الكلمات الرئيسية: الألعاب التعليمية، لوحات المتصدرين، حساب التفاضل والتكامل، الدافع، الكفاءة الذاتية، أداء التعلم

على مستوى العالم، هناك طلب متزايد على المحترفين ذوي الخلفيات في مجالات STEM (باتشلور وآخرون، 2021). لقد دفع هذا الطلب الجامعات إلى اعتماد طرق لجذب الطلاب إلى هذه المجالات، والاحتفاظ بالطلاب في هذه

البرامج، وتحسين أداء تعلمهم (غوي وآخرون، 2023؛ كوين، 2023؛ فيدينوفيك وآخرون، 2023؛ زيدان وآخرون، 2022). في هذا السياق، تُعتبر الألعاب التعليمية، استخدام عناصر اللعبة في سياقات غير الألعاب (ديترينغ وآخرون، 2011)، غالبًا ما تُقدم كطريقة بديلة للتعليم لزيادة أداء تعلم الطلاب ومشاركتهم في مجالات STEM (سيلفا وآخرون، 2022). عندما يتعلق الأمر بالبحث في الألعاب التعليمية في هذه المجالات STEM، فقد تم إجراء الأبحاث المتاحة بشكل رئيسي في علوم الحاسوب والهندسة (كاستيلو-بارا وآخرون، 2022)، تاركة مجالات STEM الأخرى، مثل الرياضيات أو العلوم، التي تم دراستها بشكل أقل. علاوة على ذلك، ذكر هوانغ وآخرون (2020) أن المتغيرات الوسيطة تؤثر على نتائج الألعاب التعليمية. وبالتالي، من الضروري استكشاف التركيبات الممكنة لعناصر تصميم الألعاب التعليمية والمتغيرات الوسيطة لتحديد

واحدة تسهل نتائج التعلم ولها تأثير دائم. بالإضافة إلى ذلك، سيساعد دمج الأساليب النوعية المستخدمين على فهم الخيارات والاحتياجات ويكمل التحليل الكمي. ومن ثم، تتناول هذه الدراسة القضايا المذكورة أعلاه من خلال إعداد نهج بحث مختلط، وتحليل تأثير الألعاب التعليمية على أداء التعلم في فصل حساب التفاضل والتكامل، مع مراعاة الدافع الذاتي والكفاءة الذاتية كمتغيرات وسيطة والجنس وخبرة الألعاب كمتغيرات مشتركة.

تشير الألعاب التعليمية إلى استخدام عناصر تصميم اللعبة (مثل الشارات أو لوحات المتصدرين) في سياقات غير الألعاب (ديترينغ وآخرون، 2011). صنف ويرباخ وآخرون (2012) هذه العناصر إلى ديناميات وآليات ومكونات. الديناميات هي عناصر مجردة وعامة مثل المشاعر والسرد. تشير الآليات إلى العمليات التي تحرك الأفعال مثل المنافسة والتغذية الراجعة. أخيرًا، المكونات هي عناصر مرئية مثل النقاط، لوحات المتصدرين، والشارات. من الضروري تصميم تجربة ألعاب تعليمية تتفاعل فيها جميع العناصر (آن، 2020؛ كاب، 2012). على سبيل المثال، يمكن منح النقاط (المكونات) لطالب يجيب على سؤال بشكل صحيح، مما يؤدي إلى تحفيز المنافسة (الآليات) التي تجعل الطلاب يشعرون بالمشاركة (الديناميات-المشاعر).

أظهرت الألعاب التعليمية أنها تعزز نتائج تعلم الرياضيات والدافع (يان وماتور 2023). على سبيل المثال، يقدم رينكون-فلوريس وسانتوس-غيفارا (2021) نتائج دورتين دراسيتين جامعتين معتمدتين على الألعاب في حساب التفاضل والتكامل وتطوير الكفاءات العرضية. في حالة تم تقديم التعليم عن بُعد، بشكل متزامن، وعبر الإنترنت، شجعت الألعاب التعليمية مشاركة الطلاب وعززت الأداء الأكاديمي من خلال نظام مكافآت وفقًا لنتائج الاستطلاعات عبر الإنترنت والدرجات النهائية. علاوة على ذلك، أظهر كوفاكسني بوسزتاي (2021)، في دراسته شبه التجريبية باستخدام نظام النقاط، كيف أن الطلاب في المجموعة التجريبية لمادة الخوارزميات وهياكل البيانات قد حسّنوا درجاتهم مقارنة بأقرانهم في المجموعة الضابطة. على الرغم من وجود دراسات حول الألعاب التعليمية في الرياضيات حيث تُرى نتائج إيجابية، مثل تلك المذكورة أعلاه، إلا أن معظم هذه الدراسات لم تأخذ في الاعتبار المتغيرات الوسيطة. إن تضمينها في البحث يساعد على فهم العلاقات المعقدة، مما يجعل من الممكن للباحثين فهم كيفية حدوث هذه التأثيرات وتصميم استراتيجيات لتحقيق النتيجة المرجوة (ماكينون وآخرون، 2007؛ رسوليمانش وآخرون، 2021). قد تكون الأسباب المحتملة لعدم تضمينها في
الدراسات هي مجال البحث، حيث تهيمن العلوم الصحية والاجتماعية (خاصة علم النفس) في استخدامها، أو الصعوبات التي تواجهها عند محاولة الإبلاغ عن هذه التحليلات بدقة (شولر وآخرون، 2024).

أبلغت العديد من التحليلات التلوية حول الألعاب التعليمية وأداء التعلم عن تأثير إيجابي على التعلم. ومع ذلك، تشير هذه الدراسات إلى توصيات أو قضايا تتطلب مزيدًا من البحث. على سبيل المثال، اقترح سايلر وهومر (2020) مزيدًا من البحث حول كيفية تعزيز الاحتياجات النفسية من خلال الألعاب التعليمية. أوصى لي وآخرون (2023) بدمج الآليات والديناميات والجماليات، وليس فقط الديناميات والجماليات، لتحقيق حجم تأثير أكبر. تم تقديم توصية أخرى من قبل باي وآخرون (2020)، الذين وجدوا أن المزيد من عناصر اللعبة لا تحسن بالضرورة أداء التعلم، ولكن يمكن أن تلبي عنصر واحد أدوارًا متعددة.
نموذج واحد لدراسة تأثير الألعاب التعليمية على التعلم هو “نظرية التعليم المعتمد على الألعاب” (لاندرز، 2014). تؤكد هذه النظرية على التأثير غير المباشر للألعاب التعليمية على التعلم من خلال الإشارة إلى دور المتغيرات الوسيطة. على سبيل المثال، تفاعل الطلاب المعرضون للوحات المتصدرين (عناصر اللعبة) أكثر من مرة مع مشروع (الوقت المستغرق في سلوك المهمة) مقارنةً بالحالة الضابطة، مما أدى إلى زيادة في أداء التعلم (لاندرز ولاندرز، 2014). حاولت بعض الدراسات استخدام هذه النظرية للألعاب التعليمية (أورتيز-روخاس وآخرون، 2017، 2019). في الدراسة الحالية، بنينا على هذه النظرية، مع اعتبار الدافع الذاتي والكفاءة الذاتية كمتغيرات وسيطة.

لتعزيز الدافع الذاتي، استندنا إلى نظرية تحديد الذات (SDT) لريان وديشي (2000)، التي تميز بين الدافع الذاتي والدافع الخاضع للسيطرة. عندما يكون الناس مدفوعين ذاتياً، يشعرون بالانخراط، لأن أهدافهم الداخلية مرتبطة. يشير الدافع الخاضع للسيطرة إلى السلوك الذي يتم تنظيمه من خلال الفوائد الخارجية المدركة مثل المكافآت (هاجر وآخرون، 2014). وفقًا لريان وكونيل (1989)، يؤكد المؤلفون أن الدافع يتطور على طول استمرارية، تُعرف بموقع السبب المدرك، الذي يتراوح من الدافع الذاتي تمامًا إلى أكثر أشكال السيطرة. على طول هذه الاستمرارية، يتم تمييز ثلاثة أنواع من الدافع الذاتي: الدافع الداخلي، والدافع المتكامل، والدافع القابل للتحديد. يعتمد الدافع الداخلي على القيام بالأشياء من أجل المتعة أو الاهتمام أو الإثارة (مثل أخذ فصل دراسي لأن الطلاب يحبون الموضوع). يشير الدافع المتكامل إلى القيام بنشاط لأن الناس يعتبرونه مهمًا لأنفسهم، متوافقًا مع قيمهم واحتياجاتهم الشخصية (مثل أخذ فصل دراسي لأنه جزء من الالتزام).
يتم ملاحظة الدافع المحدد عندما يتعرف الشخص على قيمة نشاط معين (على سبيل المثال، أخذ فصل دراسي لأن الطلاب يعرفون أنه مفيد لاجتياز المادة التالية).
تؤكد نظرية تحديد الذات على كيفية تحقيق كل نوع من أنواع الدافع أو التأكيد على ثلاثة احتياجات نفسية: الحاجة إلى الاستقلالية (كون الفرد متحكمًا في سلوكه)، والكفاءة (تطوير المهارة)، والانتماء (الإحساس بالانتماء إلى مجموعة) (رايان وديتشي، 2000). من المرجح أن تعزز البيئات الم gamified التي تساعد على تلبية هذه الاحتياجات الدافع الذاتي (ميكلر وآخرون، 2017). على سبيل المثال، وصف فان روي وزامان (2017) كيف يدعم الإعداد الم gamified الاستقلالية من خلال السماح للطلاب باختيار أنشطتهم. كما يبدو أنه يلبي حاجتهم إلى الكفاءة، حيث أن الأنشطة تتسم بالتحدي ولكنها قابلة للتحقيق، مع آليات تغذية راجعة (مثل الشارات) تُعلم الطلاب بتقدمهم الإيجابي. أخيرًا، يبدو أن الحاجة إلى الانتماء تتحقق عندما يتم تسهيل التفاعلات. على سبيل المثال، تتيح لوحات المتصدرين للطلاب مقارنة ومشاركة تقدمهم، بالإضافة إلى مناقشة مواقعهم (سايلر وآخرون، 2013). في أبحاث gamification، على حد علمنا، ركز فقط فان روي وزامان (2018) على الدافع الذاتي، مما أظهر زيادة بعد التعرض لعناصر gamified مثل الشارات ولوحات المتصدرين.
يمكن تلبية الاحتياجات التحفيزية في بيئة موجهة للألعاب اعتمادًا على كيفية تنفيذ عناصر اللعبة، وهو مفهوم أطلق عليه ديتردينغ (2011) اسم “القدرة التحفيزية المتموضعة”. على سبيل المثال، بينما تشجع لوحات المتصدرين غالبًا المنافسة بين الأقران ويمكن أن تقلل من الدافع الذاتي (ريف وديتسي، 1996)، إلا أنها يمكن أن تعزز أيضًا الكفاءة وتعزز الاستقلالية الشخصية من خلال تسليط الضوء على التقدم الذاتي. علاوة على ذلك، فإن القدرات التحفيزية ليست مرتبطة بعناصر الألعاب الفردية ولكن تعتمد على النظام الموجه للألعاب بالكامل (ديتردينغ، 2014). لذلك، من الضروري النظر في التفاعل بين العناصر في نظام ما وكيفية تعزيز تركيبتها للدافع الذاتي. ومع ذلك، فإن إحدى الانتقادات لنظرية تحديد الذات هي أنها لا تأخذ في الاعتبار الفروق الفردية (مثل سمات الشخصية، الخلفية الثقافية، القدرات المعرفية) (بولر وفيليبس، 2022). لمعالجة ذلك، تتضمن دراستنا متغيرات أساسية مثل الجنس وخبرة الألعاب لاستكشاف ما إذا كانت هذه الفروق تؤثر على الدافع عند دمجها مع الألعاب.

ركزنا على الكفاءة الذاتية (SE)، التي تُعرف بأنها قدرة الفرد على تحقيق الأهداف (باندورا، 1978)، وجمعنا معلومات حول الكفاءة الذاتية من أربعة مصادر: تحقيق الأداء (الشعور بالكفاءة بناءً على التجارب السابقة)، التجارب غير المباشرة
(مراقبة أداء الآخرين الناجح)، الإقناع اللفظي (تلقي تعليقات إيجابية أو سلبية حول أداء المهمة)، والحالات الفسيولوجية (مثل مستويات التوتر) (باندورا، 1982). تجسد العديد من عناصر الألعاب التفاعلية التغذية الراجعة حول الأداء الشخصي وأداء الآخرين (بليومرز وآخرون، 2012). على سبيل المثال، توضح كريستي وفوكس (2014) كيف توفر لوحات المتصدرين تغذية راجعة من خلال عرض ترتيب كل طالب. كما يؤكد المؤلفان الآخران كيف تستدعي لوحات المتصدرين تجارب غير مباشرة لأن الطلاب يرون مدى أداء الآخرين. فيما يتعلق بالحالات الفسيولوجية، عندما تكون اللعبة ليست صعبة للغاية ولا سهلة للغاية، فإنها تحفز مستوى مقبول من التوتر أو الإرهاق، مما يعزز الانخراط وإكمال المهمة (كاب، 2012). زادت الأبحاث حول تأثيرات الألعاب التفاعلية على كفاءة الطلاب الذاتية في السنوات الأخيرة. قام أحمد وأسيكصوي (2021) بالتحقيق في تأثير فصل التعلم المقلوب المعزز بالألعاب على كفاءة الذات ومهارات الابتكار لطلاب الفيزياء في مختبر افتراضي. أظهرت النتائج تأثيرًا إيجابيًا على مهارات الابتكار؛ ومع ذلك، لم تظهر كفاءة الذات أي تحسين ملحوظ. قدم تشين وليانغ (2022) دراستهم حول كفاءة الذات كمتغير وسيط، مستكشفين تأثير الألعاب التفاعلية على انخراط الطلاب في الدراسة في فصل تسويق باستخدام استبيانات من 187 طالبًا صينيًا. أظهرت النتائج أن المتعة وكفاءة الذات تؤثران بشكل غير مباشر على الانخراط. في حالة تعليم الرياضيات، الدراسات نادرة وقد أسفرت عن نتائج متناقضة؛ فقد أظهرت بعض الدراسات نتائج إيجابية (بانفيلد وويلكيرسون، 2014)، بينما أفادت أخرى بعدم وجود تأثير ملحوظ (أورتيز-روخاس وآخرون، 2017). تؤكد هذه التناقضات على الحاجة إلى مزيد من البحث حول كفاءة الذات في تعليم الرياضيات.

