five game elements, namely, reward, progress, feedback, punishment, and voting belong to it. These game elements in this cluster allow students to get an environment response from the tailored gamifying systems. Response could be instant feedback (e.g., Eder et al., 2021; Kolpikova et al., 2019), voting (Dykens et al., 2021), a reward or punishment for student performance (e.g., Barata et al., 2015; Jagušt et al., 2018), or an indicator of progress in the student’s learning trajectory (e.g., Dykens et al., 2021; Roosta et al., 2016). For example, Eder et al. (2021) employed feedback and reward as the responses to students’ actions in the tailored gamifying system. During the gamification process, a help button was available to give students instant hints when they encountered problems and if they solved a challenge successfully, they would be rewarded with a point. Roosta et al. (2016) used a progress bar in their environment to display learners’ progress through the grades achieved from all the course quizzes.

Among these five game elements, reward was the most used one (around ), whereas punishment (around ) and voting (around ) were the least. There were two main purposes for reward. First, in some cases, teachers or researchers praised students’ learning performance by using rewards such as points, badges, certificates, and trophies (e.g., Hallifax et al., 2020; Santos et al., 2018, pp. 42-51). For example, Hallifax et al. (2020) rewarded students’ progress by giving them badges for a quiz depending on how much of the quiz they got right (bronze for , silver for , and gold for ). This reward was for achievement and behavior and was demonstrated to motivate students in math. Second, reward (e.g., points, virtual goods) could help stimulate student extrinsic motivation to keep and strengthen their behaviors in the ‘game’ by providing them with scaffolding items. For example, Buckley and Doyle (2017) rewarded participants with virtual goods that they could use for their next games. The initial endowment of virtual cash was distributed for good performance in forecasting problems presented by the prediction market and students were allowed to use them to get more values in the next round of tasks in this market.

The social cluster was the second most used one for user modeling. It is related to the interactions between the learners in the environment. The game elements included competition, socialization, cooperation and reputation, providing information about users’ interactions. Of the articles in this review study, used this kind of game elements. For example, Daghestani et al. (2020) allowed students to share their ideas and solutions with others in the chat forum. Santos et al. (2021) had group missions that enabled students to cooperate to allow everybody to reach the end. Daghestani et al. (2020) displayed leaderboards that included the best students in the interface to stimulate students to compete for high rankings.

Among these game elements, competition (around ) was the most common. Compared with challenge which represents a conflict between players and gamified systems, competition is a conflict between players to motivate them to win. The studies reviewed in this study, used leaderboards, where the status of players depends on the number of points they achieve (e.g., de la Peña

The personal cluster as the second most used one in personalized approach ( ), involves six game elements totally, that is, challenge (around ), customization (around ), goal (around ), free to fail (around ), novelty (around ), and sensation (around 5%). The use of this cluster of game elements is directly related to characteristics of the learner using the environment. For example, Shabihi et al. (2016) defined clear goals as a guideline, which allowed students to see the direct impact of efforts and follow goals step by step. Hallifax et al. (2020) created a gamified activity, in which students could update their own avatars in different clothing or hold different items.

In this cluster, ‘challenge’ was the most often used for tailored gamification in learning (around ), with 26 among 37 papers applying it (e.g., Abbasi et al., 2021; Barata et al., 2015). First, in most cases, challenge was set up to assess and satisfy students’ academic needs and learning goals, in the form of quizzes or tasks (e.g., Hammami & Khemaja, 2019; Klock, Gasparini, et al., 2015), puzzles or mysteries (e.g., Abbasi et al., 2021; Santos et al., 2021) and quests (e.g., Dykens et al., 2021; Hassan et al., 2021). For example, Hammami and Khemaja (2019) gave learning tasks to students who sensed a lack in their skills and were aiming to improve their competencies. Tan and Cheah (2021) assigned a difficulty value to the quizzes and presented them to the students in increasing order of difficulty. Students were allowed to choose them according to their learning abilities and seek help if necessary. Second, several studies used ‘challenge’ to assess and satisfy students’ psychological needs. For example, Gil et al. (2015, pp. 568-572) required students to complete several assignments related to topics, working in different ways (alone, in pairs, or in teams) to identify their player types according to their actions. This study found that ‘explorers’ seldom spent time on assignments, while ‘achievers’ were motivated by this challenge. Mora et al. (2018, pp. 1925-1933) designed a game where students were assigned to different underwater stations with different exercises. For instance, A station was more competitive, while B was mostly collaborative. The decision was made according to students’ player type questionnaire answers.

