ArticlePDF Available

The Relationship between Individual Characteristics and Player Type in Gamified Learning Environment Design Oyunlaştırılmış Öğrenme Ortamı Tasarımında Bireysel Özellikler ve Oyuncu Tipi İlişkisi

April 2022

DOI:10.29299/kefad.1032536

Authors:

Omer Kirmaci

Kırklareli University

Ebru Kılıç-Çakmak

Gazi University

Kolb learning styles inventory II reliability coefficients

…

Table of distribution of participants by player types and gender

…

Figures - uploaded by Omer Kirmaci

Content may be subject to copyright.

Content uploaded by Omer Kirmaci

Content may be subject to copyright.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

Sorumlu Yazar: Ömer Kırmacı, Öğr. Gör., Kırklareli Üniversitesi, Türkiye, kirmaciomer@gmail.com, ORCID ID: 0000-0002-0954-

1263

Yazar 2: Ebru Kılıç Çakmak, Prof. Dr., Gazi Üniversitesi, Türkiye, ebrukilic@gmail.com, ORCID ID: 0000-0002-3459-6290

Atıf için: Kırmacı, Ö. & Kılıç Çakmak, E. (2022). Oyunlaştırılmış öğrenme ortamı tasarımında bireysel özellikler ve oyuncu tipi

ilişkisi. Kırşehir Eğitim Fakültesi Dergisi, 23(1), 1119-1160.

http://kefad.ahievran.edu.tr

Ahi Evran Üniversitesi

Kırşehir Eğitim Fakültesi Dergisi

ISSN: 2147 - 1037

The Relationship between Individual Characteristics and Player Type

in Gamified Learning Environment Design

Ömer Kırmacı

Ebru Kılıç Çakmak

Article Information

Abstract

DOI: 10.29299/kefad.1032536

Gamified learning environments interact with individuals as part of games through the

components, mechanics, and dynamics they involve. These environments are also expected

to provide effective and productive learning experiences that the learning environments are

trusted to do so. In this regard, it is required to design environments where players/learnes

will not drop out of the gamification environments and can learn effectively. In other words,

gamified learning environments should adapt to the personal characteristics within the

framework of game and learning. At this point, common grounds and characteristics should

be researched and discovered in the context of games and learning. In this study, it is aimed

to define the learning features of a player type. With the survey study carried out for this

reason, the relationship, and differences between certain personal characteristics (such as

gender, placement score type for a higher education program and the dominant learning

style (Kolb)) of a player type (Bartle) composed of mainly 326 higher education students

were analysed. According to the result of the research, it was found out that there is a

significant relationship between the gender and the distribution of player types. It is seen

that male students are inclined to the Explorer and Killer player types while the female

students are inclined to Socialiser and Achiever player types. Female students show a greater

distribution in Socialisers. On the other hand, it is observed that the students’ placement

score for a higher education program and learning styles do not have a significant effect on

the distribution of player types. However, the explorers seem to have a positive relationship

with the Abstract Conceptualisation aspect in the correlation analysis.

Received:

Revised:

Accepted:

04.12.2021

19.03.2022

05.04.2022

Keywords:

Gamification,

Player Types,

Individual Differences

Oyunlaştırılmış Öğrenme Ortamı Tasarımında Bireysel Özellikler ve

Oyuncu Tipi İlişkisi

Makale Bilgileri

Öz

DOI: 10.29299/kefad.1032536

Oyunlaştırılmış öğrenme ortamları içerdiği bileşen, mekanik ve dinamikler aracılığı ile oyun

bağlamında bireyler ile etkileşim halindedir. Aynı zamanda bu ortamlardan öğrenme

ortamından beklenen etkili ve verimli öğrenme deneyimlerini sunması da beklenmektedir. Bu

bağlamda oyuncu/öğrenenlerin oyunlaştırma ortamından kopmayacağı aynı zamanda da etkili

bir şekilde öğrenebilecekleri ortamların tasarlanması gerekmektedir. Diğer bir deyişle

oyunlaştırılmış öğrenme ortamları bireysel özelliklere hem oyun hem de öğrenme çerçevesinde

uyum sağlamalıdır. Bu noktada oyun ve öğrenme bağlamında ortak paydaların ve özelliklerin

araştırılarak ortaya çıkarılması gerekmektedir. Bu çalışmada oyuncu tipinin öğrenme özellikleri

belirlenmeye çalışılmıştır. Bu amaçla yürütülen tarama çalışması ile 326 yükseköğretim

öğrencisinin baskın olduğu oyuncu tipinin (Bartle); cinsiyet, yükseköğretim programına

yerleşme puan türü ve baskın öğrenme stili (Kolb) gibi bazı bireysel özellikleri arasındaki ilişki

ve farklılıklar incelenmiştir. Araştırmanın sonucuna göre oyuncu tiplerinin dağılımında cinsiyet

ile anlamlı ilişkisi olduğu ortaya çıkmıştır. Erkek öğrencilerin kâşif ve avcı oyuncu tipine, kadın

öğrencilerin ise sosyalleşen ve başaran oyuncu tipine daha yatkın olduğu görülmektedir. Kadın

öğrenciler sosyalleşenlerde büyük dağılım göstermektedir. Diğer taraftan oyuncu tiplerinin

öğrencilerin yükseköğretim programına yerleşme puan türü ve öğrenme stilleri dağılımında

anlamlı bir fark oluşmadığı görülmektedir. Ancak korelasyon analizinde kaşiflerin, Soyut

Kavramsallaştırma boyutu ile pozitif ilişkiye sahip olduğu görülmektedir.

