想象一下，你正在试图教一班学生如何解谜。你有两组学生。一组学生得到的是一本标准的、普通的谜题书。另一组学生得到的则是完全相同的谜题，但这本书是“游戏化”的——它有积分、徽章、等级和进度条，就像电子游戏一样。
核心问题是研究人员想要回答的：将学习变成一场游戏，是否会改变学生在做这件事时的“感受”？
以下是他们发现的研究结果，用简单的语言进行了解释：
实验：一个受控的“味觉测试”
研究人员在实验室里设置了一个“味觉测试”。他们找了62名大学生。
- A组（游戏玩家）： 使用了一个名为“Eagle-edu”的学习系统，该系统配备了10种游戏化特征（如赚取金币、获得徽章和看到进度条）。
- B组（非游戏玩家）： 使用了完全相同的学习系统，但所有的游戏功能都被关闭了。它只是一个纯粹的、严肃的学习工具。
两组学生都完成了完全相同的任务，时长约为30分钟。在他们工作时，一套特殊的摄像系统（就像一个高科技的机器人面部读取器）全程观察着他们的脸。它并没有询问他们感觉如何，而只是通过观察他们的面部肌肉来自动检测六种基本情绪：快乐、悲伤、愤怒、惊讶、恐惧和厌恶。
主要发现：“游戏”并没有改变情绪
你可能会预期玩“游戏”功能的组别会感到更快乐或更兴奋。然而，结果却出人意料地平淡。
- 没有显著差异： 当研究人员对比两组时，他们发现学生感到快乐、悲伤或愤怒的时间长短，或者这些情绪出现的频率，在两组之间没有显著差异。
- “愤怒”的意外： 对所有人（包括游戏组和非游戏组）来说，最常见的情绪是愤怒。最少见的情绪是恐惧。
- 重要注释： 研究人员认为这种“愤怒”并不意味着学生真的在发火。在面部识别领域，高度专注、深度思考或解决难题的过程，看起来与“愤怒”的面部表情非常相似。因此，学生们可能只是在“努力思考”，而不是在“生气”。
隐藏的故事：情绪是如何流动的
虽然两种情绪的“总量”是相同的，但情绪从一种转变为另一种的方式却有所不同。把情绪想象成高速公路上的车流。
- 在非游戏化组（普通书籍）中： 交通流大多是负面的。学生经常从厌恶（感到恶心或烦躁）直接转向愤怒。这就像是一种坏心情在不断恶化。
- 在游戏化组（游戏书籍）中： 交通流更加动态。最常见的转变是从愤怒转向快乐。
- 类比： 想象一名学生撞到了一个难关（愤怒/挫败感）。在游戏版本中，他们似乎找到了解决方案或获得了奖励，他们的脸瞬间亮了起来（快乐）。在非游戏版本中，他们似乎陷入了一个烦躁的循环。
这意味着什么（根据论文）
论文得出结论，对于这个特定的设置：
- “游戏”并没有让他们产生更多的情绪。 添加积分和徽章并没有让一个中性的学生变得更快乐，或让一个悲伤的学生变得更中性，这种变化在摄像机可以测量的范围内并不明显。
- 但它可能会改变“旅程”。 游戏元素可能帮助学生更快地从挫败（愤怒）中恢复并转向成功（快乐）。
- 内容更重要。 实际的学习任务似乎比游戏装饰更能驱动情绪。如果任务很难，无论屏幕上是否有积分，大家看起来都会是“愤怒”的（即专注的）。
“细则”（局限性）
作者非常谨慎地指出：
- 我们只观察了30分钟。 或许如果他们玩了一整个学期，结果可能会有所不同。
- 我们只观察了面部。 有时人们内心感到快乐但并不微笑，或者感到愤怒但并不皱眉。摄像机只能根据它所看到的进行推测。
- “愤怒”可能代表专注。 他们怀疑那些“愤怒”的面孔实际上是学生在进行深度思考。
简而言之： 在这个特定的学习系统中，添加游戏元素并没有改变学生情绪的“音量”，但它可能改变了他们从挫败转向成功的“节奏”。游戏并没有让他们感觉得“更多”，但它可能帮助他们在跌倒后感觉得“更好”。
技术摘要：游戏化对学生情绪的影响
问题陈述
尽管游戏化已被广泛应用于教育系统中以增强参与度和学习效果，但其对学习者情绪状态的具体影响仍未得到充分探索。现有文献主要侧重于认知和行为结果，导致在理解游戏化环境如何影响基本情绪（快乐、悲伤、愤怒、惊讶、恐惧和厌恶）方面存在空白。此外，传统的评估通常依赖于静态的自我报告，而非客观的实时测量。本研究旨在调查游戏化是否会影响学生在与学习管理系统（LMS）交互过程中基本情绪的持续时间、频率和序列转换。
研究方法
本研究采用了受控的被试间实验设计，涉及来自坦佩雷大学的 62 名大学生（平均年龄 25 岁，来自 19 个国家）。
- 实验设计： 参与者被随机分配到实验组（使用游戏化版本的 LMS）或对照组（使用非游戏化版本的同一 LMS）。