The ecological and social clusters tied for the second place in the adaptive approach. In this review study, of articles used the game elements of the ecological cluster, including access, choice, time pressure, chance, trading, and rarity with access and choice with the highest frequency (both around ). The ecological cluster acts as a property of the environment that can be implemented in a subtle way to engage the users to follow the desired behavior (Toda et al., 2019).

Access is exclusive content conditioned to an action of the user to be available (Klock et al., 2020). For example, in the study of Kolpikova et al. (2019), when students completed some tasks in a sequence, then they would access external resources to consolidate their knowledge. Rodríguez et al. (2022) designed the Easter egg, which was a mechanism that can respond to the player’s specific action and then unlock hidden content. The interface of this Easter egg consisted of an image that allowed access to a mini game when it was pressed five times in a row. In addition, choice gives the users a possibility to have multiple routes to success, allowing them to decide how to complete the learning tasks, which included two types, namely, optional choice (e.g., Kolpikova et al., 2019) and imposed choice (Daghestani et al., 2020; Gil et al., 2015, pp. 568-572; Xu et al., 2017). Optional choice allows students to decide whether to implement a task or not, which does not influence the game completion. For example, students can accept the ‘hints and tips’ given by the gamified systems or just skip them (Kolpikova et al., 2019). Imposed choice is the decision that the user is obliged to make for completing the learning tasks, which means that if they do not choose a particular option, they cannot continue the tasks. For example, Daghestani et al. (2020) allowed students to choose any challenges to nail the game levels.

The fictional cluster of game elements was the least used one in all the approaches in this study. According to our findings, only two game elements ‘storytelling’ and ‘narrative’ were used in the fictional cluster. Storytelling is the way to tell the story of the environment (as a script). In this review, it was told by textual (e.g., Dykens et al., 2021; Monterrat et al., 2014) or audio information (e.g., Santos et al., 2021). For example, Dykens et al. (2021) established the theme, history, and context of the gamified environment textually at the beginning of the learning activities, while Santos et al. (2021) played an audio message when students were going through a forest to prevent them getting lost. Narrative can be understood as the process in which users build their own experience through a given content, exercising their freedom of choice in a given space and period of time, bounded by the system’s logic (Palomino et al., 2019). As a content element, it could help make the content itself interesting and motivate students to focus on the learning content.

Tailored digital gamification aims to increase student motivation and performance by considering individual differences in digital gamified classes. The number of publications on tailored digital gamification in educational settings has significantly increased since 2018. In this systematic review study, we examined the use of tailored digital gamification by exploring: (1) the approaches to tailor digital gamification in education; (2) the clusters of game elements used in tailored digital gamification. These two descriptive research questions were expected to help enhance the understanding of ‘how to tailor’ in digital gamified classes and bridge the gap between the
one-size-fits-all gamification and the tailored one.

Most of the selected studies only focused on exploring what information can be used to create personal user profiles by user modeling. Personalization, adaptation, and recommendation could tailor gamification in class, relying on students’ static data (personalization), dynamic data (adaptation), and suggestions from people with similar user profiles (recommendation). From this literature review it appears that the use of user modeling was examined in more than half of the studies, which is similar to the finding of a previous review by Klock et al. (2020). Personalization and adaptation were the two most frequently used approaches when implementing tailored digital gamifying classes in these reviewed studies. Although user modeling is a very significant step towards tailoring gamification (Klock et al., 2020), our findings imply that most studies focus on preparation instead of implementation of tailored gamification in class. This result is understandable since tailored gamification for learning is a rather new topic. In this review study, the first article in this field was in 2014 and the number of publications was limited, until the years 2018-2021 witnessing the largest rise. The research needs to first prioritize user modeling to analyze what information could be used to tailor, therefore building a solid basis for its implementation in class. Additionally, a long process is needed from preparation to implementation of a new educational technology. Although user modeling promotes the understanding of components for tailoring gamification in general, teachers must consider their own educational contexts for practice (Amiel & Reeves, 2008). In this review, most empirical studies only implemented tailored gamification for a limited time to test its effectiveness. The time constraints might result in a failure to detect some practical problems that would occur when teachers implement it in their classes. In order to promote the use of tailored gamification, we recommend future researchers conducting more design-based research that systematically refines tailored gamification through iterative analysis and design (Fishman et al., 2013). It can produce contextual design principles that provide similar researchers and teachers with clear guidance and solutions, so as to facilitate its implementation.