يجب أخذ المتغيرات الخلفية مثل الجنس وخبرة الألعاب في الاعتبار عند تنفيذ الت gamification، خاصة في مجالات العلوم والتكنولوجيا والهندسة والرياضيات. فيما يتعلق بالجنس، وجد هانوس وفوكس (2015) أن المشاركين في قائمة المتصدرين التي تضم معظم النساء أدوا بشكل أسوأ أكاديميًا مقارنةً بأولئك في قائمة المتصدرين التي تضم معظم الرجال. بالإضافة إلى ذلك، أفاد جينت ويانك (2018) أن الرجال شعروا بمزيد من الدافع من gamification مقارنةً بالنساء. أظهرت الدراسات الحديثة أن هذه المعلومات مرتبطة بمدى إدراك الطلاب لفائدة التغذية الراجعة في الدورات المعتمدة على gamification. تلعب الطالبات بشكل أفضل عندما يتلقين تغذية راجعة حول النشاط مقارنةً بأقرانهن من الذكور (ديندن وآخرون، 2021؛ لوفاز وآخرون، 2023). أما بالنسبة لخبرة الألعاب، تكشف الدراسات أن الطلاب الذين لديهم خبرة سابقة في الألعاب أكثر استعدادًا للمشاركة في التعليم المعتمد على gamification واستثمار المزيد من الوقت في أنشطتهم (لاندرز وآرمسترونغ، 2017؛ طاهر وآخرون، 2021).

تُعرّف لوحات المتصدرين بأنها “عرض بصري يصنف اللاعبين وفقًا لإنجازاتهم” (كريستي وفوكس، 2014)، ص.67)، مما يجعل اللاعبين يقارنون أدائهم بأداء الآخرين وأدائهم السابق (سايلر وآخرون، 2017). يتم تصنيفها إلى نوعين: مطلقة/غير محدودة، ونسبية/غير مثبطة. تُظهر لوحات المتصدرين المطلقة جميع اللاعبين ودرجاتهم، مما يسبب شعورًا بالإنجاز فقط لأفضل اللاعبين مقارنةً باللاعبين الأقل ترتيبًا. من ناحية أخرى، تُظهر لوحات المتصدرين النسبية فقط ترتيب اللاعبين وأولئك الذين فوقهم وتحتهم، مما يسبب إحباطًا أقل للاعبين ذوي الترتيب المنخفض. ومع ذلك، فإن نقص المعلومات حول مواقع الطلاب الآخرين يمكن أن يجعلها أقل معنى (مارسزيفسكي، 2015؛ زيشيرمان وكانينغهام، 2011). تشير الأبحاث إلى أن نتائج مختلفة قد تنشأ اعتمادًا على نوع لوحة المتصدرين المستخدمة. على سبيل المثال، قارن تشيرنبومرونغ وآخرون، (2017) ثلاثة أنواع من لوحات المتصدرين: المطلقة، النسبية و”المستحيلة”، حيث تم تقديم أفضل خمسة لاعبين فقط. بعد تمرين إنعاش القلب والرئة عبر الإنترنت، تم تقسيم الطلاب إلى مجموعات وعُرض عليهم أحد هذه الأنواع. أشارت النتائج إلى أن اللاعبين في لوحة المتصدرين النسبية حققوا أعلى الدرجات، تليها لوحات المتصدرين “المستحيلة” والمطلقة. ومع ذلك، كانت مجموعة لوحة المتصدرين لديها أدنى معدل إكمال. استخدم لانديرز ولانديرز (2014) لوحة متصدرين “مستحيلة” في عملهم، ولكن بدون درجات. أظهرت المجموعة التجريبية نتائج إيجابية من حيث أداء المهمة. تشير هذه الأمثلة إلى أن تصميم لوحة المتصدرين يجب أن يتضمن اعتبارات دقيقة، بناءً على الأهداف التي يسعى المصمم لتحقيقها (ويرباخ وآخرون، 2012).

استنادًا إلى الأسس المفاهيمية والنظرية التي تم مناقشتها سابقًا، قمنا بتطوير النموذج النظري المقدم في الشكل 1. وفقًا لنظرية لانديرز حول التعلم المعزز بالألعاب (لانديرز، 2014)، يوضح هذا النموذج كيف يُفترض أن تؤثر عناصر التعزيز بالألعاب، مثل لوحات المتصدرين، على أداء التعلم من خلال الدافع الذاتي (نظرية تحديد الذات) والكفاءة الذاتية. يأخذ النموذج أيضًا في الاعتبار المتغيرات الخلفية، بما في ذلك الجنس وخبرة الألعاب.

استنادًا إلى النموذج المفاهيمي والنظري الممثل في الشكل 1، نقترح الفرضيات التالية:

H1: الطلاب المشاركون في دورة حساب معززة بالألعاب يحققون أداءً تعليميًا أعلى من الطلاب في حالة التحكم.
H2: الطلاب المشاركون في دورة حساب معززة بالألعاب يعكسون دافعًا ذاتيًا أعلى وكفاءة ذاتية أعلى من الطلاب في حالة التحكم.
H3: الطلاب المشاركون في دورة حساب معززة بالألعاب يحققون أداءً تعليميًا أعلى من الطلاب في حالة التحكم، مع الأخذ في الاعتبار التأثير الوسيط للتغيرات في الدافع الذاتي، والكفاءة الذاتية، والتفاعل مع المتغيرات المشتركة (الجنس، خبرة الألعاب).

استخدمنا نهج تصميم مختلط (كريسويل وكريسويل، 2017). كانت الجزء الكمي يتكون من تجربة شبه تجريبية مع مجموعات تحكم وتجريبية حيث قام الطلاب بملء سلسلة من الأدوات لقياس الأداء التعليمي، والكفاءة الذاتية، والدافع الذاتي، وخبرة الألعاب. قدم القسم النوعي رؤى حول تصورات المشاركين بشأن تأثيرات لوحات المتصدرين، والكفاءة الذاتية، والدافع الذاتي. تضمن ذلك مقابلات مع الطلاب في المستويات العليا، والمتوسطة، والمنخفضة من لوحة المتصدرين. تم الحصول على موافقة مستنيرة من جميع الطلاب بعد الحصول على الموافقة الأخلاقية من السلطات الجامعية المركزية.

أُجريت هذه الدراسة في جامعة هندسية عامة في الإكوادور، تعكس بيئة تعليمية طبيعية وعالمية. شملت العينة الأصلية 265 طالبًا من برامج هندسية مختلفة قاموا بالتسجيل الذاتي في دورة حساب مشتركة، والتي تم تقسيمها إلى أربع فصول متوازية تُدرس بواسطة ثلاثة معلمين مختلفين. بسبب ظروف غير متوقعة نموذجية لمثل هذه البيئات، لم يكمل بعض الطلاب كل من الاختبار القبلي والاختبار البعدي. ونتيجة لذلك، كانت العينة النهائية لتحليل البيانات تتكون من 175 طالبًا. لتقليل التحيزات و

يلخص الجدول 3 نتائج تحليل الموثوقية، موضحًا قيم الاتساق الداخلي للأدوات. كانت نتائج خبرة الألعاب متسقة مع تلك الخاصة بالإصدار الإنجليزي من الأداة . لم يكن من الممكن مقارنة موثوقية الدافع الذاتي، بسبب حذف العناصر، مع الإصدار الأصلي؛ كانت القياسات مقبولة إلى جيدة.

تم جمع البيانات النوعية من خلال مقابلات شبه منظمة مع الطلاب أجريت في نهاية فترة البحث. تم إجراء مقابلات مع تسعة طلاب، تم اختيار ثلاثة منهم من كل فصل متوازي معزز بالألعاب بناءً على مواقعهم في لوحة المتصدرين: الأعلى، والمتوسط، والأدنى. جرت المقابلات في مكاتب خاصة لضمان السرية وجودة تسجيلات الصوت. قاد باحث واحد المقابلات، مع التركيز على تأثير لوحة المتصدرين على الطلاب وبشكل خاص على المتغيرات الوسيطة. كانت معظم الأسئلة مصممة لتكون مفتوحة، متجنبة الإشارة المباشرة إلى المتغيرات المدروسة، لالتقاط أي مفاهيم ذات صلة بها. تم تقديم قائمة بهذه الأسئلة في الجدول 4.

تم تنفيذ التدخل خلال النصف الأول من الفصل الدراسي الأول من السنة الأكاديمية، واستمر لمدة تسعة أسابيع، وتم هيكلته على النحو التالي:

تلقى جميع الطلاب في الدورات التجريبية القواعد قبل أسبوع من التدخل من خلال نظام إدارة التعلم بالجامعة. أوضحت القواعد أنه، استنادًا إلى نتائج الأنشطة الإلزامية (مثل الواجبات المنزلية) والأنشطة الاختيارية (مثل اختبارات التقييم الذاتي) التي تم تنفيذها كل أسبوع، سيختار المعلم عشوائيًا مهمة واحدة لتضمينها في لوحة المتصدرين

كل يوم جمعة. لم تُمنح الأنشطة الاختيارية نقاطًا إضافية، ولم تؤدِ إلى عقوبات. تم الإعلان عن تعليمات إضافية في الأسبوع الأول من التدخل، مشيرة إلى أن بعض الأنشطة يمكن تقديمها مرة أخرى، وأن لوحة المتصدرين لم تجمع النقاط من الأسبوع السابق. وبالتالي، كان بإمكان الطلاب تحسين تصنيفاتهم كل أسبوع.
عند تصميم النهج المعتمد على الألعاب، تم دمج العناصر المحددة لميكانيكيات الألعاب – الديناميات، والميكانيكا، والمكونات – كما أوضحها ويرباخ وآخرون (2012) لجذب الطلاب بطرق متنوعة:

ستظهر اللوحات اسم صديق الطالب، بينما ستظهر لوحة المتصدرين النسبية عدد الأشخاص الذين يشتركون في موقع الطالب. من خلال القيام بذلك، كنا نتوقع تعزيز الشعور بالانتماء من خلال الشعور بأننا جزء من المجموعة. الشكل 2 يظهر عينة من لوحات المتصدرين المصممة.

أولاً، تم حساب الإحصائيات الوصفية لكل متغير. ثانياً، تم استخدام تحليل التباين (ANOVA) لفحص الفروق بين الظروف في مستوى الاختبار القبلي. لم تُلاحظ أي فروق ذات دلالة إحصائية في مستوى الاختبار القبلي لأي من المتغيرات المدروسة. ). ثالثًا، لاختبار H1 و H2، تم استخدام تحليل التباين المتكرر ذو العوامل. قبل التحليل، تم اختبار الافتراضات (تجانس التباين والتوزيع الطبيعي). لمواجهة تأثير المقارنات المتعددة، تم تطبيق تصحيح بونفيروني. تم حساب أحجام التأثير بناءً على D لكوهين مع الأخذ في الاعتبار الفرق في أحجام العينات من خلال تعديل حساب الانحراف المعياري المدمج مع أوزان لأحجام العينات (هادجز وأولكين، 1985) وتفسيرها بناءً على باجولي (2009): حجم تأثير صغير ( )، حجم تأثير متوسط ( ) ، وحجم تأثير كبير ( بالإضافة إلى ذلك، تم استخدام النماذج الخطية المختلطة (LMM) لتكملة اختبار H1، مما يخفف من تحدي عدم توازن أحجام العينات بين المجموعات تحت الظروف (عالمهودة وآخرون، 2017؛ أوكيو وآخرون، 2019). تم استخدام الاحتمالية القصوى المقيدة (REML) لتقدير معلمات LLM. أخيرًا، لتحليل H3، تم إجراء تحليل وساطة متوازي باستخدام PROCESS v4.2. شمل النموذج الفروق المتوسطة بين درجات الاختبار بعد الاختبار وقبل الاختبار للدافع الذاتي (Diff AM)، والكفاءة الذاتية (Diff SE)، وأداء التعلم (زيادة التعلم – LG).

تم استخدام NVivo (الإصدار 11) لتحليل المقابلات التسع للبيانات النوعية. ركزت خطة الترميز على تحديد مؤشرات الدافع الذاتي (الاستقلالية، والترابط، والكفاءة) والكفاءة الذاتية (المتعلقة بالطالب، والمتعلقة بالمادة). علاوة على ذلك، تم تحديد ثلاثة رموز إضافية أثناء تحليل البيانات: لوحات المتصدرين (تعزيز المنافسة ضد بعضنا البعض وضد النفس) والدافع الخاضع للسيطرة. تم حساب موثوقية المقيم الداخلي من خلال تكرار الترميز من قبل نفس الباحثين بعد عشرة أيام. تعكس قيم كابا لكوهين درجة عالية من موثوقية المقيم الداخلي: KAMAutonomy كفاءة KAM علاقة KAM كSE StuRelated كSE فرعي متعلق ،

كLeaderboard comp oneself=0.93، كLeaderboard comp الآخرين الدافع الخارجي .

تظهر البيانات في الجدول 5 زيادة واضحة في أداء التعلم تحت كلا الشرطين، مع اختلاف أكبر في البيئة الم gamified.