Yükleme:

Düzeltme:

Kabul:

04.12.2021

19.03.2022

05.04.2022

Anahtar Kelimeler:

Oyunlaştırma,

Oyuncu Tipleri,

Bireysel Farklılıklar

Kırmacı, Ö. & Kılıç Çakmak, E.

1120

Giriş

Oyunlaştırma son yıllarda neredeyse bütün sektörlerde kendine yer etmeye başlamıştır. Oyun

ile öğretim veya oyun tabanlı öğrenme daha eski bir geçmişe dayanmasına rağmen (Şahin ve Samur,

2017; Yılmaz, 2017); etkileşim, anlık ve çeşitli geribildirim seçeneği, öz değerlendirme (Şahin ve

Yurdugül, 2020) gibi üstün yönlerinin keşfedilmesi; motivasyon, bağlılık ve akademik başarıya olan

pozitif katkılarının ortaya çıkması ile eğitimde popülerliğini kazanmaya başlamıştır (Martin, Dennen

ve Bonk, 2020)

Barındırdığı etkileşim unsurları ile Oyunlaştırılmış Öğrenme Ortamları (OÖO) motivasyon ve

bağlılığı büyük oranda desteklemektedir. Ancak bireysel farklılıkların varlığı tüm öğrenme

ortamlarında olduğu gibi OÖO’ların da bir problemi olarak karşımızda durmaktadır. Hanus ve Fox

(2015) ve Mekler, Brühlmann, Opwis ve Tuch (2013) gibi bazı araştırmacılar rozet, lider tablosu ve

puan gibi en yaygın kullanılan oyunlaştırma bileşenlerinin bazı katılımcıların motivasyonlarını

etkilemediği bazılarının ise negatif yönde etkilediğine yönelik bulgular elde etmişlerdir. Benzer

şekilde Chapman ve Rich (2018), Klock, Gasparini, Pimenta ve de Oliveira (2015) ve Kocadere ve

Caglar (2018) gibi birçok araştırmacı ise oyunlaştırma bileşenlerinin bireyler üzerinde aynı mekaniği

tetiklemediğini daha basit bir ifade ile aynı etkiyi göstermediğini belirtmişlerdir. Bu nedenle birçok

araştırmacı oyunun bireysel hazzı ön plana çıkaran hedonistik temellere dayanması gerektiğini (Fitz-

Walter, 2015) belirterek tasarım unsurlarında bireylerin haz ve motivasyon tetikleyicilerinin merkeze

alınması gerektiğini savunmuşlardır (Mora, Riera, González ve Arnedo-Moreno, 2017; Whitton ve

Langan, 2019). Diğer bir deyişle oyunlaştırılmış sistemlerin tasarımında bireysel özelliklerin göz ardı

edilmemesi gerekmektedir. Ancak bireysel özellikler ve farklılıklar oyunlaştırılmış sistemlerin

tasarımını biraz daha karmaşık hale getirmektedir. Bu nedenle bazı araştırmacılar süreci sistematik

hale getirmek amacı ile uyarlanabilir oyunlaştırma tasarım modelleri (Örn. Klock ve diğerleri, 2015) ve

sistemleri (Örn. Hassan, Habiba, Majeed ve Shoaib, 2019; Jagust, Boticki ve So, 2018; Lavoue,

Monterrat, Desmarais ve George, 2019) geliştirmişlerdir. Ayrıca öğrenen merkezliliği bağlamında,

öğrenme ortamlarının bireysel özelliklere göre tasarlanmasını sağlamak için oyuncu tipleri (Ferro,

Walz ve Greuter, 2013; Marczewski, 2015), karakter tipleri (Halvarsson ve Winther, 2009; van Meurs,

2007), motivasyon (Dichev, Dicheva ve Irwin, 2020), bağlılık (Rivera ve Garden, 2021) gibi bireysel

özellikleri merkeze alan tasarım modelleri ortaya koyulmuştur. Bu bağlamda öğrenen merkezli OÖO

tasarımlarda farklı yaklaşımların söz konusu olduğu söylenebilir.

OÖO’ larda kullanılan bireysel özellikleri bireye biçilen role göre oyun ve öğrenme bağlamları

iki kategoride sınıflayabiliriz. Şekil 1’ de OÖO’ lar da dikkate alınan bazı bireysel özellikler yer

almaktadır.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

OÖO tasarımlarında bireylerin oyuncu ve öğrenen rolü bağlamlarında ele alındığı

gözlemlenmektedir. Oyuncu rolü bağlamında; bireyin oyunu oynama davranışı ve kişilik özellikleri

oyunlaştırılmış ortam tasarımında en eskiden beri araştırılan oyuncu sınıflama kriterleridir (Bartle,

1996; Myers, McCaulley, Quenk ve Hammer, 1998). Bireylerin oyuncu rolüne vurgu yapılan

tasarımlarda genellikle oyuncu tipleri ve oyuncu kişiliklerinin sınıflandırılması yer almaktadır. Bu

sınıflandırmalar öğrenme amacından daha çok oyuncunun oyun kurgusuna bağlılığını sürdürme

amacı gütmektedir. Örneğin; Bartle (1996) öncelikle oyuncuların oynama davranışlarına göre, ilgi

yoğunluğunun oyun ortamı (World) ile mi yoksa oyuncular (Player) ile mi olduğu sorusuna göre bir

sınıflama yapmış daha sonra ise bu ilgi yoğunluğunun niteliğine göre karşılıklı etkileşim veya tek

taraflı eylem olması durumuna göre sınıflandırmıştır. Buna karşın Myers, McCaulley, Quenk ve

Hammer (1998) oyuncu tiplemelerini kişilik özelliklerine göre sınıflandırma yoluna gitmiştir.