Personalization and adaptation are the adjustments to students’ user profiles that are determined based on their static and dynamic information, respectively (Klock et al., 2018). In these studies, the questionnaire was the most used instrument for the personalization approach to collect student static data. Yet, if the information students give through the questionnaires is unintentionally or deliberately inaccurate or evolves slightly over time, the follow-up gamification class activities sometimes cannot respond appropriately to students’ real types of user profiles. As for the adaptation approach, it can provide a continuous adjustment according to their real-time performance and needs, so it is regarded as a more accurate approach than the personalized one. Yet, capturing students’ dynamic information relies heavily on the automation of tailored gamification systems such as the one described by Hassan et al. (2021). To adapt gamified activities accurately, future research is recommended to develop more automatic systems, so as to achieve a prompt response to student behaviors and to avoid overburdening teachers and curriculum designers.

Furthermore, this review found that adaptation was more commonly employed than personalization, which meant that students’ dynamic information was used slightly more often than the static information in these works. This finding differs from Hallifax et al. (2019, pp. 294-307) who found that most tailored systems worked statically and there was more to be explored in the domain of students’ dynamic information. This difference might be explained by a variety of reasons. First, this current study included almost twice as many articles as Hallifax et al. (2019, pp. 294-307) and thus it is possible to obtain different results. Second, there have been more studies of user modeling since the year 2020, which help create more useful automatic tailored gamification systems for teachers or researchers to use. For example, Tenório, Dermeval, et al. (2020) designed a gamification analytics model by integrating each key concept of tailored gamification for teachers. It enabled them to monitor students’ interaction with the game elements easily to classify students and it also adapted the gamified missions to motivate students. Then Tenório, ChalcoChallco, et al. (2020) applied this existing gamified adaptive learning system in class to collect and analyze students’ behaviors automatically. Third, more and more researchers believe that students’ personal characteristics might change during gamified activities, so it is better and more accurate to identify their profiles in the process of a ‘game’, rather than before a ‘game’ (e.g., Hassan et al., 2021; Tan & Cheah, 2021).

In the selected studies, we found two articles using personalization and adaptation simultaneously (Maher et al., 2020; Missaoui & Maalel, 2021). They tailored digital gamification according to students’ user profiles that were determined based on both their static and dynamic information. The two studies in this review indicate that the combination of personalization and adaptation approaches has a potentially positive impact on student learning outcomes and motivation. Extracting static and dynamic student data simultaneously could allow curriculum designers and teachers to understand individual differences comprehensively and thus to create highly efficient student profiles. Not only can the gamified system collect students’ static data such as age and gender that might influence their preferences, but it can also provide insight into how they behave while ‘gaming’, such as their game duration and speed. This could help reveal to what extent learners are engaged and allow the gamification activities to be effectively modified according to student preferences and needs during the gamified activities. However, the combination of the personalized and adaptive approaches was used in two studies only, which means more research is needed to capture diverse student data in the tailored digital gamified systems (e.g., questionnaire answers, login data, gamified action traces, behavior and interaction with the environment and others) to identify the effects of single and combined approaches on student learning performances. Recent studies using data mining (e.g., Imre, 2020) and machine learning (e.g., Rodrigues et al., 2021) provide a good opportunity to evaluate student data and analyze their performance in tailored gamifying learning contexts.

Recommendation was the least used approach in tailored digital gamified classes in the articles reviewed in this study. A recommendation system recommends gamified activities that most people who have similar profiles have often taken before. We found that it received little attention in the reviewed research regarding tailored gamification, with only Su et al. (2016) reporting this approach. A possible reason for this may be the lack of empirical studies in educational settings and the need for sufficient student data to establish a ‘user profile type – preferred gamified activity database. Nevertheless, this approach was found to improve the learning motivation and outcomes of different students with various learning styles (Su et al., 2016). Additionally, the widespread use of recommendation systems in the marketing domain, such as the ‘guess you like’ system from Amazon, has boosted consumer purchasing considerably, reflecting its great potential to improve user motivation (Xu & Tang, 2015).