تمت ملاحظة بعض الاختلافات، ولكنها أصغر، في الدافع الذاتي، والكفاءة الذاتية، وتجربة الألعاب.
فيما يتعلق بـ H1، كشفت النتائج عن فرق رئيسي كبير في الحالة على مر الزمن، ، “ . هذا يتماشى مع المعلومات الوصفية التي تشير إلى أن مكاسب التعلم كانت أعلى للطلاب في الحالة التجريبية ( ) أكثر من الحالة الضابطة (انظر الشكل 3). كوهين نقاط لحجم تأثير كبير.
لتكملة التحليل أعلاه، تم استخدام نموذج مختلط خطي للتنبؤ بأداء تعلم الطلاب، مع تضمين تقاطع عشوائي لأخذ التباين داخل الموضوع في الاعتبار. شملت التأثيرات الثابتة الظروف التجريبية، والوقت، والتفاعل بين الشرط والوقت. وقد أوضح النموذج من التباين في أداء التعلم (شرطياً )، حيث تفسر التأثيرات الثابتة فقط (R2 الهامشي=0.668). أظهرت النتائج تأثيرًا رئيسيًا كبيرًا للحالة ( ) ، تأثير رئيسي كبير للوقت ( )، وتفاعل كبير بين الحالة والوقت ( وصل الطلاب في الظروف التجريبية إلى متوسط درجة أعلى بمقدار 3.70 نقاط مقارنة بالطلاب في حالة التحكم، وحقق كلا المجموعتين درجات أفضل في الاختبارات اللاحقة. تلخص الجدول 6 عناصر النموذج. تم تقدير تباين الاعتراض العشوائي بـ 36.70 و 36.40 لتباين المتبقي، مما يشير إلى تباين كبير بين الأفراد في أداء التعلم. اقترحت تشخيصات المتبقي عدم وجود انتهاكات كبيرة لافتراضات النموذج. تساعد النتائج في تأكيد الفرضية H1: الطلاب في الحالة الم gamified يحققون أداءً تعليميًا أعلى بشكل ملحوظ من الطلاب في حالة التحكم.
بالنسبة لـ H2، تشير النتائج إلى أنه لم تكن هناك تفاعلات ذات دلالة بين الحالة والوقت في أي من الدافع الذاتي، أو الكفاءة الذاتية، ساعدت المعلومات النوعية في فهم النتائج الكمية لهذه الأسباب. فيما يتعلق بالدافع الذاتي، لم يذكر أي من الطلاب شعورًا بالاستقلالية في الحالة الم gamified. ومع ذلك، أظهروا شعورًا بالكفاءة بغض النظر عن مركز الترتيب، مع عبارات مثل “لقد أعطاني مرجعًا لأرى مدى جودتي أو سوء أدائي”.

كنت في الموضوع” وتم الإبلاغ عن العلاقة إلى حد أقل. ومع ذلك، من بين التعليقات الثمانية، ذكر معظمها أنهم لم يتحدثوا أبداً أو نادراً عن بيئة التعلم: “كان الأمر أكثر شخصية”، “لقد فعلنا ذلك في البداية، لكننا رأيناه بعد ذلك كأمر طبيعي.” على النقيض من ذلك، ظهرت مواضيع تتعلق بالدافع المسيطر خلال المقابلات مع تصريحات مثل “لو لم يكن هناك لوحة المتصدرين، لما كنت سأفعل أي شيء.” بدا أن الطلاب قد شعروا أن المنافسة كانت ضارة بدافعهم الذاتي. وهذا يشير إلى أن الطلاب يرون لوحات المتصدرين كأكثر تحكماً من كونها ذاتية. ومع ذلك، عندما سُئلوا عما إذا كانت المنافسة أكثر ضد الآخرين أو ضد أنفسهم، عكست معظم التعليقات تركيزاً على موقعهم “… لأنك تريد دائماً أن تصل إلى المركز الأول، وتتنافس مع نفسك وتبدأ في الدراسة.” بناءً على التحليلات السابقة، نؤكد أن H2 لا يمكن قبولها. لم يحقق الطلاب في الحالة الم gamified مستويات أعلى من الدافع الذاتي أو الكفاءة الذاتية مقارنةً بأولئك في حالة التحكم.

بالنسبة لـ H3، تم إجراء تحليل وساطة متوازي باستخدام PROCESS v4.2، النموذج 4 (هايز، 2022). تم ترميز المتغير الشرطي (X) بشكل وهمي، مع تعيين الحالة التجريبية كمجموعة مرجعية. كما شمل النموذج الفروق المتوسطة بين درجات الاختبار بعد الاختبار وقبل الاختبار للدافع الذاتي (M1=Diff AM)، والكفاءة الذاتية (M2=Diff SE)، وأداء التعلم ( مكسب التعلم – LG). قبل تحليل الوساطة، تم توحيد جميع المتغيرات لضمان أن تكون المعاملات على مقياس قابل للمقارنة، مما يسهل تفسير آثار الوساطة. بالإضافة إلى ذلك، تم إجراء تحليل التباين (ANOVA) لفحص ما إذا كانت المتغيرات المشتركة، الجنس وخبرة الألعاب، مرتبطة بمكسب التعلم. أظهرت النتائج أن لا الجنس، ولا تجربة الألعاب، كان
تأثير ذو دلالة إحصائية على مكاسب التعلم. وبالتالي، تم استبعاد كلا المتغيرين من النموذج. وهكذا، استمر تحليل الوساطة مع الدافع الذاتي والكفاءة الذاتية. كما هو موضح في الشكل 4، لم تكن الحالة البحثية مرتبطة بشكل كبير بالدافع الذاتي (a1: ، ) أو أداء التعلم ( أ 2 : ، ). التأثير غير المباشر من خلال الدافع الذاتي (a2b2: ) لم يكن مختلفًا بشكل كبير عن الصفر، مع فترة الثقة المصححة للانحياز تتراوح من -0.03 إلى 0.01. كما أن حالة البحث لم تكن مرتبطة بشكل كبير بالكفاءة الذاتية (b1: ). ومع ذلك، كانت الكفاءة الذاتية مرتبطة بشكل كبير بأداء التعلم (b2: ). هذه النتيجة تتماشى مع البيانات النوعية. كانت معظم التعليقات متعلقة بالموضوع، بغض النظر عن ترتيب الموقف، مع عبارات مثل: “لقد أعطاني الثقة لرؤية أنني لم أكن سيئًا في الموضوع أسبوعًا بعد أسبوع، وأنني كنت أتعلم كل شيء بالفعل.” التأثير غير المباشر من خلال الكفاءة الذاتية (b1b2: ) لم يكن مختلفًا بشكل كبير عن الصفر، مع فترة الثقة المصححة للانحياز بناءً على 5000 عينة من البوتستراب تتراوح من -0.01 إلى 0.04. حتى عند الأخذ في الاعتبار الوساطة المحتملة من خلال الكفاءة الذاتية والدافع الذاتي، كان للحالة تأثير مباشر كبير على أداء التعلم ( )، مما يشير إلى أن تأثير الحالة على أداء التعلم ظل كبيرًا ومباشرًا. أما بالنسبة للتأثير الكلي لحالة البحث على أداء التعلم، كانت النتائج ذات دلالة إحصائية ( , )، مما يدل على وجود علاقة قوية بشكل عام. وبالتالي، دعمت هذه النتائج H3 جزئيًا. أدى الدراسة في حالة الألعاب إلى تحسين أداء التعلم؛ ومع ذلك، لم تتأثر هذه التحسينات بتغيرات الدافع الذاتي أو الكفاءة الذاتية كمتغيرات وسيطة.

تحليل هذه الدراسة آثار استخدام الألعاب التعليمية من خلال لوحات المتصدرين لتحسين أداء التعلم. فيما يتعلق بالفرضية الأولى، أكدت النتائج أن الألعاب التعليمية حسنت أداء التعلم في المجموعة التي تم تطبيق الألعاب التعليمية عليها. هذه النتيجة تتماشى مع نتائج مؤلفين آخرين (أورتيز روجاس وآخرون، 2019؛ زاهدي وآخرون، 2021) في سياق موضوع دورة مختلف (برمجة الكمبيوتر)، حيث حسّن الطلاب أدائهم في التعلم. يمكن مقارنة هذه الدراسة بنتائج زاهدي وآخرون (2021)، الذين حددوا أن لوحات المتصدرين تساعد الطلاب من جميع الأجناس على الأداء بشكل أفضل، مما يشير إلى أن الألعاب التعليمية هي استراتيجية جذب للتعلم محايدة جنسياً. بشكل عام، تتعارض نتائج H1 مع نظرية لاندر حول الدور الحاسم للوسائط في تفسير آثارها على أداء التعلم.
فيما يتعلق بالفرضية الثانية، لم تدعم النتائج تأثير الألعاب على الدافع الذاتي والكفاءة الذاتية. على حد علمنا، الدراسة الوحيدة التي قيمت أيضًا الدافع الذاتي – على الرغم من استخدام عناصر ألعاب مختلفة – هي دراسة فان روي وزامان (2018). على عكس نتائجنا، أفادت دراستهم أن الطلاب زادوا من دافعهم الذاتي مع مرور الوقت. توفر تحليلاتنا للبيانات النوعية تفسيرات معقولة. على الرغم من أن التصميم المعتمد على الألعاب كان يهدف إلى تعزيز الدافع الذاتي، إلا أن الطلاب لم يشعروا بذلك. لم يتم الإدلاء بأي تعليقات بشأن الاستقلالية، على الرغم من أن الطلاب كانوا أحرارًا (أو لا) في المشاركة في الأنشطة الاختيارية. كان من المفترض أن تدعم لوحات المتصدرين العلاقة، لكن الطلاب نادرًا ما تفاعلوا مع نتائج بعضهم البعض أو علقوا عليها. الحاجة التحفيزية الوحيدة التي تم ذكرها كانت الكفاءة: اعتبروا لوحة المتصدرين دليلاً، تعطيهم معلومات عن إنجازاتهم الأسبوعية. وبالتالي، تم إدراك لوحة المتصدرين على أنها تدفع المنافسة ضد النفس بدلاً من المنافسة مع الآخرين. يبدو أن هذه النتيجة تتناسب مع نظرية التحفيز الموقعة لدترينغ (2011). على الرغم من أن لوحة المتصدرين عادة ما تُصمم للتنافس مع الآخرين، إلا أن ترتيب إعدادنا تسبب في تأثير عكسي. ومع ذلك، لم يكن هذا التأثير قويًا بما يكفي لإحداث تغييرات كبيرة في الدافع، مما يؤثر على الأداء. النتائج المتعلقة بالكفاءة الذاتية تتماشى مع تلك التي أظهرتها الدراسات السابقة (أورتيز-روخاس وآخرون، 2017، 2019)، حيث لم يتم العثور على أي تأثيرات. تتعارض هذه النتيجة مع التأثيرات الإيجابية التي أبلغ عنها بانفيلد وويلكيرسون (2014). بمساعدة المعلومات النوعية، يمكننا أن نشرح أن كفاءة الطلاب الذاتية أثرت على تركيزهم على فرصهم في النجاح في المادة. ومع ذلك، لم يكن هذا التأثير قويًا بما يكفي للتفاعل مع شروط البحث.