Böylelikle Jung’un kişilik teorisine dayandırdığı bir sınıflama metodunu kullanarak kişisel

deneyimleri sınıflayabildiği bazı metrikler ortaya koymuşlardır. Bu sınıflamalar oyun tasarımlarında

kullanılmak üzere geliştirilmiştir. Nacke, Bateman ve Mandryk (2011) sınıflandırmanın insan

motivasyon ve nörobiyolojik özelliklere dayalı yapılması gerekliliğini ortaya koyup BrainHex adını

verdikleri oyuncu tiplemesini önermiştir. Diğer taraftan Ferro ve diğerleri (2013)’ da oyuncu

tiplemelerini kişilik türlerine göre sınıflamıştır.

Oyun ortamları ile benzer şekilde OÖO’ lar da bireylerin motivasyon ve bağlılıklarını sağlama

amacı gütmektedir. Bu noktada Marczewski (2015) kullanıcı motivasyonuna yoğunlaşarak

kullanıcının oyun ortamına bağlılığını sağlamak hedefi ile oyuncu tiplerini oluşturmuştur.

Marczewski’ye göre kullanıcılar içsel motivasyonunu sağlamış dört tipe (yardımsever, başaran,

Şekil 1. Öğrenen merkezli oyunlaştırma tasarımlarında kullanılan bazı bireysel özellikler

Kırmacı, Ö. & Kılıç Çakmak, E.

1122

sosyalleşen ve özgür ruhlu) ayrılmaktadır. Ayrıca “Oyuncu” adını verdiği tip ise dışsal motivasyonu

sağlamış dört tipe (çıkarcı, tüketici, ortamcı ve sömürücü) ayrılır. “Oyun Bozan” adını verdiği tip ise

dört tipe (düzen bozucu, yıkıcı, etkileyici ve geliştirici) ayrılırlar. Bu bağlamda bazı çalışmaların

Oyuncu tiplerine uyarlanması amacı ile oyuncunun motivasyon ve bağlılığını tetikleyen elementlerin

belirlenmesine yönelik olduğu görülmektedir (Örn. Kocadere ve Caglar, 2018; Andrzej Marczewski,

2017; Toda ve diğerleri, 2019).

Bazı araştırmacılar ise oyuncu rolünü ilgilendiren sınıflandırmaların oyun tasarımı

bağlamında incelenmesi gerektiğini savunmuşlardır. OÖO’ larda ise öğrenme bağlamında yer alan

bireysel özelliklere dikkat edilmesi gerektiği vurgulanmaktadır. Bu nedenle bireyin öğrenen rolünü

merkeze alan OÖO tasarımlarına önem vermişlerdir. Bu bağlamda motivasyon ve bağlılık en yaygın

incelenen değişkenler olarak göze çarpmaktadır. Dichev ve diğerleri (2020), OÖO tasarımında bireysel

farklılıkları iç motivasyonu sağlama noktasında sınıflandırılmasının daha doğru olacağını

belirtmişlerdir. Diğer taraftan Huang ve Hew (2018), OÖO’ nun bireylerin motivasyonel ihtiyaçlarını

gözeterek tasarlanması gerektiğini savunarak bir tasarım modeli geliştirmişlerdir. Bu modelde beş

farklı motivasyon kuramını temel alarak motivasyonel ihtiyaçları oyunlaştırma bileşenleri ile

bağlamıştır. Rivera ve Garden (2021) ise öğrenmenin önemli unsurlarından birisi olan bağlılığı temele

alarak Landers' ın (2014) oyunlaştırılmış öğrenme ortamı çerçevesini ve Kahu' nun (2013) öğrenci

bağlılığına yönelik dört bakış açısını temele alan bir çerçeve ortaya atmıştır.

OÖO tasarımlarında bireyi, oyundan ziyade öğrenen özellikleri (yaş, cinsiyet ve konu)

bağlamında merkeze alan çalışmalar yer almaktadır. Bazı araştırmacılar oyunlaştırma elementlerinin

yaş ve cinsiyet gibi değişkenlere göre bireylerde farklı etkiler bıraktığını bu nedenle OÖO

tasarımlarında bu değişkenlere dikkat edilmesi gerektiğini belirtmişlerdir (Klock, Gasparini, Pimenta

ve de Oliveira, 2015; Oyibo, Orji ve Vassileva, 2017). Örneğin, oyunlaştırma elementlerinin

birçoğunun 30 yaş ve altı bireylerde daha etkili olduğu belirtilmektedir (Klock, Gasparini, Pimenta ve

Hamari, 2020; Oyibo ve diğerleri, 2017; Tondello, Orji ve Nacke, 2017). Bu bakımdan OÖO’ lar

genellikle ilk, orta ve yükseköğretim düzeyindeki bireylere yönelik tasarımlanmaktadır (Attali ve

Arieli-Attali, 2015). Ancak mesleki yeterliklerin sağlanması açısından hizmet içi eğitimlerde 30 yaş ve

üstü yetişkin bireylere yönelik de OÖO görülmektedir (Tanış, 2021). Cinsiyet ise OÖO’ larda dikkat

edilen diğer bir değişkendir. Bireylerin oyun elementleri algısı cinsiyete göre farklılık

gösterebilmektedir (Codish ve Ravid, 2017; Denden ve diğerleri, 2021). Bazı araştırmacılara göre

oyunlaştırılmış öğrenme ortam tasarımlarında, tasarım öğelerinden kaynaklı cinsiyete bağlı kaygı

durumları oluşabilmektedir (Albuquerque, Bittencourt, Coelho ve Silva, 2017). Bu bakımdan bazı

araştırmacılar oyunlaştırma elementlerini cinsiyete göre sınıflandırmışlardır (Klock ve diğerleri, 2020).