The literature review revealed twenty-three game elements, with reward the most used when tailoring digital gamification. Rewards could be given to players to praise their actions and success such as points, credits, and badges, or given to scaffold them for the next round of the game such as virtual goods. When it comes to the game elements in each cluster, we can see that reward and challenge were the most used performance and personal elements, respectively. Competition was the most used game element of the social cluster. Access and choice shared the largest proportion of ecological game elements. In the fictional cluster, the number of narrative and storytelling game elements equaled. A clear understanding of the clusters of game elements allows an easier selection of them, therefore contributing to the success of tailored gamification classes, even to the development of using tailored approaches in other ‘game’ related areas, such as serious educational games and game-based learning. Even though serious educational games and game-based learning present fully fledged games, which differ from gamification (Deterding et al., 2011), all these concepts share the idea of using positive gameful experiences to educate and thus the use of game elements are all necessary in these three learning contexts (Krath et al., 2021).

Besides, it was clear from the literature review that the performance cluster was the most used in each of the tailored approaches, which meant that most studies on tailored digital gamification in this review study focused on giving students instant responses to their actions. This result provides cues on the design of the future gamified systems whatever tailored approaches they use, by highlighting the importance of the interaction between the systems and players. As Toda et al. (2019) stated the performance cluster must always be present so users can get feedback on their actions and thus enhance their engagement in the gamified systems they are using.

On the other hand, the fictional cluster was the least applied. The lack of it may cause the learning context to lose its meaning, which is, why students must take actions within the gamified system, therefore directly influencing the quality of the tailored user experiences (Toda et al., 2019). This finding is consistent with that of Palomino et al. (2019) who state that it is not common to consider the fictional cluster when designing and using a gamified environment. According to Toda et al. (2019), one possible reason for its uncommon use is that there is no clear differentiation between narrative and storytelling, causing the fictional cluster to be often misunderstood and underused. Both narrative and storytelling are necessary for the fictional cluster, but most existing frameworks of gamification see narrative as the same as storytelling, which means that they often only use storytelling and seldom include narrative elements when attempting to use the fictional cluster (i.e., Dykens et al., 2021; Monterrat et al., 2014; Tenório, Dermeval, et al., 2020b; Zaric et al., 2017).

In addition, we found that only four articles reported on all five clusters when preparing and implementing tailored digital gamification. Toda et al. (2019) stated that each cluster is associated with one aspect of the gamified environment and all of them are important for enhancing student motivation during gamified classes. However, few empirical studies have examined whether integrating all of them would lead to a higher level of learning motivation and performance. We would therefore encourage more empirical research on the impact of using all the game element clusters when tailoring gamification for learning.

We would like to mention three limitations of this review study and suggestions for future research that address these limitations. Firstly, it is noteworthy that a significant proportion (more than ) of the reviewed articles in this study did not mention the educational level of the students who participated. Most studies were aimed at university students, leaving insufficient information for gamification with students at other levels, particularly primary school students. Information about the educational level in which gamification has been implemented could allow researchers to delve deeper into related fields and provide teachers in different learning contexts with empirical foundations to design and implement their pedagogical strategies for gamified classes.

Secondly, most selected articles focused on the preparation of tailored digital gamification rather than its implementation. To bridge the gap between preparation and implementation, we suggest future researchers conduct design-based studies to develop and evaluate tailored gamification as part of teachers’ instructional practice. In this way, more information will be available about teachers’ considerations about approaches and game elements, how they implement these in their teaching, and how stakeholders
evaluate gamified classes. In addition, experimental designs with non-tailored gamification classes as comparisons might help to examine the student outcomes in a rigorous way. As stated by Wei et al. (2021), the assessment of learning outcomes plays an essential role in the evaluation of students’ actual achievements and the effectiveness of teaching practices. In these experimental research designs, not only approaches and combinations of game elements of gamified classes can be examined, but also the relative effect of each game element by comparing outcomes in student groups in which game elements are varied.

Third, our study focuses mainly on describing the tailored approaches and the game elements in digital gamified educational contexts. Although information about approaches and elements is a necessary step for understanding how to tailor digital gamified classes, the motivating effects of each game element on each student type must be also considered since individual needs and preferences are key to tailor. To maximize the potential of tailored digital gamification for student learning, we thus recommend that future research explore the relationship between student types and the game elements, which can provide a solid theoretical foundation for developing tailored digital gamifying systems, and thus facilitate the use of this innovative teaching method. In recent years, some frameworks and typologies have been proposed to differentiate students from different perspectives, such as the Hexad typology for student player types, Big Five model for student personality traits, and Felder & Silverman model for student learning styles. These frameworks and the clear definitions of various game elements provide a great possibility to build the relationship between each student type and each game element, therefore supporting the gamification users to design tailored digital educational environments capable of satisfying student individual needs and preferences.