فيما يتعلق بالفرضية الثالثة، تشير النتائج للفرضية H 2 إلى أنه لن يتم العثور على تأثير وسيط في
الكفاءة الذاتية أو الدافع الذاتي. هذا يتماشى مع نتائج الدراسات السابقة (أورتيز-روخاس وآخرون، 2017، 2019). هذه النتائج تدحض نظرية لاندير. ومع ذلك، أفادت بعض الدراسات بوجود علاقة مباشرة بين الألعاب التعليمية وأداء التعلم من خلال الوساطة (ديني وآخرون، 2018؛ لانديرز ولانديرز، 2014). ومن ثم، تفسر هذه السيناريوهات الأربعة نقص الروابط في دراستنا. أولاً، لا يتطلب الأمر وجود علاقة سببية لإقامة ارتباط بين الألعاب التعليمية وأداء التعلم. ثانياً، وُجدت علاقة سببية؛ ومع ذلك، فإن المتغيرات الوسيطة المحددة التي تم اختيارها في هذه الدراسة لم تسبب هذا التأثير. ثالثاً، كان للدافع الذاتي أو الكفاءة الذاتية تأثير، لكن الطريقة التي تم قياسها بها أثرت على النتائج. هناك خطر من استخدام استبيانات التقرير الذاتي بسبب احتمال وجود انحياز في الاستجابة (كريتشمان وآخرون، 2014). يشير السيناريو الرابع إلى وجود متغير خارجي يتداخل مع العلاقات السببية. قد تكون بيداغوجيا المعلم قد أثرت على هذه الدراسة. على سبيل المثال، عندما يمنح المعلمون نقاطًا إضافية كمكافآت للتمارين الصفية، يمكن تفسيرها على أنها تحكم خارجي، مما يؤدي إلى زيادة الدافع الخارجي (رايان وديشي، 2000). ومع ذلك، في هذه الدراسة، قمنا بالتحكم في هذا السيناريو من خلال إجراء ملاحظات غير رسمية دورية على أنشطة المعلم لضمان عدم انحراف منهجهم التعليمي الشخصي عن الإعداد الأولي.
تساهم نتائج هذه الدراسة في زيادة المعرفة المتزايدة حول استخدام الألعاب في التعليم، وخاصة في سياق تخصصات العلوم والتكنولوجيا والهندسة والرياضيات في التعليم العالي. لذلك، من المهم النظر في المشهد الأوسع لتطبيقات الألعاب في دورات STEM على مستوى التعليم العالي. على سبيل المثال، في دراسة إيبانيز وآخرون (2014)، حقق طلاب في فصل برمجة C على مستوى الجامعة تحسينًا في أدائهم التعليمي، وتحفيزهم، وانخراطهم بعد تعرضهم لمنصة مخصصة للألعاب (Q-Learning-G)، والتي تضمنت أنشطة عمل لإكمال مهام البرمجة، وأنشطة اجتماعية للتفاعل مع الأقران، وفرص للتغذية الراجعة من خلال تقييم الأقران والاعتراف من خلال لوحات المتصدرين والشارات. وجد كادافيد وغوميز (2015) أن طلابًا من دورة حساب التفاضل والتكامل في كولومبيا قد حسّنوا أدائهم التعليمي بعد استخدام نظام مخصص للألعاب (Ticademia). تشمل الآليات والديناميات والمكونات تتبع التقدم، والنقاط، والترتيب، والمنافسات في الوقت الحقيقي لتطبيق معرفتهم في سياق عملي وتنافسي. مثال آخر موجود في الهندسة (دياث-راميريز، 2020)، حيث استخدم طلاب من دورة بحوث العمليات نظامًا مخصصًا للألعاب حيث كان عليهم التغلب على بعض التحديات والمهام التي تطلبت منهم حل المشكلات أو إكمال المهام المتعلقة بمحتوى الفصل، والمشاركة كفريق لمساعدة الآخرين، واستخدام النقاط، والشارات، والمستويات، و
المكافآت. أظهرت النتائج تحسنًا في الأداء الأكاديمي، وإحساس بالانتماء، والعمل الجماعي. مع استمرار تطور مجال الألعاب التعليمية، فإن البحث المستمر والتطبيقات العملية أمران حاسمان في تحسين الاستراتيجيات المناسبة لتعظيم تأثيرها على نجاح الطلاب.
لذا، فإن هذه الدراسة لها آثار عملية مهمة للمعلمين الذين يسعون إلى دمج الألعاب في ممارساتهم التعليمية ويهدفون إلى تعميق فهمهم لكيفية تأثير لوحات المتصدرين بشكل خاص على نتائج التعلم. أولاً، يمكن أن تعزز الألعاب الأداء التعليمي؛ ومع ذلك، يجب تصميم تنفيذها بعناية، مع الأخذ في الاعتبار تفاعل الديناميات والميكانيكيات والمكونات المتوافقة مع الأهداف التعليمية (دوغال وآخرون، 2021). على سبيل المثال، يمكن أن يساعد إضافة نظام تغذية راجعة، مثل شريط التقدم، الذي يوجه الطلاب أثناء تقدمهم في المحتوى (مثل دورة تعليمية مفتوحة عبر الإنترنت)، في الحفاظ على المشاركة. ثانياً، إحدى النتائج الرئيسية لهذه البحث هي الدور المحدد للوحات المتصدرين في التأثير على الأداء التعليمي. يبدو أن تصميم لوحات المتصدرين لأفضل 3 ولوحات المتصدرين النسبية أكثر فعالية من لوحات المتصدرين المطلقة في تجنب التأثير الضار على الدافع الناتج عن المقارنة المباشرة لأداء الطلاب (هانوس وفوكس، 2015). على الرغم من أن دراستنا لم تكشف عن فرق كبير في الدافع الذاتي، إلا أننا تأكدنا من أن مستوياته لم تنخفض بسبب تصميمات لوحات المتصدرين. ثالثاً، يجب أخذ الفروق الفردية (مثل الجنس ونوع اللاعب) في الاعتبار عند تقييم تأثير الألعاب على التعلم. على سبيل المثال، قد تستفيد العناصر التنافسية مثل لوحات المتصدرين الطلاب الذين يستجيبون بشكل جيد للمكافآت الخارجية (أندرياس وآخرون، 2022). رابعاً، يمكن أن يوفر توسيع استخدام الوسطاء في المزيد من دراسات الألعاب خارج العلوم الاجتماعية والصحة رؤى حول المتغيرات التي تؤثر على تأثيرها في التعليم، مما يمكّن المعلمين من إجراء تعديلات مستنيرة لتعزيز الفعالية. على سبيل المثال، وجد تشين وليانغ (2022) أن الكفاءة الذاتية تتوسط العلاقة بين الألعاب والمشاركة الدراسية. بناءً على نتائجهم، يمكن للمعلمين تصميم تدخلات تعزز ثقة الطلاب بأنفسهم ومشاركتهم.
أخيرًا، تحتوي هذه الدراسة على عدة قيود يمكن للباحثين معالجتها في الأبحاث المستقبلية. أولاً، قد يؤدي الاعتماد على أدوات الإبلاغ الذاتي إلى إدخال تحيز. هذه القيود مرتبطة بمسألة ثانية: بينما جمعنا بيانات نوعية، كانت فقط من الطلاب في المجموعة التجريبية. إن تضمين بيانات من المجموعة الضابطة أمر حاسم للحصول على فهم شامل لكيفية إدراك الطلاب لبيئة تعلمهم. ثالثًا، هناك حاجة إلى بيئة أكثر تحكمًا لتقليل تسرب المشاركين خلال كل من مراحل الاختبار القبلي والاختبار البعدي. رابعًا، على الرغم من أننا أخذنا في الاعتبار التباينات في سلوك المعلم-
قد يكون المعلمون المختلفون المشاركون في فصول مختلفة بمثابة معتدل محتمل. استخدام نفس المعلم عبر ظروف البحث المختلفة من المحتمل أن يوفر نتائج أكثر اتساقًا. خامسًا، يمكن أن يوفر تحليل متغيرات خلفية إضافية، مثل أنواع اللاعبين، رؤى حول كيفية تأثير عناصر اللعبة المحددة على الطلاب. سادسًا، يجب مواصلة دراسة آثار الت gamification في مجالات STEM الأخرى مثل العلوم. سابعًا، من أجل الحصول على صورة أكثر شمولاً عن آثار التدخل، سيكون من المفيد مقارنة النتائج في مجالات STEM وغير STEM.

أظهرت هذه الدراسة كيف يمكن أن يحسن استخدام الألعاب، من خلال لوحات المتصدرين، أداء التعلم بين طلاب الجامعات في دورة حساب التفاضل والتكامل. أظهرت نتائج الفرضية الأولى (H1) أن الطلاب المشاركين في بيئة م gamified أظهروا أداءً تعليميًا أعلى مقارنةً بأولئك في مجموعة التحكم. يبرز حجم التأثير الكبير تأثيره القوي. لم تجد الفرضية الثانية (H2) تأثيرًا للألعاب على الكفاءة الذاتية والدافع الذاتي. أشارت البيانات النوعية إلى أن الطلاب اعتبروا لوحة المتصدرين مصدرًا للتنافس الذاتي بدلاً من أن تكون دافعًا داخليًا. تشير النتائج إلى أنه على الرغم من أن الألعاب قد تدفع الأداء، إلا أن تأثيراتها على الدافع قد تكون أكثر تعقيدًا مما كان يُفترض سابقًا. لم تجد الفرضية الثالثة (H3) تأثيرًا وسيطًا للدافع الذاتي والكفاءة الذاتية بين الألعاب وأداء التعلم. تشير هذه النتيجة إلى أن عوامل أخرى، ربما خارجية عن الفرد، قد تؤثر على المكاسب الملحوظة في الأداء. بشكل عام، تؤكد هذه الدراسة على ضرورة تصميم وتنفيذ بيئات تعليمية م gamified بشكل أكثر تفكيرًا. يمكن أن يكون للوحة المتصدرين تأثير إيجابي كبير على أداء التعلم، ولكن قد يتأثر دافع الطلاب أو كفاءتهم الذاتية بطرق مختلفة. لا توجد حل واحد يناسب الجميع عندما يتعلق الأمر بالألعاب الفعالة. ومع ذلك، مع التصميم الصحيح، يمكن لمعلمي STEM خلق بيئة تعليمية أكثر جذبًا وفعالية مع تحسينات في النتائج الأكاديمية.

نقدم شكرنا لمراجعي ومحرري المجلة على ملاحظاتهم البناءة، التي عززت بشكل كبير جودة المخطوطة.

كتب MO جميع أقسام المخطوطة. قام KC بتحليل البيانات الكمية، وحرر المقال، وساهم في أقسام النتائج، والنقاش، والاستنتاج. قام MV بتحليل البيانات الكمية، وحرر المقال، وساهم في قسم النقاش. قامت CB بإجراء التحليل النوعي وكتبت عنه في المخطوطة. كما قامت بتحديث المراجع لجميع المقالات وساهمت في الأعمال ذات الصلة.

غير قابل للتطبيق.

تتوفر مجموعات البيانات المستخدمة و/أو التي تم تحليلها خلال الدراسة الحالية من المؤلف المراسل عند الطلب.

يعلن المؤلفون أنهم ليس لديهم مصالح متنافسة.

تاريخ الاستلام: 29 مايو 2024 تاريخ القبول: 16 ديسمبر 2024
نُشر على الإنترنت: 06 يناير 2025

Ahmed, H. D., & Asiksoy, G. (2021). The effects of gamified flipped learning method on student’s innovation skills, self-efficacy towards virtual physics lab course and perceptions. Sustainability, 13(18), 10163. https://doi. org/10.3390/su131810163
Alamolhoda, M., Ayatollahi, S. M. T., & Bagheri, Z. (2017). A comparative study of the impacts of unbalanced sample sizes on the four synthesized methods of meta-analytic structural equation modeling. BMC Research Notes, 10, 446. https://doi.org/10.1186/s13104-017-2768-5
An, Y. (2020). Designing effective Gamified learning experiences. International Journal of Technology in Education, 3(2), 62-69.
Andrias, R.M., Sunar, M.S., Sondoh, S.L. (2022). Adaptive Gamification: User/ Player Type and Game Elements Mapping. In: Lv, Z., Song, H. (eds) Intelligent Technologies for Interactive Entertainment. INTETAIN 2021. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol 429. Springer, Cham. https://doi. org/10.1007/978-3-030-99188-3_15
Baguley, T. (2009). Standardized or simple effect size: What should be reported? British Journal of Psychology, 100(3), 603-617. https://doi.org/10. 1348/000712608X377117
Bai, S., Hew, K. F., & Huang, B. (2020). Does gamification improve student learning outcome? Evidence from a meta-analysis and synthesis of qualitative data in educational contexts. Educational Research Review, 30, 100322. https://doi.org/10.1016/j.edurev.2020.100322
Bandura, A. (1978). Self-efficacy: Toward a unifying theory of behavioral change. Advances in Behaviour Research and Therapy, 1(4), 139-161. https://doi.org/10.1016/0146-6402(78)90002-4
Bandura, A. (1982). Self-efficacy mechanism in human agency. American Psychologist, 37(2), 122. https://doi.org/10.1037/0003-066X.37.2.122
Bandura, A. (2006). Guide for constructing self-efficacy scales. Self-Efficacy Beliefs of Adolescents, 5(1), 307-337.
Banfield, J., & Wilkerson, B. (2014). Increasing student intrinsic motivation and self-efficacy through gamification pedagogy. Contemporary Issues in Education Research, 7(4), 291-298.
Batchelor, R. L., Ali, H., Gardner-Vandy, K. G., Gold, A. U., MacKinnon, J. A., & Asher, P. M. (2021). Reimagining STEM workforce development as a braided river. Eos. https://doi.org/10.1029/2021EO157277
Black, A. E., & Deci, E. L. (2000). The effects of instructors’ autonomy support and students’ autonomous motivation on learning organic chemistry: A self-determination theory perspective. Science Education, 84(6), 740-756.
Bleumers, L., All, A., Mariën, I., Shurmans, D., Van Looy, J., Jacobs, A., Willaert, K., De Grove, F., & Stewart, J. (Ed.). (2012). State of play of digital games for empowerment and inclusion: A review of the literature and empirical cases (EUR 25652). Publications Office of the European Union. https://doi. org/10.2791/36295
Bourgonjon, J., Valcke, M., Soetaert, R., & Schellens, T. (2010). Students’ perceptions about the use of video games in the classroom. Computers & Education, 54(4), 1145-1156. https://doi.org/10.1016/j.compedu.2009.10.022
Cadavid, J. M., & Gómez, L. F. M. (2015). Uso de un entorno virtual de aprendizaje ludificado como estrategia didáctica en un curso de pre-cálculo: Estudio de caso en la Universidad Nacional de Colombia. (2015). RISTI

Revista Ibérica de Sistemas e Tecnologias de Informação, 16, 1-17. https:// doi.org/10.17013/risti.16.1-16
Castillo-Parra, B., Hidalgo-Cajo, B. G., Vásconez-Barrera, M., & Oleas-López, J. (2022). Gamification in Higher Education: A Review of the Literature. World Journal on Educational Technology: Current Issues, 14(3), 797-816. https://doi.org/10.18844/wjet.v14i3.7341
Chen, J., & Liang, M. (2022). Play hard, study hard? The influence of gamification on students’ study engagement. Frontiers in Psychology, 13, 994700. https://doi.org/10.3389/fpsyg.2022.994700
Chernbumroong, S., Sureephong, P., and Muangmoon, O. O. (2017). The effect of leaderboard in different goal-setting levels. In 2017 International Conference on Digital Arts, Media and Technology (ICDAMT) (230-234). IEEE. https://doi.org/10.1109/ICDAMT.2017.7904967
Christy, K. R., & Fox, J. (2014). Leaderboards in a virtual classroom: A test of stereotype threat and social comparison explanations for women’s math performance. Computers & Education, 78, 66-77. https://doi.org/10.1016/j. compedu.2014.05.005
Creswell, J. W., & Creswell, J. D. (2017). Research design: Qualitative, quantitative, and mixed methods approaches. Sage publications.
Denden, M., Tlili, A., Essalmi, F., Jemni, M., Chen, N. S., & Burgos, D. (2021). Effects of gender and personality differences on students’ perception of game design elements in educational gamification. International Journal of Human-Computer Studies, 154, 102674. https://doi.org/10.1016/j.ijhcs. 2021.102674

Denny, P., McDonald, F., Empson, R., Kelly, P., and Petersen, A. (2018). Empirical support for a causal relationship between gamification and learning outcomes. In Proceedings of the 2018 CHI conference on human factors in computing systems, pages 1-13. https://doi.org/10.1145/3173574. 3173885
Deterding, S. (2011). Situated motivational affordances of game elements: A conceptual model. In Gamification: Using game design elements in nongaming contexts, a workshop at CHI , volume 10 .
Deterding, S. (2014) Eudaimonic Design, or: Six Invitations to Rethink Gamification. Eudaimonic Design, or: Six Invitations to Rehtink Gamification. In: Rethinking Gamification. Edited by Mathias Fuchs, Sonia Fizek, Paolo Ruffino, Niklas Schrape. Lüneburg: meson press 2014, pp. 305-323.
Deterding, S., Dixon, D., Khaled, R., and Nacke, L. (2011). From game design elements to gamefulness: defining “gamification”. In Proceedings of the 15th international academic MindTrek conference: Envisioning future media environments, pages 9-15. https://doi.org/10.1145/2181037.2181040
Díaz-Ramírez, J. (2020). Gamification in engineering education-an empirical assessment on learning and game performance. Heliyon. https://doi.org/ 10.1016/j.heliyon.2020.e04972