Örneğin rozet bileşeni, erkeklerde negatif etki oluşturduğu belirtilirken (Codish ve Ravid, 2017),

rekabet mekaniği kadınlarda negatif yönlü etki bıraktığı belirtilmektedir (Oyibo ve diğerleri, 2017).

KEFAD Cilt 23, Sayı 1, Nisan, 2022

OÖO’ lar, oyun tabanlı öğrenme ortamlarından farklı olarak genellikle belirli bir içeriği

öğretmek yerine motivasyon ve bağlılık gibi öğrenme davranışlarını pekiştirmek amacı gütmektedir

(Zaric, Roepke, Lukarov ve Schroeder, 2021). Bu bakımdan OÖO’ larda konu bağlamını merkeze alan

tasarımlara pek rastlanılmamaktadır. Ancak öğrenme bağlamında öğretim yöntem ve stratejileri

kazanım ve davranış türü ve içeriğe göre farklılaşmaktadır. Bunun yerine mühendislik, tıp, iş

güvenliği gibi mesleki eğitime özelleşmiş oyunlaştırılmış öğrenme ortamı tasarımlarına yer

almaktadır (Tanış, 2021; Kulhanek, Butler ve Bodnar, 2019; Nah, Telaprolu, Rallapalli ve Venkata,

2013). OÖO’ ların tasarım süreçleri ve bu ortamların öğrenci motivasyonuna, bağlılığına ve farklı

meslek gruplarına ait konu bağlamındaki akademik başarıya etkisi sıklıkla araştırılmıştır (Alanne,

2016; Kim, Song, Lockee ve Burton, 2018; Song, Tavares, Pinto ve Xu, 2017). Özgür, Çuhadar ve

Akgün (2018) çalışmasında, yükseköğretim boyutunda en fazla mühendislik eğitimine yönelik

ortamların araştırıldığını belirtmektedir. Daha sonra sırası ile Sağlık, Bilgi ve İletişim Teknolojileri,

Yabancı Dil ve Fen Bilgisi alanında çalışmalar gelmektedir. Ancak her bir mesleki eğitime yönelik

OÖO çerçevesinin çizildiği çok az araştırmaya rastlanılmıştır. Türk yükseköğretim sisteminde

öğrenciler programlara puan türlerine göre yerleşmektedir. Tercihe dayalı olan bu sistemde öğrenciler

Mühendislik ve Tıp gibi programlar için Sayısal, İlahiyat ve Gazetecilik gibi programlar Sözel, Hukuk

ve Kamu Yönetimi gibi programlar Eşit Ağırlık konu alanı puanına göre yerleşmektedir. Öğrenenlerin

mesleki eğitimlerine ve konu alanlarına uygun tasarlanmış oyunlaştırma kurgusu ile etkili ve verimli

OÖO tasarlanabilmektedir.

Bireyin öğrenen rolü bağlamında dikkate alınan diğer bir değişken ise öğrenme stilleridir. Her

bireyin kendine özgü öğrenme özellikleri olduğu görüşü modern öğrenme anlayışının temelini

oluşturmaktadır (Watson ve Reigeluth, 2008). Bu bağlamda OÖO’ lar bireyin öğrenme yolculuğunda

kişisel öğrenme özelliklerine uygun olarak tasarlanabilmesi OÖO’ların verimliliğini

arttırabilmektedir. Bazı araştırmacılar bireyselleştirilmiş OÖO tasarımlarında öğrenme stillerinin göz

ardı edilmemesi gerektiğini savunmaktadır (Zaric ve diğerleri, 2021). Bu kapsamda öğrenme

stillerinin; oyuncu tipi (Abdollahzade ve Jafari, 2018; Hamdaoui, Khalidi Idrissi ve Bennani, 2018)

veya oyunlaştırma elementleri (Hassan, Habiba, Majeed ve Shoaib, 2019) ile ilişkisini araştıran

çalışmaların yanı sıra öğrenme stillerine uygun hazırlanmış OÖO tasarımlarının motivasyon ve

bağlılığa etkisini araştıran bazı çalışmalar yürütülmüştür (Buckley ve Doyle, 2017). Coffield, Moseley,

Hall ve Ecclestone (2004) alanyazında 13 tanesi major olmak üzere 71 öğrenme stili modeli olduğunu

belirtmektedir. Major öğrenme stillerinden en yaygın kullanılanlardan birisi de Kolb’ un 1983 yılında

ortaya attığı öğrenme stilleridir.

Kolb’ un deneyimsel öğrenme kuramına göre öğrenme bireyin deneyimlerinin sonucu olarak

bireye özgü bir şekilde gerçekleşmektedir (Kolb, 2015). Kolb’a göre öğrenme, iki bağımsız boyutun

(Dönüştürme ve Kavrama) bir döngü halinde birbirini desteklemesi ile sürdürülmektedir.

Kırmacı, Ö. & Kılıç Çakmak, E.