This systematic review study examined 43 articles and investigated the application of tailored digital gamification in the educational context. Three approaches, namely, personalization, adaptation, and recommendation, were employed to implement tailored digital gamification in class, with user modeling as their basis. Furthermore, this study characterized game elements using five clusters: performance, social, personal, ecological, and fictional, with the performance and fictional one as the most and least frequently used in all tailored approaches, respectively. This review identified the combined application of personalized and adaptive approaches in two selected articles, which expands upon the research focus of Klock et al. (2020) on the types of tailored approaches in gamified learning. These findings hold some implications for teachers who would like to gamify their classes.

First, teachers should introduce tailored digital gamification comprehensively along with illustrative examples (e.g., videos of tailored gamification lessons) before their class, because tailored digital gamification is a new technology and has not been widely adopted for learning. Furthermore, the implementation of three tailored approaches relies heavily on user modeling to create individuals’ user profiles. Therefore, students’ acceptance of collecting their personal data is of great importance for teaching effectiveness. Before class, teachers need to provide students with insight into this approach and enable them to understand why their personal data is being collected. Secondly, as shown in our study, automatic systems could adapt suitable gamified activities by identifying students’ real-time needs and preferences. Without the pressure to design tailored tools themselves, teachers can focus on the content students should learn. Since the gamification in class is aimed at ‘learning’ rather than ‘entertainment’, the potential of tailored gamification can be maximized by tailoring both game elements and learning content. Thirdly, during class, teachers should give scaffolding and instant feedback to students. Our results show that game elements of performance cluster were applied in almost all of the selected studies. It implies that immediate responses to students are important for their engagement in class, regardless of teachers’ tailored approach. Teachers need to pay close attention to students’ actions, especially if they encounter difficulties in using gamified systems.

Yujia Hong: Conceptualization, Data curation, Formal analysis, Funding acquisition, Investigation, Methodology, Project administration, Visualization, Writing – original draft, Writing – review & editing. Nadira Saab: Conceptualization, Formal analysis, Methodology, Project administration, Supervision, Writing – review & editing. Wilfried Admiraal: Conceptualization, Formal analysis, Methodology, Project administration, Supervision, Writing – review & editing.

Data will be made available on request.

Table 4 (continued)

Abbasi, M., Montazer, G., Ghrobani, F., & Alipour, Z. (2021). Personalized gamification in E-Learning with a focus on learners’ motivation and personality. Interdisciplinary Journal of Virtual Learning in Medical Sciences, 12(3), 201-212.
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Transactions on Knowledge and Data Engineering, 17(6), 734-749.
Aljabali, R. N., & Ahmad, N. (2018). A review on adopting personalized gamified experience in the learning context (pp. 61-66). IEEE Conference on e-Learning, eManagement and e-Services.
Almeida, C., Kalinowski, M., Uchôa, A., & Feijó, B. (2023). Negative effects of gamification in education software: Systematic mapping and practitioner perceptions. Information and Software Technology, 156, Article 107142.
Altaie, M. A., & Jawawi, D. N. A. (2021). Adaptive gamification framework to promote computational thinking in 8-13 year olds. Journal of e-Learning and Knowledge Society, 17(3), 89-100.
Amiel, T., & Reeves, T. C. (2008). Design-based research and educational technology: Rethinking technology and the research agenda. Journal of Educational Technology & Society, 11(4), 29-40.
Azzi, I., Jeghal, A., Radouane, A., Yahyaouy, A., & Tairi, H. (2020). A robust classification to predict learning styles in adaptive E-learning systems. Education and Information Technologies, 25(1), 437-448.
Barata, G., Gama, S., Jorge, J., & Gonçalves, D. (2015). Gamification for smarter learning: Tales from the trenches. Smart Learning Environments, 2(1), 1-23.
Bennani, S., Maalel, A., & Ghezala, H. B. (2020). AGE-Learn: Ontology-based representation of personalized gamification in E-learning. Procedia Computer Science, 176, 1005-1014.