Duggal, K., Singh, P., Gupta, L.R. (2021). Impact of Gamification, Games, and Game Elements in Education. In: Singh, P.K., Polkowski, Z., Tanwar, S., Pandey, S.K., Matei, G., Pirvu, D. (Eds). Innovations in Information and Communication Technologies (IICT-2020). Advances in Science, Technology & Innovation. Springer, Cham. https://doi.org/10.1007/978-3-030-66218-9_23.
Gui, Y., Cai, Z., Yang, Y., Kong, L., Fan, X., & Tai, R. H. (2023). Effectiveness of digital educational game and game design in STEM learning: A meta-analytic review. International Journal of STEM Education, 10(1), 36. https://doi.org/
Hagger, M. S., Hardcastle, S. J., Chater, A., Mallett, C., Pal, S., & Chatzisarantis, N. (2014). Autonomous and controlled motivational regulations for multiple health-related behaviors: Between-and within-participants analyses. Health Psychology and Behavioral Medicine: An Open Access Journal, 2(1), 565-601. https://doi.org/10.1080/21642850.2014.912945
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. https://doi.org/10.1016/j.compedu.2014.08.019
Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis (3rd ed.). The Guilford Press.
Hedges, L. V., & Olkin, I. (1985). Estimation of a single effect size: Parametric and nonparametric methods. Statistical Methods for Meta-Analysis. https://doi. org/10.1016/b978-0-08-057065-5.50010-5
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55. https://doi.org/ 10.1080/10705519909540118

Huang, R., Ritzhaupt, A. D., Sommer, M., Zhu, J., Stephen, A., Valle, N., Hampton, J., & Li, J. (2020). The impact of gamification in educational settings on student learning outcomes: A meta-analysis. Educational Technology Research and Development, 68(4), 1875-1901. https://doi.org/10.1007/ s11423-020-09807-z
Ibanez, M. B., Di-Serio, A., & Delgado-Kloos, C. (2014). Gamification for engaging computer science students in learning activities: A case study. IEEE Transactions on Learning Technologies, 7(3), 291-301. https:// doi.org/10.1109/tlt.2014.2329293
Jent, S., & Janneck, M. (2017). Using Gamification to Enhance User Motivation: The Influence of Gender and Age. Advances in The Human Side of Service Engineering. https://doi.org/10.1007/978-3-319-60486-2_1
Kapp, K. M. (2012). The gamification of learning and instruction: Game-based methods and strategies for training and education. John Wiley & Sons.
Kleinschmit, A. J., Rosenwald, A., Ryder, E. F., Donovan, S., Murdoch, B., Grandgenett, N. F., Pauley, M., Triplett, E., Tapprich, W., & Morgan, W. (2023). Accelerating STEM education reform: Linked communities of practice promote creation of open educational resources and sustainable professional development. International Journal of STEM Education. https://doi.org/10.1186/s40594-023-00405-y
Kovácsné Pusztai, K. (2021). Gamification in higher education. Teaching Mathematics and Computer Science, 18(2), 87-106. https://doi.org/10. 5485/tmcs.2020.0510
Kreitchmann, R. S., Abad, F. J., Ponsoda, V., Nieto, M. D., & Morillo, D. (2019). Controlling for response biases in self-report scales: Forced-choice vs. Psychometric modeling of likert items. Frontiers in Psychology. https:// doi.org/10.3389/fpsyg.2019.02309
Landers, R. N. (2014). Developing a theory of gamified learning: Linking serious games and gamification of learning. Simulation & Gaming, 45(6), 752-768. https://doi.org/10.1177/1046878114563660
Landers, R. N., & Armstrong, M. B. (2017). Enhancing instructional outcomes with gamification: An empirical test of the Technology-Enhanced Training Effectiveness Model. Computers in Human Behavior, 71, 499-507. https://doi.org/10.1016/j.chb.2015.07.031
Landers, R. N., & Landers, A. K. (2014). An empirical test of the theory of gamified learning: The effect of leaderboards on time-on-task and academic performance. Simulation & Gaming, 45(6), 769-785. https:// doi.org/10.1177/1046878114563662
Li, M., Ma, S., & Shi, Y. (2023). Examining the effectiveness of gamification as a tool promoting teaching and learning in educational settings: A meta-analysis. Frontiers in Psychology, 14, 1253549. https://doi.org/10. 3389/fpsyg.2023.1253549
Lovasz, A., Bat-Erdene, B., Cukrowska-Torzewska, E., Rigó, M., & Szabó-Morvai, Á. (2023). Competition, subjective feedback, and gender gaps in performance. Journal of Behavioral and Experimental Economics, 102, 101954. https://doi.org/10.1016/j.socec.2022.101954

MacKinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2007). Mediation Analysis. Annual Review of Psychology, 58(1), 593-614. https://doi.org/10.1146/ annurev.psych.58.110405.085542
Marczewski, A. (2015). Even Ninja Monkeys Like to Play: Gamification, Game Thinking and Motivational Design. CreateSpace Independent Publishing Platform.
Mekler, E. D., Brühlmann, F., Tuch, A. N., & Opwis, K. (2017). Towards understanding the effects of individual gamification elements on intrinsic motivation and performance. Computers in Human Behavior, 71, 525-534. https://doi.org/10.1016/j.chb.2015.08.048
Mohamed, M., Rasid, N. S. M., Ibrahim, N., & Seshaiyer, P. (2023). Engaging Responsive and Responsible Learning Through Collaborative Teaching in the STEM Classroom. Cases on Responsive and Responsible Learning in Higher Education, 120-133. https://doi.org/10.4018/978-1-6684-6076-4. ch008
Ortiz Rojas, M. E., Chiluiza, K., and Valcke, M. (2017). Gamification in computer programming: Effects on learning, engagement, self-efficacy and intrinsic motivation. In 11th European Conference on Game-Based Learning (ECGBL), pages 507-514. Acad Conferences LTD.
Ortiz-Rojas, M., Chiluiza, K., & Valcke, M. (2019). Gamification through leaderboards: An empirical study in engineering education. Computer Applications in Engineering Education, 27(4), 777-788. https://doi.org/ 10.1002/cae. 12116

Poeller, S., and Phillips, C. J. (2022). Self-determination theory—i choose you! the limitations of viewing motivation in hci research through
the lens of a single theory. In Extended Abstracts of the 2022 Annual Symposium on Computer-Human Interaction in Play, 261-262. https:// doi.org/10.1145/3505270.3558361
Qin, J. (2023). On the reform of education methods that adapt to STEM development demand. International Journal of Education and Humanities, 6(2), 141-143. https://doi.org/10.54097/ijeh.v6i2.3660
Rasoolimanesh, S. M., Wang, M., Roldan, J. L., & Kunasekaran, P. (2021). Are we in right path for mediation analysis? Reviewing the literature and proposing robust guidelines. Journal of Hospitality and Tourism Management, 48, 395-405. https://doi.org/10.1016/j.jhtm.2021.07.013
Reeve, J., & Deci, E. L. (1996). Elements of the competitive situation that affect intrinsic motivation. Personality and Social Psychology Bulletin, 22(1), 24-33. https://doi.org/10.1177/0146167296221003
Rincon-Flores, E. G., & Santos-Guevara, B. N. (2021). Gamification during Covid-19: Promoting active learning and motivation in higher education. Australasian Journal of Educational Technology, 37(5), 43-60. https://doi. org/10.14742/ajet. 7157
Ryan, R. M., & Connell, J. P. (1989). Perceived locus of causality and internalization: Examining reasons for acting in two domains. Journal of Personality and Social Psychology, 57(5), 749.
Ryan, R. M., & Deci, E. L. (2000). Intrinsic and extrinsic motivations: Classic definitions and new directions. Contemporary Educational Psychology, 25(1), 54-67. https://doi.org/10.1006/ceps.1999.1020
Sailer, M., Hense, J., Mandl, H., & Klevers, M. (2013). Psychological perspectives on motivation through gamification. Interaction Design and Architecture(s), 19, 28-37. https://doi.org/10.55612/s-5002-019-002
Sailer, M., Hense, J. U., Mayr, S. K., & Mandl, H. (2017). How gamification motivates: An experimental study of the effects of specific game design elements on psychological need satisfaction. Computers in Human Behavior, 69, 371-380. https://doi.org/10.1016/j.chb.2016.12.033
Sailer, M., & Homner, L. (2020). The gamification of learning: A meta-analysis. Educational Psychology Review, 32(1), 77-112. https://doi.org/10.1007/ s10648-019-09498-w
Schuler, M. S., Coffman, D. L., Stuart, E. A., Nguyen, T. Q., Vegetabile, B., & McCaffrey, D. F. (2024). Practical challenges in mediation analysis: A guide for applied researchers. Health Services and Outcomes Research Methodology. https://doi.org/10.1007/s10742-024-00327-4
Silva, I., Wong, A., Auria, B., Zambrano, D., & Echeverria, V. (2022). Gamification in Engineering Education: Exploring Students’ Performance, Motivation, and Engagement. IEEE Sixth Ecuador Technical Chapters Meeting (ETCM), 2022, 1-6. https://doi.org/10.1109/etcm56276.2022.9935729
Tahir, F., Mitrovic, A., & Sotardi, V. (2021). Do Gaming Experience and Prior Knowledge Matter When Learning with a Gamified ITS? International Conference on Advanced Learning Technologies (ICALT), 2021, 75-77. https:// doi.org/10.1109/icalt52272.2021.00030
Ukyo, Y., Noma, H., Maruo, K., & Gosho, M. (2019). Improved small sample inference methods for a mixed-effects model for repeated measures approach in incomplete longitudinal data analysis. Stats, 2(2), 174-188. https://doi.org/10.3390/stats2020013
van Roy, R., & Zaman, B. (2017). Why Gamification Fails in Education and How to Make It Successful: Introducing Nine Gamification Heuristics Based on Self-Determination Theory. Serious Games and Edutainment Applications, 485-509. https://doi.org/10.1007/978-3-319-51645-5_22
Van Roy, R., & Zaman, B. (2018). Need-supporting gamification in education: An assessment of motivational effects over time. Computers & Education, 127, 283-297. https://doi.org/10.1016/j.compedu.2018.08.018
Videnovik, M., Vold, T., Kiønig, L., et al. (2023). Game-based learning in computer science education: A scoping literature review. IJ STEM Ed, 10, 54. https://doi.org/10.1186/s40594-023-00447-2
Werbach, K., Hunter, D., and Dixon, W. (2012). For the win: How game thinking can revolutionize your business, volume 1. Wharton digital press Philadelphia.
Yan, L. L. L., & Matore, M. E. (2023). Gamification Trend in Students’ Mathematics Learning Through Systematic Literature Review. International Journal of Academic Research in Progressive Education and Development, 12(1), 400-423. https://doi.org/10.6007/ijarped/v12-i1/15732
Yang, F. M., & Kao, S. T. (2014). Item response theory for measurement validity. Shanghai Archives of Psychiatry, 26(3), 171-177. https://doi.org/10.3969/j. issn.1002-0829.2014.03.010
Zahedi, L., Batten, J., Ross, M., Potvin, G., Damas, S., Clarke, P., & Davis, D. (2021). Gamification in education: A mixed-methods study of gender on
computer science students’ academic performance and identity development. Journal of Computing in Higher Education, 33, 441-474. https://doi. org/10.1007/s12528-021-09271-5
Zeidan, M., Huang, X., Xiao, L., & Zhao, R. (2022). Improving student engagement using a video-enabled activity-based learning: An exploratory study to STEM preparatory education in UAE. Journal of Learning Development in Higher Education. https://doi.org/10.47408/jldhe.vi24.888
Zichermann, G., and Cunningham, C. (2011). Gamification by design: Implementing game mechanics in web and mobile apps. ” O’Reilly Media, Inc.”.

تظل شركة سبرينجر ناتشر محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.

Keywords Gamification, Leaderboards, Calculus, Motivation, Self-efficacy, Learning performance

Globally, there is a growing demand for professionals with STEM backgrounds (Batchelor et al., 2021). This demand has pushed universities to adopt methods to engage students in these areas, retain students in these

programs, and improve their learning performance (Gui et al., 2023; Qin, 2023; Videnovik et al., 2023; Zeidan et al., 2022). In this context, gamification, the use of game elements in non- game contexts (Deterding et al., 2011), is often presented as an alternative method of instruction to increase students’ learning performance and engagement in STEM domains (Silva et al., 2022). When it comes to research on gamification in these STEM domains, available research has mainly been conducted in Computer Science and Engineering (Cas-tillo-Parra et al., 2022), leaving other STEM areas, such as Mathematics or Science, which are less studied. Furthermore, Huang et al. (2020) stated that mediating variables influence the outcomes of gamification. Thus, it is necessary to explore possible combinations of gamification design elements and mediating variables to identify

one that facilitates learning outcomes and has a durable effect. Additionally, the incorporation of qualitative methods would help users understand choices and needs and complement quantitative analysis. Hence, this study addresses the above issues by setting up a mixed-method research approach, analyzing the effect of gamification on learning performance in a calculus class, while considering autonomous motivation and self-efficacy as mediating variables and gender and gaming experience as co-variables.

Gamification refers to the use of game design elements (e.g., badges or leaderboards) in non-game contexts (Deterding et al., 2011). Werbach et al. (2012) classified these elements as dynamics, mechanics, and components. Dynamics are abstract and general elements such as emotions and narratives. Mechanics refers to processes that drive actions such as competition and feedback. Finally, the components are visible elements such as points, leaderboards, and badges. It is essential to design a gamified experience in which all the elements interact (An, 2020; Kapp, 2012). For instance, points (components) can be awarded to a student who answers a question correctly, triggering competition (mechanics) that causes students to feel engaged in participation (dynamics-emotions).

Gamification has shown to enhance mathematics learning outcomes and motivation (Yan and Matore 2023). For example, Rincon-Flores and Santos-Guevara (2021) present the outcomes of two gamified undergraduate courses in Calculus and Development of Transversal Competencies. In a situation where teaching was delivered remotely, synchronously, and online, gamification encouraged student participation and enhanced academic performance through a reward system according to the results of online surveys and final grades. Moreover, Kovácsné Pusztai (2021), in his quasi-experimental study using a points system, showed how the students in the experimental group of the subject Algorithms and Data Structure improved their grades compared to their peers in the control group. Although there are studies of gamification in mathematics where positive results are seen, such as those mentioned above, most of these studies did not consider mediating variables. Including them in research helps to understand complex relationships, making it possible for researchers to understand how these effects occur and to design strategies to achieve the desired outcome (MacKinnon et al., 2007; Rasoolimanesh et al., 2021). Possible reasons for not including them in
studies could be the field of research, where health and social sciences (especially psychology) are predominant in its use, or the difficulties faced when attempting to report these analyses accurately (Schuler et al., 2024).