1124

Buna göre Kavrama boyutu öğrenmeyi bireyin edindiği Somut Deneyimlerden (hissederek)

veya çevresinde olanları Soyut Kavramsallaştırmasından (düşünerek) oluşmaktadır. Diğer taraftan

Dönüştürme boyutunda ise bireyler bilgileri edinme ve dönüştürme tercihlerine bağlı olarak Aktif

Yaşantıları (yaparak) veya yansıtıcı gözlemleri (izleyerek) yer almaktadır (Can, 2011; Gencel, 2007).

Şekil 2’ de Kolb’ un deneyimsel öğrenme koordinatı görülmektedir. Bu koordinat sistemine

göre her iki boyutun kesiştiği alan bir öğrenme stili tanımlamaktadır. Buna göre Aktif Deneyim ve

Soyut Kavramsallaştırma alanı Ayrıştıran (Converger) öğrenme stilini oluşturmaktadır. Bu alanda yer

alan bireyler yaparak ve düşünerek öğrenmeyi tercih ederler. Yansıtıcı gözlem ve Soyut

kavramsallaştırma alanı ise Özümseyen (Assimilator) öğrenme stilini oluşturmaktadır. Bu alanda

bireyler izleyerek ve düşünerek öğrenmeyi tercih ederler. Aktif Deneyim ve Somut Deneyim alanı

Yerleştirme (Accomodator) öğrenme stilini oluştururlar. Bu alanda bireyler yaparak ve hissederek

öğrenmeyi tercih ederler. Yansıtıcı Gözlem ve Somut deneyim alanı ise Değiştiren (Diverger) öğrenme

stilini oluşturmaktadır. Bu alanda bireyler izleyerek ve hissederek öğrenmeyi tercih ederler.

Oyuncu tipleri ise oyun ve öğrenen bağlamında en yaygın kullanılan taksonomilerin başında

gelmektedir. Oyuncu tiplemelerinde en temel sınıflandırmayı Bartle (1996)’ da oyuncuların

davranışlarına göre gerçekleştirmiştir. Buna göre Bartle, oyuncuları ortam ya da kişiler ile etkileşim

kurması veya tek taraflı eyleme geçmesi bağlamında 4 ayrı karakterde incelemektedir. Bartle’ ın

oyuncu tiplerini incelemek gerekirse:

Avcılar; en az rastlanılan oyuncu tipleridir. Bartle’ ın taksonomisine göre yoğunluğunu ve

dikkatini oyun ortamından daha çok diğer oyuncular üzerine veren tek taraflı eylem karakterdir.

Şekil 2. Kolb öğrenme stilleri

KEFAD Cilt 23, Sayı 1, Nisan, 2022

Avcılar verilen görevleri yerine getirmekten çok karşısındaki diğer oyuncuları alt etmek için

uğraşırlar. Çevresinde baskın karakter olarak sadece kendisi olmalıdır. Bu oyuncular oyun ortamında

mağlup edecek oyuncular ararlar. Bazen karşısındaki yenebilmek için kuralları da hiçe saydığı

görülür. Rekabet ortamı avcılar için biçilmiş kaftandır. Bu nedenle rekabet ortamını tetikleyecek

elementler kullanılması avcıları motive eder. Düzeylendirme, seviye atlama olumlu yönde etkileyen

oyunlaştırma elementlerdir. Diğer taraftan avcılar bir takım oyuncusu değildir ve onun için ödül

karşısındakini alt etmektedir. Bu nedenle OÖO tasarımlarında meydan okumaya dayalı kurgular

tercih edilmelidir.

Başaranlar; verilen görevler için biçilmiş kaftandır. Onlar için görevleri yerine getirmekten

başka başarı göstergesi yoktur. Bu nedenle diğer oyuncular ile pek etkileşime geçmez. Ortam ile

iletişim kurarlar ve yerine getirecek görev ararlar. Sonuç odaklı oldukları söylenebilir. Rekabet edecek

kişi kendisidir. Bu bağlamda oyunlaştırılmış ortamlarda başaranlar için ilerleme durumlarını

(Progress Bar) takip etmek durumlarını (Status) görmek kendisi için bir referans noktasıdır. Lider

Tablolarında ise üst sıralara çıkmak onun hedefidir.

Kaşifler de başaranlar gibi oyunculardan daha çok oyun ortamı ilgilenmektedir. Ortamda yer

alan gizlenmiş objeleri bulmayı, yeni bölgeler keşfetmeyi severler. Diğer oyuncular ile etkileşime

girmezler. Onlar için bilinmezliğe yapılan yolculuk çok daha heyecanlıdır. Oyunlaştırılmış ortamlarda

define avı, kaçış odaları kaşiflere göredir.

Sosyalleşenler; oyun ortamında diğer bireyler ile etkileşim amacı ile yer almaktadır. Oyun

dünyasında yeni bireyler ile tanışmak onlar ile hareket etmek öncelikli tercihleridir. Bu bakımdan

takım oyunları ya da çok kullanıcılı oyunlar sosyalleşenler için daha uygundur. Bu bağlamda

sosyalleşenlerin birlik (guilds) halinde işbirlikli öğrenme ortamlarda bulunmaları öğrenmelerini

tetiklemesi beklenmektedir (Kocadere ve Caglar, 2018).