Böckle, M., Novak, J., & Bick, M. (2017). Towards adaptive gamification: A synthesis of current developments. In In proceedings of the 25th European conference on information systems (pp. 158-174). ECIS).
Buckley, P., & Doyle, E. (2017). Individualising gamification: An investigation of the impact of learning styles and personality traits on the efficacy of gamification using a prediction market. Computers & Education, 106, 43-55.
Codish, D., & Ravid, G. (2014). Personality based gamification-Educational gamification for extroverts and introverts. Proceedings of the 9th CHAIS Conference for the Study of Innovation and Learning Technologies: Learning in the Technological Era, 1, 36-44.
Daghestani, L. F., Ibrahim, L. F., Al-Towirgi, R. S., & Salman, H. A. (2020). Adapting gamified learning systems using educational data mining techniques. Computer Applications in Engineering Education, 28(3), 568-589.
de la Peña, D., Lizcano, D., & Martínez-Álvarez, I. (2021). Learning through play: Gamification model in university-level distance learning. Entertainment Computing, 39.

Dermeval, D., Albuquerque, J., Bittencourt, I. I., Isotani, S., Silva, A. P., & Vassileva, J. (2019). GaTO: An ontological model to apply gamification in intelligent tutoring systems. Frontiers in Artificial Intelligence, 2, 1-15.
Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness: Defining “gamification”. In In proceedings of the 15th international academic MindTrek conference: Envisioning future media environments (pp. 9-15).
Dykens, I. T., Wetzel, A., Dorton, S. L., & Batchelor, E. (2021). Towards a unified model of gamification and motivation. International Conference on Human-Computer Interaction, 53-70.
Eder, G. M. J., Mirna, M., Héctor, C. R., & Jezreel, M. (2021). Designing a player-persona for gamification learning experiences.
Elliot, A. J., & Murayama, K. (2008). On the measurement of achievement goals: Critique illustration and application. Educational Psychology, 100, 613-628.
Fishman, B. J., Penuel, W. R., Allen, A. R., Cheng, B. H., & Sabelli, N. O. R. A. (2013). Design-based implementation research: An emerging model for transforming the relationship of research and practice. Teachers College Record, 115(14), 136-156.
Gil, B., Cantador, I., & Marczewski, A. (2015). Validating gamification mechanics and player types in an e-learning environment (pp. 568-572). European Conference on Technology Enhanced Learning.
González, C. S., Toledo, P., & Muñoz, V. (2016). Enhancing the engagement of intelligent tutorial systems through personalization of gamification. International Journal of Engineering Education, 32(1), 532-541.
Hallifax, S., Lavoué, E., & Serna, A. (2020). To tailor or not to tailor gamification? An analysis of the impact of tailored game elements on learners’ behaviours and motivation. International Conference on Artificial Intelligence in Education, 216-227.
Hallifax, S., Serna, A., Marty, J. C., & Lavoué, É. (2019). Adaptive gamification in education: A literature review of current trends and developments (pp. 294-307). European Conference on Technology Enhanced Learning.
Hammami, J., & Khemaja, M. (2019). Towards agile and gamified flipped learning design models: Application to the system and data integration course. Procedia Computer Science, 164, 239-244.
Hanus, M. D., & Fox, J. (2015). Assessing the effects of gamification in the classroom: A longitudinal study on intrinsic motivation, social comparison, satisfaction, effort, and academic performance. Computers & education, 80, 152-161.
Hassan, M. A., Habiba, U., Majeed, F., & Shoaib, M. (2021). Adaptive gamification in E-learning based on students’ learning styles. Interactive Learning Environments, 29(4), 545-565.
Imre, Z. (2020). Ontology based UX personalization for gamified education (pp. 415-422). ENASE.
Jagušt, T., Botički, I., & So, H. J. (2018). Examining competitive, collaborative and adaptive gamification in young learners’ math learning. Computers & Education, 125, 444-457.
Klock, A. C. T., da Cunha, L. F., de Cravalho, M. F., Rosa, B. E., Anton, A. J., & Gasparini, I. (2015b). Gamification in E-learning systems: A conceptual model to engage students and its application in an adaptive e-learning system. International Conference on Learning and Collaboration Technologies, 595-607.