Several meta-analyses of gamification and learning performance have reported a positive effect on learning. However, these studies point to recommendations or issues that require further research. For example, Sailer and Homner (2020) suggested further research on how psychological needs can be fostered by gamification. Li et al. (2023) recommended a combination of mechanics, dynamics and aesthetics, not just dynamics and aesthetics, to achieve a greater effect size. Another recommendation was made by Bai et al. (2020), who found that more game elements do not necessarily improve learning performance, but one game element can fulfill multiple roles.
One model to study the impact of gamification on learning is the “theory of gamified instructions” (Landers, 2014). This theory emphasizes the indirect impact of gamification on learning by pointing to the role of mediating variables. For instance, students exposed to leaderboards (game elements) interacted more times with a project (time spent on task behavior) than in the control condition, causing an increase in learning performance (Landers & Landers, 2014). A few studies have attempted to use this theory for gamification (Ortiz-Rojas et al., 2017, 2019). In the present study, we built on this theory, considering autonomous motivation and self-efficacy as the mediating variables.

To foster autonomous motivation, we built on Ryan and Deci’s (2000) Self-Determination Theory (SDT), which distinguishes between autonomous and controlled motivation. When people are autonomously motivated, they feel engaged, because their intrinsic goals are related. Controlled motivation refers to behavior regulated by perceived external benefits such as rewards (Hagger et al., 2014). In line with Ryan and Connell (1989), the authors stress that motivation evolves along a continuum, defined as the perceived locus of casualty, ranging from completely autonomous to the most controlling form. Along this continuum, three types of autonomous motivation are distinguished: intrinsic, integrated, and identifiable. Intrinsic motivation builds on doing things for fun, interest, or excitement (e.g., taking a class because students like the subject). Integrated motivation refers to doing an activity because people consider it important for themselves, congruent with their personal values and needs (e.g., taking a class because it is part of the commitment
acquired as a student). Identified motivation is observed when a person identifies with the value of a specific activity (e.g., taking a class because students know that it is useful to pass the next subject).
Self-Determination Theory stresses how each type of motivation fulfils or stresses three psychological needs: the need for autonomy (being in control of one’s behavior), competence (developing mastery), and relatedness (sense of belonging to a group) (Ryan & Deci, 2000). Gamified environments that help to satisfy these needs are more likely to promote autonomous motivation (Mekler et al., 2017). For instance, Van Roy and Zaman (2017) described how a gamified setting supports autonomy by allowing students to choose their activities. It also seems to satisfy their need for competence, as the activities are challenging yet achievable, with feedback mechanisms (e.g., badges) informing students of their positive progress. Finally, the need for relatedness seems to be fulfilled when interactions are facilitated. For example, leaderboards allow students to compare and share their progress, as well as discuss their positions (Sailer et al., 2013). In gamification research, to the best of our knowledge, only Van Roy and Zaman (2018) focused on autonomous motivation, demonstrating an increase after exposure to gamified elements like badges and leaderboards.
Motivational needs can be satisfied in a gamified setting depending on how game elements are implemented, a concept Deterding (2011) termed “situated motivational affordance.” For example, while leaderboards often encourage peer competition and can reduce autonomous motivation (Reeve and Deci, 1996), they can also enhance competence and foster personal autonomy by highlighting self-progress. Moreover, motivational affordances are not tied to individual gamification elements but depend on the entire gamified system (Deterding, 2014). Therefore, it is essential to consider the interplay between elements in a system and how their combination promotes autonomous motivation. However, one critique of SelfDetermination Theory is that it does not account for individual differences (e.g., personality traits, cultural background, cognitive abilities) (Poeller & Phillips, 2022). To address this, our study incorporates ground variables such as gender and gaming experience to explore whether these differences impact motivation when combined with gamification.

We focused on self-efficacy (SE), which is defined as one’s ability to achieve goals (Bandura, 1978), and acquire information about self-efficacy from four sources: performance attainment (feeling competent based on previous experiences), vicarious experiences
(observing others’ successful performance), verbal persuasion (receiving positive or negative feedback about task performance), and physiological states (e.g., stress levels) (Bandura, 1982). Many gamification elements embody feedback on personal and others’ performances (Bleumers et al., 2012). For instance, Christy and Fox (2014) demonstrate how leaderboards provide feedback by showing each student’s ranking position. The latter authors also stress how leaderboards invoke vicarious experiences because students see how well others perform. In terms of physiological states, when a game is neither too difficult nor too easy, it induces an acceptable level of stress or exhaustion, thereby promoting engagement and task completion (Kapp, 2012). Research on the effects of gamification on student self-efficacy has increased in recent years. Ahmed and Asiksoy (2021) investigated the impact of a gamified flipped learning class on the self-efficacy and innovation skills of physics students in a virtual laboratory. The results show a positive impact on innovation skills; however, self-efficacy showed no significant improvement. Chen and Liang (2022) presented their study on self-efficacy as a mediating variable, exploring the impact of gamification on students’ study engagement in a marketing class using surveys from 187 Chinese students. The results showed that enjoyment and selfefficacy indirectly influence engagement. In the case of mathematics education, studies are scarce and have yielded contradictory results; some have shown positive results (Banfield & Wilkerson, 2014), while others have reported no significant effect (Ortiz-Rojas et al., 2017). These discrepancies underscore the need for further research on self-efficacy in mathematics education.

Background variables such as gender and gaming experience should be considered when implementing gamification, particularly in STEM areas. Regarding gender, Hanus and Fox (2015) found that participants in a leaderboard with most women performed worse academically compared to those in a leaderboard with most men. Additionally, Jent and Janneck (2018) reported that men felt more motivated by gamification than women. Recent studies have shown that this information is related to students’ perceptions of the usefulness of feedback in gamified courses. Female students play better when they receive feedback on the activity than their male peers (Denden et al., 2021; Lovasz et al., 2023). As for gaming experience, studies reveal that students with prior gaming experience are more willing to participate in gamified instruction and invest more time in their activities (Landers & Armstrong, 2017; Tahir et al., 2021).

Leaderboards are defined as a “visual display that ranks players according to their accomplishment” (Christy & Fox, 2014), p.67), causing players to compare their performance with others and their own earlier performance (Sailer et al., 2017). They are categorized into two types: absolute/infinite, and relative/non-disincentive. Absolute leaderboards show all players and their scores, causing a sense of achievement only for the top players compared with the bottom-ranked ones. On the other hand, relative leaderboards only show players’ rank and those above and below them, causing less discouragement for lower-ranked players. However, lack of information about other students’ positions can make them less meaningful (Marczewski, 2015; Zichermann & Cunningham, 2011). Research indicates that different outcomes may arise depending on the type of leaderboard used. For instance, Chernbumroong et al., (2017) compared three types of leaderboards: absolute, relative and the “impossible” one, where only the top five players were presented. After an online cardiopulmonary resuscitation exercise, the students were divided into groups and presented with one of these types. The results indicated that players on the relative leaderboard scored the highest, followed by the “impossible” and absolute leaderboards. However, the leaderboard group had the lowest completion rate. Landers and Landers (2014) used an “impossible” leaderboard in their work, but without scores. The experimental group demonstrated positive results in terms of the task performance. These examples suggest that leaderboard design should involve careful consideration, based on the objectives the designer aims to achieve (Werbach et al., 2012).

Based on the conceptual and theoretical foundations discussed earlier, we developed the theoretical model presented in Fig. 1. In line with Lander’s theory of gamified learning (Landers, 2014), this model illustrates how gamification elements, such as leaderboards, are hypothesized to affect learning performance through autonomous motivation (Self-Determination Theory) and self-efficacy. The model also considers background variables, including gender and gaming experience.

Based on the conceptual and theoretical model represented in Fig. 1, we propose the following hypotheses:

H1: Students involved in a gamified calculus course attain higher learning performance than students in a control condition.
H2: Students involved in a gamified calculus course reflect higher autonomous motivation and higher selfefficacy than students in a control condition.
H3: Students involved in a gamified calculus course attain higher learning performance than students in a control condition, considering the mediating effect of the changes in autonomous motivation, self-efficacy, and interaction with co-variables (gender, gaming experience).

We used a mixed-methods design approach (Creswell & Creswell, 2017). The quantitative part consisted of a quasi-experiment with control and experimental groups in which students filled out a series of instruments to measure learning performance, self-efficacy, autonomous motivation, and gaming experience. The qualitative section provided insights into the perceptions of participants regarding the effects of leaderboards, self-efficacy, and autonomous motivation. It consisted of interviews with students at the top, middle, and low levels of the leaderboard. Informed consent was obtained from all students after ethical clearance from the central university authorities.

This study was conducted at a public engineering university in Ecuador, reflecting a real-world, naturalistic educational setting. The original sample included 265 students from various engineering programs who selfenrolled in a shared calculus course, which was divided into four parallel classes taught by three different instructors. Due to unforeseen circumstances typical of such settings, some students did not complete both the pretest and post-test. As a result, the final sample for data analysis comprised 175 students. To reduce biases and

Table 3 summarizes the results of the reliability analysis, showing the internal consistency values of the instruments. The gaming experience results were consistent with those of the English version of the instrument . Autonomous motivation reliability, due to item deletion, could not be compared with the original version; the measures were acceptable to good.

Qualitative data were collected through semi-structured interviews with students conducted at the end of the research period. Nine students were interviewed, with three selected from each gamified parallel class based on their positions on the leaderboard: top, middle, and bottom. The interviews took place in private offices to ensure confidentiality and the quality of audio recordings. One researcher led the interviews, focusing on the impact of the leaderboard on students and specifically on the mediating variables. Most questions were designed to be open-ended, avoiding direct mention of the studied variables, to capture any relevant concepts related to them. A list of these questions is provided in Table 4.

The intervention was conducted during the first half of the first semester of the academic year, lasting nine weeks, and was structured as follows:

All students in the experimental courses received rules one week before the intervention through the university’s learning management system. The rules explained that, based on the outcomes of the compulsory (e.g., homework) and optional activities (e.g., self-assessment quizzes) carried out each week, the teacher would randomly choose one task to be included in a leaderboard

every Friday. Optional activities were never awarded extra points, nor did they result in punishment. Further instructions were announced in the first week of the intervention, mentioning that some activities could be presented again, and that the leaderboard did not accumulate points from the previous week. Thus, the students could improve their rankings every week.
When designing the gamified approach, the specific elements of gamification-dynamics, mechanics, and components-as outlined by Werbach et al. (2012) were incorporated to engage students in various ways:

boards would show his/her friend’s name, while the relative leaderboard would only show how many people shared the student’s position. By doing this, we expected to foster relatedness by feeling a part of the group. Figure 2 shows a sample of the designed leaderboards.

First, descriptive statistics were calculated for each variable. Second, ANOVA was used to examine the differences between the conditions at the pre-test level. No significant differences were observed at the pretest level for any of the studied variables ( ). Third, to test H1 and H2, factorial repeated-measures ANOVA was used. Before the analysis, the assumptions (homogeneity of variance and normal distribution) were tested. To counter the impact of multiple comparisons, Bonferroni correction was applied. The effect sizes based on Cohen’s D were calculated considering the difference in sample sizes by adjusting the calculation of the pooled standard deviation with weights for the sample sizes (Hedges & Olkin, 1985) and interpreted based on Baguley (2009): small effect size ( ), medium effect size ( ), and large effect size ( ). Additionally, linear mixed models (LMM) were used to complement the testing of H 1 , mitigating the challenge of unbalanced sample sizes between the groups under the conditions (Alamolhoda et al., 2017; Ukyo et al., 2019). Restricted Maximum Likelihood (REML) was used to estimate the parameters of the LLM. Finally, to analyze H3, a parallel mediation analysis was conducted using PROCESS v4.2. The model included the mean differences between the post-test and pre-test scores for autonomous motivation (Diff AM), self-efficacy (Diff SE), and learning performance (Learning Gain-LG).

For qualitative data, NVivo (Version 11) was used to analyze the nine interviews. The coding scheme focused on identifying indicators of autonomous motivation (autonomy, relatedness, and competence) and self-efficacy (student-related, subject-related). Furthermore, three additional codes were identified while analyzing the data: leaderboards (fostering competition against one another and against oneself) and controlled motivation. Intrarater reliability was calculated by repeating the coding by the same researchers ten days later. Cohen’s Kappa values reflect a high degree of intra-rater reliability: KAMAutonomy , KAMCompetence , KAMRelateness , KSE StuRelated , KSE SubRelated ,

KLeaderboard comp oneself=0.93, KLeaderboard comp Others , KExtrinsic motivation .

Descriptives in Table 5 reveal a definite increase in learning performance under both conditions, with a more substantial difference in the gamified setting.

Some, but smaller, differences were observed in autonomous motivation, self-efficacy, and gaming experience.
Regarding H1, the results revealed a significant main difference in the condition over time, , . This is in line with the descriptive information that learning gain was higher for students in the experimental condition ( ) than in the control condition (See Fig. 3). Cohen’s points for a large effect size.
To complement the above analysis, a linear mixed model was used to predict students’ learning performance, incorporating a random intercept to account for within-subject variability. The fixed effects included experimental conditions, time, and the interaction between condition and time. The model explained of the variance in learning performance (conditional ), with fixed effects alone explaining (marginal R2=0.668). The results indicated a significant main effect of condition ( ), a significant main effect for time ( ), and a significant interaction between condition and time ( ). Students in experimental conditions reached an average score of 3.70 points higher than those in the control condition, and both groups achieved better scores on the post-tests. Table 6 summarizes the model elements. The random intercept variance was estimated at 36.70 and 36.40 for residual variability indicating substantial between-subjects variance in learning performance. Residual diagnostics suggested no major violations of the model assumptions. The results help to confirm H1: Students in the gamified condition attain significantly higher learning performance than students in the control condition.
Concerning H2, the results indicate that there were no significant interactions of condition over time in either Autonomous Motivation, or Self-Efficacy, . Qualitative information helped to understand the quantitative results for these reasons. Regarding Autonomous Motivation, none of the students mentioned a sense of autonomy in the gamified condition. They did show a sense of competence regardless of the ranking position, with statements such as “it gave me reference to see how well or bad

I was in the subject” and relatedness was reported to a lesser extent. However, out of the eight comments, most of them mention that they never or rarely talked about the learning setting: “It was more like, personal”, “we did, in the beginning, but then we just saw it as normal.” In contrast, themes concerning controlled motivation emerged during the interviews with statements such as “If the leaderboard had not been present, I would not have done anything.” The students seemed to have experienced competition as detrimental to their autonomous motivation. This suggests that students perceive leaderboards as more controlled than autonomous. Nevertheless, when they were asked whether the competition was more against others or themselves, most comments reflected a focus on their position “… because you want to always get to the first position, and you challenge yourself and start studying”. Based on the above analyses, we confirm that H2 cannot be accepted. Students in the gamified condition did not achieve higher levels of autonomous motivation or self-efficacy compared to those in the control condition.