OÖO’ lar içerdiği bileşen, mekanik ve dinamikler aracılığı ile oyun bağlamında bireyler ile

etkileşim halindedir. Aynı zamanda bu ortamlardan öğrenme ortamının gerektirdiği etkili ve verimli

öğrenme deneyimlerini sunması beklenmektedir. Bu bağlamda oyuncu/öğrenenlerin oyunlaştırma

ortamından kopmayacağı aynı zamanda da etkili bir şekilde öğrenebilecekleri ortamların tasarlanması

gerekmektedir. Diğer bir deyişle OÖO’ lar bireysel özelliklere hem oyun hem de öğrenme

çerçevesinde uyum sağlamalıdır. Bu noktada oyun ve öğrenme bağlamında ortak paydaların ve

özelliklerin araştırılarak ortaya çıkarılması OÖO tasarımcılarına yol gösterecektir. Öğrenme

ortamlarının bireyselleştirilmesinde sıklıkla kullanılan kriterlerden birisi öğrenme stilleridir. Bu

yönüyle OÖO’ ların bireyselleştirilmesi bağlamında oyuncu tipinin öğrenme stilleri ile ilişkisini

araştıran çalışmalara az da olsa rastlanmaktadır (Abdollahzade ve Jafari, 2018; Hamdaoui ve diğerleri,

2018; Zaric ve diğerleri, 2021). Bu çalışmada oyuncu tipinin öğrenme özellikleri belirlenmeye

çalışılmıştır. Bu amaçla yükseköğretim öğrencilerinin baskın olduğu oyuncu tipinin; cinsiyet,

Kırmacı, Ö. & Kılıç Çakmak, E.

1126

yükseköğretim programına yerleşme puan türü ve baskın öğrenme stili gibi bazı bireysel özellikler

arasındaki ilişki ve farklılıklar belirlenmeye çalışılmıştır. Bu amaç doğrultusunda çalışmada aşağıdaki

sorulara cevap aranmaktadır.

1. Katılımcıların baskın oyuncu tipleri dağılımında;

a. Cinsiyete göre anlamlı bir ilişki var mıdır?

b. Yükseköğretim programlarına yerleşme puan türlerine göre anlamlı bir ilişki var mıdır?

2. Katılımcıların baskın olan oyuncu tipine göre öğrenme stilleri dağılımı nasıldır?

Bu çalışmanın oyuncu/öğrenenlerin oynama, öğrenme, cinsiyet ve mesleki yönelim gibi

bireysel özelliklerine duyarlı OÖO’ ların bireysel farklılıklara duyarlı bir şekilde geliştirilmesine katkı

sağlaması beklenmektedir.

Yöntem

Bu çalışmanın amacı OÖO’ da öğrenenlerin bireysel özelliklerinden birisi olan oyuncu

tiplerinin; cinsiyet, üniversiteye giriş puan türü ve öğrenme stili değişkenlerine göre incelenmesidir.

Tarama çalışmaları belirli bir kitlenin görüşlerinin veya özelliklerinin betimlenmesine yönelik

çalışmalar olmasının yansıra ölçülen değişkenler arasındaki ilişkiler de incelenebilmektedir

(Büyüköztürk, Çakmak, Akgün, Karadeniz ve Demirel, 2015). Bu bakımdan bu çalışmada tarama

modeli kullanılmıştır. Çalışma kapsamında bireysel özellikler Bartle’ ın oyuncu tiplemelerine göre

incelenmiştir. Bartle’ ın oyuncu tiplemeleri bu alanda yapılan en temel sınıflandırma olması, birçok

araştırmacının tiplemelerine dayanak oluşturması nedeni ile tercih edilmiştir.

Örneklem

Araştırmaya bir yükseköğretim kurumunda öğrenim gören 326 öğrenci katılmıştır.

Araştırmaya katılan öğrencilere yönelik bazı bilgiler Tablo 1’ de verilmiştir.

Tablo 1. Katılımcıların cinsiyet ve öğrenim durumlarına göre dağılımı

Öğrenim Düzeyi

Toplam

Lisans

Ön Lisans

Lisansüstü

Cinsiyet

Erkek

114

% Cinsiyet

50,9%

48,2%

0,9%

100,0%

% Genel

17,8%

16,9%

0,3%

35,0%

Kadın

118

212

% Cinsiyet

55,7%

42,5%

1,9%

100,0%

% Genel

36,2%

27,6%

1,2%

65,0%

Toplam

176

145

326

% Genel

54,0%

44,5%

1,5%

100,0%

Tablo 1‘ de görüldüğü üzere araştırmaya katılan öğrencilerin %35’ i (n=114) erkek, %65’ i

(n=212) kadındır. Araştırmaya katılan 114 erkek öğrencinin; %50,9’ u lisans (n=58), %48,2’ si önlisans

(n=55), %0,9’ u lisansüstü öğrencisidir (n=1). Araştırmaya katılan 212 kadın öğrencilerin ise %55,7’ si

KEFAD Cilt 23, Sayı 1, Nisan, 2022

lisans (n=118), %42,5’ i önlisans, %1,9’ u lisansüstü öğrencisidir (n=4). Araştırmaya katılan öğrencilerin

%54’ ü lisans (n=176), %45’ i önlisans (n=145), %1,5’ i lisansüstü öğrencisidir (n=5).

Araştırmaya katılan öğrencilerin %74’ü (n=243) yükseköğretim kurumundaki ilk yılı

olduğunu belirtmişlerdir. Diğer bir deyişle kurumun sunduğu uzaktan öğretim faaliyetlerine yönelik

ilk deneyimi olduğu söylenebilir.