Klock, A. C. T., Gasparini, I., Pimenta, M. S., & de Oliveira, J. P. M. (2015). Everybody is playing the game, but nobody’s rules are the same: Towards adaptation of gamification based on users’ characteristics. Bulletin of the Technical Committee on Learning Technology, 17(4), 22-25.
Klock, A. C. T., Gasparini, I., Pimenta, M. S., & Hamari, J. (2020). Tailored gamification: A review of literature. International Journal of Human-Computer Studies, 144.
Klock, A. C. T., Pimenta, M. S., & Gasparini, I. (2018). A systematic mapping of the customization of game elements in gamified systems. Brazilian Symposium on Computer Games and Digital Entertainment, 11-18.
Knutas, A., Van Roy, R., Hynninen, T., Granato, M., Kasurinen, J., & Ikonen, J. (2019). A process for designing algorithm-based personalized gamification. Multimedia Tools and Applications, 78(10), 13593-13612.
Koivisto, J., & Hamari, J. (2019). The rise of motivational information systems: A review of gamification research. International Journal of Information Management, 45, 191-210.
Kolpikova, E. P., Chen, D. C., & Doherty, J. H. (2019). Does the format of preclass reading quizzes matter? An evaluation of traditional and gamified, adaptive preclass reading quizzes. CBE-life Sciences Education, 18(4), 1-10.
Krath, J., Schürmann, L., & Von Korflesch, H. F. (2021). Revealing the theoretical basis of gamification: A systematic review and analysis of theory in research on gamification, serious games and game-based learning. Computers in Human Behavior, 125, Article 106963.
Kreuter, M. W., Farrell, D. W., Olevitch, L. R., & Brennan, L. K. (2013). Tailoring health messages: Customizing communication with computer technology. Routledge.
Lopes, V., Reinheimer, W., Medina, R., Bernardi, G., & Nunes, F. B. (2019). Adaptive gamification strategies for education: A systematic literature review. Brazilian Symposium on Computers in Education, 30, 1032-1041.
Madrid, M. A. C., & Jesus, D. M. A. D. (2021). Towards the design and development of an adaptive gamified task management web application to increase student engagement in online learning. International Conference on Human-Computer Interaction, 215-223.
Maher, Y., Moussa, S. M., & Khalifa, M. E. (2020). Learners on focus: Visualizing analytics through an integrated model for learning analytics in adaptive gamified elearning. IEEE Access, 8, 197597-197616.
Missaoui, S., & Maalel, A. (2021). Student’s profile modeling in an adaptive gamified learning environment. Education and Information Technologies, 26(5), 6367-6381.
Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & PRISMA Group*.. (2009). Preferred reporting items for systematic reviews and meta-analyses: The PRISMA statement. Annals of Internal Medicine, 151(4), 264-269.
Monterrat, B., Desmarais, M., Lavoué, E., & George, S. (2015). A player model for adaptive gamification in learning environments. International Conference on Artificial Intelligence in Education, 297-306.
Monterrat, B., Lavoué, É., & George, S. (2014). Toward an adaptive gamification system for learning environments. International Conference on Computer Supported Education, 115-129.
Monterrat, B., Lavoué, É., & George, S. (2014b). A framework to adapt gamification in learning environments (pp. 578-579). European Conference on Technology Enhanced Learning.
Monterrat, B., Lavoué, É., & George, S. (2017). Adaptation of gaming features for motivating learners. Simulation & Gaming, 48(5), 625-656.
Mora, A., Tondello, G. F., Nacke, L. E., & Arnedo-Moreno, J. (2018). Effect of personalized gameful design on student engagement (pp. 1925-1933). IEEE Global Engineering Education Conference (EDUCON).
Oliveira, W., & Bittencourt, I. I. (2019). Tailored gamification to educational technologies. Singapore: Springer.
Oliveira, W., Hamari, J., Shi, L., Toda, A. M., Rodrigues, L., Palomino, P. T., & Isotani, S. (2022). Tailored gamification in education: A literature review and future agenda. Education and Information Technologies, 1-34.
Palomino, P. T., Toda, A. M., Oliveira, W., Cristea, A. I., & Isotani, S. (2019). Narrative for gamification in education: Why should you care? International Conference on Advanced Learning Technologies (ICALT), 97-99.
Qiao, S., Yeung, S. S. S., Zainuddin, Z., Ng, D. T. K., & Chu, S. K. W. (2023). Examining the effects of mixed and non-digital gamification on students’ learning performance, cognitive engagement and course satisfaction. British Journal of Educational Technology, 54(1), 394-413.