For H3, a parallel mediation analysis was conducted using PROCESS v4.2, Model 4 (Hayes, 2022). The condition variable ( X ) was dummy coded, with the experimental condition set as the reference group. The model also included the mean differences between the post-test and pre-test scores for autonomous motivation (M1=Diff AM), self-efficacy (M2=Diff SE), and learning performance ( Learning Gain-LG). Prior to the mediation analysis, all variables were standardized to ensure that the coefficients would be on a comparable scale, thus facilitating the interpretation of the mediation effects. Additionally, an analysis of variance (ANOVA) was performed to examine whether the covariates, gender and gaming experience, were related to learning gain. The results showed that neither gender, , nor gaming experience, , had
a statistically significant effect on learning gain. Hence, both variables were excluded from the model. Thus, the mediation analysis continued with autonomous motivation and self-efficacy. As shown in Fig. 4, the research condition was not significantly related to autonomous motivation (a1: , ) or learning performance ( a 2 : , ). The indirect effect through autonomous motivation (a2b2: ) was also not significantly different from zero, with a bias-corrected confidence interval ranging from -0.03 to 0.01 . The research condition was also not significantly related to self-efficacy (b1: ). However, selfefficacy was significantly related to learning performance (b2: ). This result is aligned with qualitative data. Most comments were subject-related, regardless of the ranking position, with statements such as: “It gave me the confidence to see that I was not bad in the subject week per week, and I was indeed learning everything.” The indirect effect through self-efficacy (b1b2: ) was also not significantly different from zero, with a bias-corrected confidence interval based on 5000 bootstrap samples ranging from -0.01 to 0.04 . Even when accounting for the potential mediation through self-efficacy and autonomous motivation, condition had a significant direct effect on learning performance ( ), indicating that the effect of condition on learning performance remained substantial and direct. As for the total effect of research condition on learning performance, the results were significant ( , ), indicating a strong overall relationship. Thus, these results partially supported H3. Studying in a gamified condition improved learning performance; however, this improvement was not affected by changes in autonomous motivation or self-efficacy as mediating variables.

This study analyzed the effects of gamification using leaderboards to improve learning performance. Regarding the first hypothesis, the results confirmed that gamification improved learning performance in the gamified group. This finding is in line with those of other authors (OrtizRojas et al., 2019; Zahedi et al., 2021) in the context of a different course subject (Computer Programming), where students improved their learning performance. This study can be compared with the results of Zahedi et al. (2021), who determined that leaderboards help students of all genders perform better, indicating that gamification is a gender-neutral learning engagement strategy. Overall, the H1 results contradict Lander’s theory about the critical role of mediators in explaining their effects on learning performance.
With respect to the second hypothesis, the results did not support the effect of gamification on autonomous motivation and self-efficacy. To the best of our knowledge, the only study that also evaluated autonomous motivation -though using different game elementsis that of Van Roy and Zaman (2018). Contrary to our findings, their study reported that students increased their autonomous motivation over time. Our analysis of the qualitative data provides plausible explanations. Although the gamified design was meant to boost autonomous motivation, students did not experience this. No comments were made regarding autonomy, although the students were free (not) to engage in optional activities. Leaderboards were supposed to support relatedness, but students rarely interacted with or commented on each other’s results. The only motivational need mentioned was competence: they considered the leaderboard a guide, giving them information about their weekly achievements. Thus, the leaderboard was perceived as pushing competition against oneself rather than with others. This finding appears to fit Deterding’s (2011) situated motivational theory. Although a leaderboard is usually designed to compete with others, the arrangement of our setup caused the opposite effect. However, this effect was still not sufficiently strong to cause substantial changes in motivation, which affects performance. The results regarding self-efficacy are in line with those of previous studies (Ortiz-Rojas et al., 2017, 2019), where no effects were found. This finding contradicts the positive effects reported by Banfield and Wilkerson (2014). With the help of qualitative information, we can explain that students’ self-efficacy influenced their focus on their chances of succeeding in the subject. Nevertheless, this impact was not sufficiently strong to interact with research conditions.

Regarding the third hypothesis, the results for H 2 suggest that no mediating effect would be found in
self-efficacy or autonomous motivation. This is consistent with the results of previous studies (Ortiz-Rojas et al., 2017, 2019). These results refute the theory of Lander. Nevertheless, some studies have reported a direct relationship between gamification and learning performance through mediation (Denny et al., 2018; Landers & Landers, 2014). Hence, these four scenarios explain the lack of connections in our study. First, a causal relationship is not required to establish a connection between gamification and learning performance. Second, a causal relationship was found; however, the specific mediation variables chosen in this study did not cause this effect. Third, autonomous motivation or self-efficacy did have an effect, but the way it was measured affected the results. There is a risk of using self-report questionnaires because of the potential response bias (Kreitchmann et al., 2014). The fourth scenario points to an external variable interfering with causal relationships. Teacher pedagogy may have influenced this study. For instance, when teachers give extra points as rewards for class exercises, they can be interpreted as having external control, causing extrinsic motivation to increase (Ryan & Deci, 2000). Nevertheless, in this study, we controlled this scenario by making informal periodical observations of teacher activities to ensure that their personal teaching methodology did not deviate from the initial setup.
The findings of this study contribute to the growing body of research on gamification specifically within the context of STEM disciplines in higher education. Therefore, it is important to consider the broader landscape of gamification applications in STEM courses at the higher education level. For example, in Ibanez et al. (2014), students of a C-Programming class at the university level improved their learning performance, motivation, and engagement after being exposed to a gamified platform (Q-Learning-G), which included work activities for completing programming tasks, social activities for interacting with peers, and feedback opportunities through peer assessment and recognition through leaderboards and badges. Cadavid and Gómez (2015) found that students from an undergraduate pre-calculus course in Colombia improved their learning performance after using a gamified system (Ticademia). The mechanics, dynamics, and components include progress tracking, points, rankings, and real-time duels to apply their knowledge in a practical and competitive context. Another example is found in engineering (Díaz-Ramírez, 2020), where students from an operations research course used a gamified system where they had to overcome some challenges and assignments that required them to solve problems or complete tasks related to the class content, participate as a team helping others, and use points, badges, levels, and
rewards. The results indicated an improvement in academic performance, sense of belonging, and teamwork. As the field of gamification continues to evolve, ongoing research and practical implications are crucial in refining appropriate strategies to maximize their impact on student success.
Hence, this study has important practical implications for educators who seek to incorporate gamification into their teaching practices and aim to deepen their understanding of how leaderboards specifically affect learning outcomes. First, gamification can enhance learning performance; however, its implementation must be carefully designed, considering the interplay of dynamics, mechanics, and components aligned with educational goals (Duggal et al., 2021). For instance, adding a feedback system, such as a progress bar, that guides students as they advance in content (e.g., a MOOC), can help maintain engagement. Second, a key finding of this research is the specific role of leaderboards in influencing learning performance. Designing Top 3 and relative leaderboards seems more effective than absolute leaderboards in avoiding the detrimental impact on motivation that comes from directly comparing students’ performances (Hanus & Fox, 2015). Although our study did not reveal a significant difference in autonomous motivation, we ensured that its levels did not decline because of the leaderboard designs. Third, Individual differences (e.g., gender and player type) should be considered when assessing the impact of gamification on learning. For instance, competitive elements such as leaderboards may benefit students who respond well to external rewards (Andrias et al., 2022). Fourth, expanding the use of mediators in more gamification studies beyond social sciences and health can provide insights into the variables affecting their impact on education, enabling teachers to make informed adjustments to enhance effectiveness. For example, Chen and Liang (2022) found that selfefficacy mediates the relationship between gamification and study engagement. Due to their results, teachers can design interventions that boost students’ self-confidence and engagement.
Finally, this study has several limitations that can be addressed by researchers in future research. First, the reliance on self-reporting instruments may introduce bias. This limitation is related to a second issue: while we collected qualitative data, it was only from students in the experimental group. Including data from the control group is crucial for gaining a comprehensive understanding of how students perceive their learning environment. Third, a more controlled setting is needed to minimize participant dropout during both the pre-test and post-test phases. Fourth, although we accounted for variations in teacher behavior-a
potential moderator-different teachers were involved in different classes. Using the same teacher through various research conditions would likely provide more consistent results. Fifth, analyzing additional background variables, such as player types, could offer insights into how specific game elements affect students. Sixth, continue the study of the effects of gamification in other STEM areas such as Science. Seventh, for the purpose of obtaining a more comprehensive picture of the intervention’s effects, it would be beneficial to compare the results in STEM and non-STEM fields.

This study demonstrated how gamification, using leaderboards, can improve learning performance among university students in a calculus course. The results of the first hypothesis (H1) showed that students involved in a gamified environment demonstrated a higher learning performance in comparison to those in a control group. The large effect size highlights its strong impact. The second hypothesis (H2) did not find an effect of gamification on self-efficacy and autonomous motivation. The qualitative data indicated that students perceived the leaderboard as a source of selfcompetition rather than an intrinsic motivation one. The finding suggests that though gamification may drive performance, its effects on motivation could be more complex than earlier assumed. The third hypothesis (H3) did not find a mediating effect of autonomous motivation and self-efficacy between gamification and learning performance. This finding suggests that other factors, perhaps external to the individual, might be influencing the observed performance gains. Overall, this study emphasizes how educational gamified environments need to be more thoughtfully designed and implemented. Leaderboards can have a big positive effect on learning performance, but students’ motivation or self-efficacy may be influenced in different ways. There is no one-size-fits-all solution when it comes to effective gamification. However, with the right design, STEM teachers can create a more engaging and effective learning environment with improvements in academic outcomes.

We extend our thanks to the journal’s reviewers and editors for their constructive feedback, which significantly enhanced the quality of the manuscript.

MO wrote all sections of the manuscript. KC analyzed the quantitative data, edited the article, and contributed to the results, discussion, and conclusion sections. MV analyzed the quantitative data, edited the article, and contributed to the discussion section. CB performed the qualitative analysis and wrote about it in the manuscript. She also updated the references of all articles and contributed to related work.

Not applicable.

The datasets used and/or analyzed during the current study are available from the corresponding author upon request.

The authors declare that they have no competing interests.

Received: 29 May 2024 Accepted: 16 December 2024
Published online: 06 January 2025

Ahmed, H. D., & Asiksoy, G. (2021). The effects of gamified flipped learning method on student’s innovation skills, self-efficacy towards virtual physics lab course and perceptions. Sustainability, 13(18), 10163. https://doi. org/10.3390/su131810163
Alamolhoda, M., Ayatollahi, S. M. T., & Bagheri, Z. (2017). A comparative study of the impacts of unbalanced sample sizes on the four synthesized methods of meta-analytic structural equation modeling. BMC Research Notes, 10, 446. https://doi.org/10.1186/s13104-017-2768-5
An, Y. (2020). Designing effective Gamified learning experiences. International Journal of Technology in Education, 3(2), 62-69.
Andrias, R.M., Sunar, M.S., Sondoh, S.L. (2022). Adaptive Gamification: User/ Player Type and Game Elements Mapping. In: Lv, Z., Song, H. (eds) Intelligent Technologies for Interactive Entertainment. INTETAIN 2021. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol 429. Springer, Cham. https://doi. org/10.1007/978-3-030-99188-3_15
Baguley, T. (2009). Standardized or simple effect size: What should be reported? British Journal of Psychology, 100(3), 603-617. https://doi.org/10. 1348/000712608X377117
Bai, S., Hew, K. F., & Huang, B. (2020). Does gamification improve student learning outcome? Evidence from a meta-analysis and synthesis of qualitative data in educational contexts. Educational Research Review, 30, 100322. https://doi.org/10.1016/j.edurev.2020.100322
Bandura, A. (1978). Self-efficacy: Toward a unifying theory of behavioral change. Advances in Behaviour Research and Therapy, 1(4), 139-161. https://doi.org/10.1016/0146-6402(78)90002-4
Bandura, A. (1982). Self-efficacy mechanism in human agency. American Psychologist, 37(2), 122. https://doi.org/10.1037/0003-066X.37.2.122
Bandura, A. (2006). Guide for constructing self-efficacy scales. Self-Efficacy Beliefs of Adolescents, 5(1), 307-337.
Banfield, J., & Wilkerson, B. (2014). Increasing student intrinsic motivation and self-efficacy through gamification pedagogy. Contemporary Issues in Education Research, 7(4), 291-298.
Batchelor, R. L., Ali, H., Gardner-Vandy, K. G., Gold, A. U., MacKinnon, J. A., & Asher, P. M. (2021). Reimagining STEM workforce development as a braided river. Eos. https://doi.org/10.1029/2021EO157277
Black, A. E., & Deci, E. L. (2000). The effects of instructors’ autonomy support and students’ autonomous motivation on learning organic chemistry: A self-determination theory perspective. Science Education, 84(6), 740-756.
Bleumers, L., All, A., Mariën, I., Shurmans, D., Van Looy, J., Jacobs, A., Willaert, K., De Grove, F., & Stewart, J. (Ed.). (2012). State of play of digital games for empowerment and inclusion: A review of the literature and empirical cases (EUR 25652). Publications Office of the European Union. https://doi. org/10.2791/36295
Bourgonjon, J., Valcke, M., Soetaert, R., & Schellens, T. (2010). Students’ perceptions about the use of video games in the classroom. Computers & Education, 54(4), 1145-1156. https://doi.org/10.1016/j.compedu.2009.10.022
Cadavid, J. M., & Gómez, L. F. M. (2015). Uso de un entorno virtual de aprendizaje ludificado como estrategia didáctica en un curso de pre-cálculo: Estudio de caso en la Universidad Nacional de Colombia. (2015). RISTI