Veri Toplama Aracı

Çalışma kapsamında 3 bölümden oluşan veri toplama envanteri kullanılmıştır. Birinci

bölümde öğrencilerin cinsiyet, yükseköğretim kurumuna yerleştiği puan türü ve sınıf düzeyi ile ilgili

demografik veriler toplanmaktadır. İkinci bölümde öğrencilerin baskın oldukları oyuncu türlerini

belirlemek amacı ile Oyuncu Tipi ölçeği kullanılmıştır. Üçüncü bölümde ise öğrencilerin baskın

oldukları öğrenme stilini belirlemek amacı ile “Kolb Öğrenme Stilleri Envanteri-III” kullanılmıştır.

Ölçeklere ait detaylı bilgiler aşağıda açıklanmıştır.

Oyuncu tipi ölçeği: Katılımcıların baskın olduğu oyuncu tipini belirlemek için Arkun Kocadere ve

Caglar'ın (2018) geliştirdikleri “Oyuncu Tipi Belirleme Ölçeği” kullanılmıştır. Ölçek, Bartle'ın (1996)

oyuncuların etkileşimde bulunduğu unsura göre (ortam-birey) ya da davranış çeşidine göre

(etkileşim-eylem) olarak sınıflamasına belirlediği oyuncu tiplemelerine uygun geliştirilmiştir. Ölçek 12

madde ve oyuncu tipini (kaşifler, başaranlar, sosyalleşenler ve avcılar) belirten 4 faktörden

oluşmaktadır. Her bir faktör 3 maddeden oluşmaktadır. Araştırmacılar ölçeğin geçerliği ve

güvenirliğini 197 lisans öğrencisi üzerinde sağlamışlardır. Buna göre Tablo 2’ te oyuncu tipi belirleme

ölçeği güvenirlik katsayıları görülmektedir.

Tablo 2. Oyuncu türleri belirleme ölçeği güvenirlik katsayıları

Faktör

Cronbach

Alfa (α)

Maddeler

Açıklama

Kaşifler

0,91

10, 11, 12

Ortamı keşfetmek, gizli yerleri bulmak onların

esas amacıdır.

Başaranlar

0,81

7, 8, 9

Görevleri yerine getirmek onların öncelikli

hedefidir. Kendisi ile yarışır ve başarılı olmak

onun en büyük ödülüdür.

Avcılar

0,84

1, 2, 3

Oyun sürecinde rakiplerini yenmek onların

birincil hedefidir. Başarmaktan çok yenmek için

oyun oynar

Sosyalleşenler

0,80

4, 5, 6

Oyun oynarken birincil amacı yeni kişiler ile

tanışmak onlarla iletişim kurmaktır.

Ölçek 5’li likert yapıda “Kesinlikle Katılıyorum (5)” ile “Kesinlikle Katılmıyorum (1)” ifadeleri

arasında yer almaktadır. Ölçekte ters madde bulunmamaktadır. Ölçekte yer alan 12 maddeden en

fazla 60 en düşük 12 puan alınabilir. Bireyler birden fazla oyuncu tipinin özelliklerini gösterebilir

(Bartle, 1996; Ferro ve diğerleri, 2013; Kocadere ve Caglar, 2018). Bu nedenle ölçekten en yüksek puan

alan faktör bireyin baskın olduğu oyuncu tipini göstermektedir. Tablo 2’ de görüldüğü gibi

Kırmacı, Ö. & Kılıç Çakmak, E.

1128

faktörlerin güvenirlik katsayıları α>0.80 olduğu görülmektedir. Bu değer faktörlerin özelliği oldukça

güvenilir derecede ayırt edebildiğini göstermektedir.

Kolb öğrenme stilleri envanteri –III: Öğrencilerin baskın olduğu Öğrenme stilini belirleyebilmek

amacı ile 2007 yılında Gencel (2007) tarafından Türkçe ’ye uyarlanan “Kolb Öğrenme Stilleri

Envanteri-III” kullanılmıştır. Bu envanterin ilk versiyonu Kolb tarafından 1971 yılında geliştirilmiş

daha sonra 1981 yılında yenilenerek ikinci versiyonu oluşturulmuştur (Gencel, 2007). Envanterin

ikinci versiyonu Askar ve Akkoyunlu (1993) tarafından Türkçe’ ye uyarlanmıştır. Envanterin üçüncü

versiyonu ise 1999 yılında güncellenmiştir. Üçüncü versiyonunu ise Gencel (2007) Türkçe’ ye

uyarlamıştır. Kolb ve Kolb (2013) öğrenme stilleri envanterinin dördüncü versiyonlarını

güncellemişlerdir. Bu versiyonda Aktif yaşantı -Yansıtıcı Gözlem ve Somut Deneyim-Soyut

Kavramsallaştırma düzleminde yer alan ara öğrenme stilleri olduğu kanaatine varmışlardır. Buna

göre diğer dördüncü versiyon dokuz öğrenme stilinden oluşmaktadır. Bu envanterin Türkçe’ ye

uyarlama çalışması henüz gerçekleşmemiştir. Bu nedenle bu çalışmada Türkçe’ ye uyarlanmış en son

versiyon olan “Kolb Öğrenme Stilleri Envanteri-III” kullanılmıştır.