Rodrigues, L., Toda, A. M., Oliveira, W., Palomino, P. T., Vassileva, J., & Isotani, S. (2021). Automating gamification personalization to the user and beyond. IEEE Transactions on Learning Technologies, 15(2), 199-212.
Rodríguez, I., Puig, A., & Rodríguez, À. (2022). Towards adaptive gamification: A method using dynamic player profile and a case study. Applied Sciences, 12(1), 486-504.
Roosta, F., Taghiyareh, F., & Mosharraf, M. (2016). Personalization of gamification-elements in an E-learning environment based on learners’ motivation. International Symposium on Telecommunications (IST), 637-642.
Santos, W. O. D., Bittencourt, I. I., & Vassileva, J. (2018). Design of tailored gamified educational systems based on gamer types (pp. 42-51). CBIE.
Santos, A. C. G., Oliveira, W., Hamari, J., Rodrigues, L., Toda, A. M., Palomino, P. T., & Isotani, S. (2021). The relationship between user types and gamification designs. User Modeling and User-Adapted Interaction, 31(5), 907-940.
Sezgin, S., & Yüzer, T. V. (2022). Analysing adaptive gamification design principles for online courses. Behaviour & Information Technology, 41(3), .
Shabihi, N., Taghiyareh, F., & Abdoli, M. H. (2016). Analyzing the effect of game-elements in E-learning environments through MBTI-based personalization. International Symposium on Telecommunications (IST), 612-618.
Shi, L., & Cristea, A. I. (2016). Motivational Gamification strategies rooted in self-determination theory for social adaptive E-Learning. Intelligent Tutoring Systems, 294-300.
Su, C. H., Fan, K. K., & Su, P. Y. (2016). A intelligent Gamifying learning recommender system integrated with learning styles and Kelly repertory grid technology. International Conference on Applied System Innovation (ICASI), 1-4.
Tan, D. Y., & Cheah, C. W. (2021). Developing a gamified AI-enabled online learning application to improve students’ perception of university physics. Computers and education: Artificial Intelligence, 2.
Tenório, K., Chalco Challco, G., Dermeval, D., Lemos, B., Nascimento, P., Santos, R., & Pedro da Silva, A. (2020). Helping teachers assist their students in gamified adaptive educational systems: Towards a gamification analytics tool. International Conference on Artificial Intelligence in Education, 312-317.
Tenório, K., Dermeval, D., Monteiro, M., Peixoto, A., & Pedro, A. (2020b). Raising teachers empowerment in gamification design of adaptive learning systems: A qualitative research. International Conference on Artificial Intelligence in Education, 524-536.
Tenório, K., Dermeval, D., Monteiro, M., Peixoto, A., & Silva, A. P. D. (2021). Exploring design concepts to enable teachers to monitor and adapt gamification in adaptive learning systems: A qualitative research approach. International Journal of Artificial Intelligence in Education, 1-25.
Toda, A. M., Klock, A. C., Oliveira, W., Palomino, P. T., Rodrigues, L., Shi, L., Bittencourt, lg, Gasparini, I., Isotani, S., & Cristea, A. I. (2019). Analysing gamification elements in educational environments using an existing Gamification taxonomy. Smart Learning Environments, 6(1), 1-14.
Toda, A. M., Valle, P. H. D., & Isotani, S. (2017). The dark side of gamification: An overview of negative effects of gamification in education. In Proceedings of the researcher links workshop (pp. 143-156).
Van Roy, R., & Zaman, B. (2018). Need-supporting gamification in education: An assessment of motivational effects over time. Computers & Education, 127, 283-297.
Wei, X., Saab, N., & Admiraal, W. (2021). Assessment of cognitive, behavioral, and affective learning outcomes in massive open online courses: A systematic literature review. Computers & Education, 163, Article 104097.
Xu, H., Song, D., Yu, T., & Tavares, A. (2017). An enjoyable learning experience in personalising learning based on knowledge management: A case study. Eurasia Journal of Mathematics, Science and Technology Education, 13(7), 3001-3018.
Xu, Y., & Tang, Y. (2015). Based on action-personality data mining, research of gamification emission reduction mechanism and intelligent personalized action recommendation model. Cross-Cultural Design Methods, Practice and Impact: 7th International Conference, 241-252.
Yildirim, I. (2017). The effects of gamification-based teaching practices on student achievement and students’ attitudes toward lessons. The Internet and Higher Education, 33, 86-92.
Zaric, N., Scepanović, S., Vujicic, T., Ljucovic, J., & Davcev, D. (2017). The model for gamification of E-learning in higher education based on learning styles. International Conference on ICT Innovations, 265-273.