Revista Ibérica de Sistemas e Tecnologias de Informação, 16, 1-17. https:// doi.org/10.17013/risti.16.1-16
Castillo-Parra, B., Hidalgo-Cajo, B. G., Vásconez-Barrera, M., & Oleas-López, J. (2022). Gamification in Higher Education: A Review of the Literature. World Journal on Educational Technology: Current Issues, 14(3), 797-816. https://doi.org/10.18844/wjet.v14i3.7341
Chen, J., & Liang, M. (2022). Play hard, study hard? The influence of gamification on students’ study engagement. Frontiers in Psychology, 13, 994700. https://doi.org/10.3389/fpsyg.2022.994700
Chernbumroong, S., Sureephong, P., and Muangmoon, O. O. (2017). The effect of leaderboard in different goal-setting levels. In 2017 International Conference on Digital Arts, Media and Technology (ICDAMT) (230-234). IEEE. https://doi.org/10.1109/ICDAMT.2017.7904967
Christy, K. R., & Fox, J. (2014). Leaderboards in a virtual classroom: A test of stereotype threat and social comparison explanations for women’s math performance. Computers & Education, 78, 66-77. https://doi.org/10.1016/j. compedu.2014.05.005
Creswell, J. W., & Creswell, J. D. (2017). Research design: Qualitative, quantitative, and mixed methods approaches. Sage publications.
Denden, M., Tlili, A., Essalmi, F., Jemni, M., Chen, N. S., & Burgos, D. (2021). Effects of gender and personality differences on students’ perception of game design elements in educational gamification. International Journal of Human-Computer Studies, 154, 102674. https://doi.org/10.1016/j.ijhcs. 2021.102674

Denny, P., McDonald, F., Empson, R., Kelly, P., and Petersen, A. (2018). Empirical support for a causal relationship between gamification and learning outcomes. In Proceedings of the 2018 CHI conference on human factors in computing systems, pages 1-13. https://doi.org/10.1145/3173574. 3173885
Deterding, S. (2011). Situated motivational affordances of game elements: A conceptual model. In Gamification: Using game design elements in nongaming contexts, a workshop at CHI , volume 10 .
Deterding, S. (2014) Eudaimonic Design, or: Six Invitations to Rethink Gamification. Eudaimonic Design, or: Six Invitations to Rehtink Gamification. In: Rethinking Gamification. Edited by Mathias Fuchs, Sonia Fizek, Paolo Ruffino, Niklas Schrape. Lüneburg: meson press 2014, pp. 305-323.
Deterding, S., Dixon, D., Khaled, R., and Nacke, L. (2011). From game design elements to gamefulness: defining “gamification”. In Proceedings of the 15th international academic MindTrek conference: Envisioning future media environments, pages 9-15. https://doi.org/10.1145/2181037.2181040
Díaz-Ramírez, J. (2020). Gamification in engineering education-an empirical assessment on learning and game performance. Heliyon. https://doi.org/ 10.1016/j.heliyon.2020.e04972

Duggal, K., Singh, P., Gupta, L.R. (2021). Impact of Gamification, Games, and Game Elements in Education. In: Singh, P.K., Polkowski, Z., Tanwar, S., Pandey, S.K., Matei, G., Pirvu, D. (Eds). Innovations in Information and Communication Technologies (IICT-2020). Advances in Science, Technology & Innovation. Springer, Cham. https://doi.org/10.1007/978-3-030-66218-9_23.
Gui, Y., Cai, Z., Yang, Y., Kong, L., Fan, X., & Tai, R. H. (2023). Effectiveness of digital educational game and game design in STEM learning: A meta-analytic review. International Journal of STEM Education, 10(1), 36. https://doi.org/
Hagger, M. S., Hardcastle, S. J., Chater, A., Mallett, C., Pal, S., & Chatzisarantis, N. (2014). Autonomous and controlled motivational regulations for multiple health-related behaviors: Between-and within-participants analyses. Health Psychology and Behavioral Medicine: An Open Access Journal, 2(1), 565-601. https://doi.org/10.1080/21642850.2014.912945
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. https://doi.org/10.1016/j.compedu.2014.08.019
Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis (3rd ed.). The Guilford Press.
Hedges, L. V., & Olkin, I. (1985). Estimation of a single effect size: Parametric and nonparametric methods. Statistical Methods for Meta-Analysis. https://doi. org/10.1016/b978-0-08-057065-5.50010-5
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1-55. https://doi.org/ 10.1080/10705519909540118

Huang, R., Ritzhaupt, A. D., Sommer, M., Zhu, J., Stephen, A., Valle, N., Hampton, J., & Li, J. (2020). The impact of gamification in educational settings on student learning outcomes: A meta-analysis. Educational Technology Research and Development, 68(4), 1875-1901. https://doi.org/10.1007/ s11423-020-09807-z
Ibanez, M. B., Di-Serio, A., & Delgado-Kloos, C. (2014). Gamification for engaging computer science students in learning activities: A case study. IEEE Transactions on Learning Technologies, 7(3), 291-301. https:// doi.org/10.1109/tlt.2014.2329293
Jent, S., & Janneck, M. (2017). Using Gamification to Enhance User Motivation: The Influence of Gender and Age. Advances in The Human Side of Service Engineering. https://doi.org/10.1007/978-3-319-60486-2_1
Kapp, K. M. (2012). The gamification of learning and instruction: Game-based methods and strategies for training and education. John Wiley & Sons.
Kleinschmit, A. J., Rosenwald, A., Ryder, E. F., Donovan, S., Murdoch, B., Grandgenett, N. F., Pauley, M., Triplett, E., Tapprich, W., & Morgan, W. (2023). Accelerating STEM education reform: Linked communities of practice promote creation of open educational resources and sustainable professional development. International Journal of STEM Education. https://doi.org/10.1186/s40594-023-00405-y
Kovácsné Pusztai, K. (2021). Gamification in higher education. Teaching Mathematics and Computer Science, 18(2), 87-106. https://doi.org/10. 5485/tmcs.2020.0510
Kreitchmann, R. S., Abad, F. J., Ponsoda, V., Nieto, M. D., & Morillo, D. (2019). Controlling for response biases in self-report scales: Forced-choice vs. Psychometric modeling of likert items. Frontiers in Psychology. https:// doi.org/10.3389/fpsyg.2019.02309
Landers, R. N. (2014). Developing a theory of gamified learning: Linking serious games and gamification of learning. Simulation & Gaming, 45(6), 752-768. https://doi.org/10.1177/1046878114563660
Landers, R. N., & Armstrong, M. B. (2017). Enhancing instructional outcomes with gamification: An empirical test of the Technology-Enhanced Training Effectiveness Model. Computers in Human Behavior, 71, 499-507. https://doi.org/10.1016/j.chb.2015.07.031
Landers, R. N., & Landers, A. K. (2014). An empirical test of the theory of gamified learning: The effect of leaderboards on time-on-task and academic performance. Simulation & Gaming, 45(6), 769-785. https:// doi.org/10.1177/1046878114563662
Li, M., Ma, S., & Shi, Y. (2023). Examining the effectiveness of gamification as a tool promoting teaching and learning in educational settings: A meta-analysis. Frontiers in Psychology, 14, 1253549. https://doi.org/10. 3389/fpsyg.2023.1253549
Lovasz, A., Bat-Erdene, B., Cukrowska-Torzewska, E., Rigó, M., & Szabó-Morvai, Á. (2023). Competition, subjective feedback, and gender gaps in performance. Journal of Behavioral and Experimental Economics, 102, 101954. https://doi.org/10.1016/j.socec.2022.101954

MacKinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2007). Mediation Analysis. Annual Review of Psychology, 58(1), 593-614. https://doi.org/10.1146/ annurev.psych.58.110405.085542
Marczewski, A. (2015). Even Ninja Monkeys Like to Play: Gamification, Game Thinking and Motivational Design. CreateSpace Independent Publishing Platform.
Mekler, E. D., Brühlmann, F., Tuch, A. N., & Opwis, K. (2017). Towards understanding the effects of individual gamification elements on intrinsic motivation and performance. Computers in Human Behavior, 71, 525-534. https://doi.org/10.1016/j.chb.2015.08.048
Mohamed, M., Rasid, N. S. M., Ibrahim, N., & Seshaiyer, P. (2023). Engaging Responsive and Responsible Learning Through Collaborative Teaching in the STEM Classroom. Cases on Responsive and Responsible Learning in Higher Education, 120-133. https://doi.org/10.4018/978-1-6684-6076-4. ch008
Ortiz Rojas, M. E., Chiluiza, K., and Valcke, M. (2017). Gamification in computer programming: Effects on learning, engagement, self-efficacy and intrinsic motivation. In 11th European Conference on Game-Based Learning (ECGBL), pages 507-514. Acad Conferences LTD.
Ortiz-Rojas, M., Chiluiza, K., & Valcke, M. (2019). Gamification through leaderboards: An empirical study in engineering education. Computer Applications in Engineering Education, 27(4), 777-788. https://doi.org/ 10.1002/cae. 12116

Poeller, S., and Phillips, C. J. (2022). Self-determination theory—i choose you! the limitations of viewing motivation in hci research through
the lens of a single theory. In Extended Abstracts of the 2022 Annual Symposium on Computer-Human Interaction in Play, 261-262. https:// doi.org/10.1145/3505270.3558361
Qin, J. (2023). On the reform of education methods that adapt to STEM development demand. International Journal of Education and Humanities, 6(2), 141-143. https://doi.org/10.54097/ijeh.v6i2.3660
Rasoolimanesh, S. M., Wang, M., Roldan, J. L., & Kunasekaran, P. (2021). Are we in right path for mediation analysis? Reviewing the literature and proposing robust guidelines. Journal of Hospitality and Tourism Management, 48, 395-405. https://doi.org/10.1016/j.jhtm.2021.07.013
Reeve, J., & Deci, E. L. (1996). Elements of the competitive situation that affect intrinsic motivation. Personality and Social Psychology Bulletin, 22(1), 24-33. https://doi.org/10.1177/0146167296221003
Rincon-Flores, E. G., & Santos-Guevara, B. N. (2021). Gamification during Covid-19: Promoting active learning and motivation in higher education. Australasian Journal of Educational Technology, 37(5), 43-60. https://doi. org/10.14742/ajet. 7157
Ryan, R. M., & Connell, J. P. (1989). Perceived locus of causality and internalization: Examining reasons for acting in two domains. Journal of Personality and Social Psychology, 57(5), 749.
Ryan, R. M., & Deci, E. L. (2000). Intrinsic and extrinsic motivations: Classic definitions and new directions. Contemporary Educational Psychology, 25(1), 54-67. https://doi.org/10.1006/ceps.1999.1020
Sailer, M., Hense, J., Mandl, H., & Klevers, M. (2013). Psychological perspectives on motivation through gamification. Interaction Design and Architecture(s), 19, 28-37. https://doi.org/10.55612/s-5002-019-002
Sailer, M., Hense, J. U., Mayr, S. K., & Mandl, H. (2017). How gamification motivates: An experimental study of the effects of specific game design elements on psychological need satisfaction. Computers in Human Behavior, 69, 371-380. https://doi.org/10.1016/j.chb.2016.12.033
Sailer, M., & Homner, L. (2020). The gamification of learning: A meta-analysis. Educational Psychology Review, 32(1), 77-112. https://doi.org/10.1007/ s10648-019-09498-w
Schuler, M. S., Coffman, D. L., Stuart, E. A., Nguyen, T. Q., Vegetabile, B., & McCaffrey, D. F. (2024). Practical challenges in mediation analysis: A guide for applied researchers. Health Services and Outcomes Research Methodology. https://doi.org/10.1007/s10742-024-00327-4
Silva, I., Wong, A., Auria, B., Zambrano, D., & Echeverria, V. (2022). Gamification in Engineering Education: Exploring Students’ Performance, Motivation, and Engagement. IEEE Sixth Ecuador Technical Chapters Meeting (ETCM), 2022, 1-6. https://doi.org/10.1109/etcm56276.2022.9935729
Tahir, F., Mitrovic, A., & Sotardi, V. (2021). Do Gaming Experience and Prior Knowledge Matter When Learning with a Gamified ITS? International Conference on Advanced Learning Technologies (ICALT), 2021, 75-77. https:// doi.org/10.1109/icalt52272.2021.00030
Ukyo, Y., Noma, H., Maruo, K., & Gosho, M. (2019). Improved small sample inference methods for a mixed-effects model for repeated measures approach in incomplete longitudinal data analysis. Stats, 2(2), 174-188. https://doi.org/10.3390/stats2020013
van Roy, R., & Zaman, B. (2017). Why Gamification Fails in Education and How to Make It Successful: Introducing Nine Gamification Heuristics Based on Self-Determination Theory. Serious Games and Edutainment Applications, 485-509. https://doi.org/10.1007/978-3-319-51645-5_22
Van Roy, R., & Zaman, B. (2018). Need-supporting gamification in education: An assessment of motivational effects over time. Computers & Education, 127, 283-297. https://doi.org/10.1016/j.compedu.2018.08.018
Videnovik, M., Vold, T., Kiønig, L., et al. (2023). Game-based learning in computer science education: A scoping literature review. IJ STEM Ed, 10, 54. https://doi.org/10.1186/s40594-023-00447-2
Werbach, K., Hunter, D., and Dixon, W. (2012). For the win: How game thinking can revolutionize your business, volume 1. Wharton digital press Philadelphia.
Yan, L. L. L., & Matore, M. E. (2023). Gamification Trend in Students’ Mathematics Learning Through Systematic Literature Review. International Journal of Academic Research in Progressive Education and Development, 12(1), 400-423. https://doi.org/10.6007/ijarped/v12-i1/15732
Yang, F. M., & Kao, S. T. (2014). Item response theory for measurement validity. Shanghai Archives of Psychiatry, 26(3), 171-177. https://doi.org/10.3969/j. issn.1002-0829.2014.03.010
Zahedi, L., Batten, J., Ross, M., Potvin, G., Damas, S., Clarke, P., & Davis, D. (2021). Gamification in education: A mixed-methods study of gender on
computer science students’ academic performance and identity development. Journal of Computing in Higher Education, 33, 441-474. https://doi. org/10.1007/s12528-021-09271-5
Zeidan, M., Huang, X., Xiao, L., & Zhao, R. (2022). Improving student engagement using a video-enabled activity-based learning: An exploratory study to STEM preparatory education in UAE. Journal of Learning Development in Higher Education. https://doi.org/10.47408/jldhe.vi24.888
Zichermann, G., and Cunningham, C. (2011). Gamification by design: Implementing game mechanics in web and mobile apps. ” O’Reilly Media, Inc.”.

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.