- 系统： 研究使用了 Eagle-edu 平台。实验版本整合了 10 个特定的游戏化元素（认可、机会、竞争、经济、强加选择、等级、目标、积分、进度、统计数据），旨在围绕学习任务创造一种元游戏（meta-game）交互。对照版本呈现了完全相同的教育任务，但不包含这些元素。
- 程序： 参与者在可用性实验室中与系统进行至少 30 分钟的交互。
- 数据收集： 使用自动化面部表情识别软件（Noldas FaceReader）实时捕捉情绪反应，并通过 Noldas Observer XT 进行记录。研究分析了六种基本情绪。
- 数据分析：
- 描述性统计： 计算了情绪持续时间和频率。
- 推断统计： 对正态分布的数据（中性）使用学生 t 检验，对非正态分布的数据使用 Mann-Whitney U 检验，以比较两组之间的持续时间和频率。计算了效应量（Cohen's d 或 r）。
- 转换分析： 由于分析的探索性质和样本量限制，通过描述性方法检查了情绪转换，以识别序列模式（例如，从愤怒到快乐的转换）。
关键结果
1. 情绪持续时间与频率 (RQ1 & RQ2)
统计分析显示，在六种基本情绪的总持续时间或频率方面，游戏化组与非游戏化组之间不存在显著差异。
- 主导情绪： 愤怒是在两种条件下观察到最频繁的情绪。
- 表达最少的情绪： 恐惧是在两种条件下表达最少的情绪。
- 统计显著性： 所有关于持续时间和频率比较的 p 值均不显著（例如，愤怒持续时间 p = .91；快乐频率 p = .345）。
- 效应量： 所有情绪相关的效应量均较小（范围从 r = .03 到 r = .27），表明在该语境下，特定的游戏化设计对基本情绪表达的实际影响有限。
2. 情绪转换 (RQ3)
虽然静态测量显示没有差异，但对情绪转换的描述性分析揭示了两种条件下的不同模式：
- 游戏化条件（实验组）： 最频繁的转换是从愤怒到快乐（19 次发生）。愤怒也频繁地向惊讶转换（14 次）。
- 非游戏化条件（对照组）： 最频繁的转换是从厌恶到愤怒（28 次发生）。
- 总体模式： 两组都表现出愤怒与快乐之间的双向转变。然而，负向到负向的转换（例如，厌恶到愤怒）在非游戏化条件下似乎更为显著。情绪“恐惧”在两组中均未表现出显著的转换。
核心贡献
- 客观测量： 本研究通过自动化的、客观的面部表情识别，而非主观的自我报告，提供了关于游戏化学习中情绪的经验证据，为 LMS 交互过程中的情绪状态提供了高分辨率的图谱。
- 关注动态性： 通过在分析情绪状态的同时分析情绪转换，研究强调了学生情绪的时间动态性，表明即使频率或持续时间没有变化，情绪的序列也可能有所不同。
- 背景证据： 研究结果为文献做出了贡献，指出特定的游戏化设计（如积分和徽章等元游戏元素）并未产生与非游戏化界面相比可检测到的基本情绪表达的变化，这挑战了认为游戏化必然改变基本情感状态的假设。
意义与主张
作者声称，其研究结果表明，本研究中使用的特定游戏化设计并未显著改变基本情绪表达（持续时间/频率），但可能影响了情绪动态（转换）。
- 对零结果的适度主张： 论文明确指出，缺乏统计学上的显著差异并不应被解释为证明游戏化对情绪没有影响的决定性证据。相反，这表明在这些特定条件下（任务类型、持续时间、特定元素），未检测到显著的情绪差异。研究承认其可能缺乏检测微小或中等效应的能力。
- 对“愤怒”的解释： 作者提醒，高频出现的“愤怒”可能不仅仅代表挫败感，也可能反映了与认知努力、专注或解决问题相关的面部构型，这是自动化面部识别的一个已知局限性。
- 理论意义： 结果支持了以下观点：核心学习内容可能是学生情绪的主要驱动力，而游戏化元素的影响相对较小。研究表明，若要使游戏化在影响情绪方面发挥作用，它可能需要是学习机制“内在”的，而非外在的奖励层。
- 实践意义： 建议设计者关注认知负荷和任务意义，以培养积极情绪，因为仅靠游戏化元素可能不足以产生影响。此外，识别出的转换模式（例如，愤怒到快乐）可以作为“情绪感知型”智能学习系统中自适应干预的算法触发器。
论文最后呼吁未来的研究采用更大的样本量、多样化的文化背景以及替代性的情绪检测方法（如自我报告、生理传感器），以验证这些发现并探索教育环境中情绪转换的细微差别。
每周获取最佳 social_science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。