Öğrenme stili envanterinde 12 madde yer almaktadır. Bu maddeler altında 4 farklı öğrenme

yoluna (Aktif Yaşantı-AY, Yansıtıcı Gözlem-YG, Somut Deneyim-SD, Soyut Kavramsallaştırma-SK)

ilişkin ifadeler yer almaktadır. Öğrencilerden bu dört ifadeyi kendilerine uygunluk düzeyine göre

sıralaması istenmektedir. Buna göre ilk sıraya koyduğu ifadeden 4, son sıraya koyduğu ifadeden 1

puan almaktadır. Daha sonra ilgili öğrenme metodu ifadelerine verilen puanlar toplanır. Bu ifadelerde

en düşük 12 en yüksek 48 puan alınmaktadır. Öğrenme yolları Kolb’ un deneyimsel öğrenme

kuramını oluşturan dönüştürme (AD-YG) ve kavrama (SK-SD) boyutlarına dönüştürülür. Burada yer

alan değer -36 ile +36 arasındadır. Kavrama boyutundan alınan negatif puan öğrenmenin soyut pozitif

puan ise somut olduğunu göstermektedir. Aynı şekilde Dönüştürme boyutundan alınan pozitif puan

öğrenmenin aktif negatif puan ise yansıtıcı olduğunu göstermektedir (Gencel, 2007).

Tablo 3. Kolb öğrenme stilleri envanteri II güvenirlik katsayıları

Öğrenme Yolları

Cronbach-alpha

Somut Deneyim

0,76

Yansıtcı Gözlem

0,71

Soyut Kavramsallaştırma

0,80

Aktif Deneyim

0,75

Soyut Kavramsallaştırma-Somut Deneyim

0,84

Aktif Deneyim-Yansıtıcı Gözlem

0,79

Envanterin Türkçe ve İngilizce formları arasındaki korelasyon katsayısı 0,77 olarak

belirtilmektedir. Ayrıca uyarlanan formun güvenirlik katsayıları da Tablo 3’ te verilmiştir. Buna göre

envanter öğrenme stillerinin belirlenmesinde kullanılabilecek geçerli ve güvenilir bir ölçme aracı

olduğu görülmektedir.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

Veri Toplama Süreci

Veri toplama aracı çevrimiçi ortamda hazırlanmıştır. COVID 19 pandemisi döneminde

öğrencilerin tamamının çevrimiçi ders alması nedeni ile çevrimiçi ortam tercih edilmiştir. Veri

toplama aracı öğrencilerin halihazırda derslerini yürüttüğü platformdan dağıtılmıştır. Böylelikle

öğrenciler olağan süreci terk etmeden veri toplama aracını doldurmuşlardır. Araştırmaya katılım

gönüllülük esasına dayanmaktadır. Böylelikle güvenilir verilerin toplanması amaçlanmıştır. Buna

göre ilk aşamada veri toplama aracını 1197 öğrenci doldurmuştur. Araştırmanın amacı doğrultusunda

veri setinin güvenirliğini sağlamak açısından bazı veriler analiz dışına çıkartılmıştır. Bu bağlamda iki

aşamalı bir yöntem yürütülmüştür. Bu aşamalar Şekil 3’ de gösterilmektedir.

Şekil 3. Veri toplama süreci ve katılımcı sayıları

Öncelikle tüm seçeneklerin aynı olduğu veriler analizden çıkartılmıştır. İkinci aşamada,

araştırmanın amacına uygun olarak oyuncu tipi-öğrenme stili farklılaşmasını inceleyebilmek için

baskın oyuncu tipi ve baskın öğrenme stili oluşan katılımcıların verileri analiz edilmiştir. Bu nedenle

iki veya daha fazla oyuncu tipi puanı birbirine eşit olan katılımcının verisi analizden çıkartılmıştır.

Aynı şekilde iki veya daha fazla öğrenme stili puanı eşit olan katılımcının verisi analizden

çıkartılmıştır. Böylelikle sadece belirli Oyuncu Tipi ve öğrenme stili ön plana çıkan katılımcıların

verileri analize alınmıştır. Bu aşamaların sonunda 326 katılımcının verisi analiz edilmiştir.

Verilerin Analizi

Veri analizi sürecinde genel çerçevenin incelenmesi açısından betimsel istatistikler

kullanılmıştır. Veriler SPSS 22.0 programında analiz edilmiştir. Diğer taraftan kullanılan iki ölçek

açısından öncelikle oyuncu türlerinin belirlenmesi ve öğrenme stilinin belirlenmesi süreci yer

almaktadır. Araştırma sorularına uygun olarak kategorik değişkenlerin dağılımlarını incelemek amacı

ile Ki-Kare testi ve karşılaştırma tabloları kullanılmıştır. Oyuncu tiplerinin Kolb ‘un öğrenme evreleri

ile olan ilişkilerinin analizi için korelasyon analizi gerçekleştirilmiştir.

Kırmacı, Ö. & Kılıç Çakmak, E.

1130

Araştırmanın Etik İzinleri

Yapılan bu çalışmada “Yükseköğretim Kurumları Bilimsel Araştırma ve Yayın Etiği

Yönergesi” kapsamında uyulması belirtilen tüm kurallara uyulmuştur. Yönergenin ikinci bölümü

olan “Bilimsel Araştırma ve Yayın Etiğine Aykırı Eylemler” başlığı altında belirtilen eylemlerden

hiçbiri gerçekleştirilmemiştir.

Etik kurul izin bilgileri:

Etik değerlendirmeyi yapan kurul adı = Gazi Üniversitesi Etik Kurul Komisyonu

Etik değerlendirme kararının tarihi= 03.08.2021

Etik değerlendirme belgesi sayı numarası= E-77082166-302.08.01-142962

Bulgular

Bu bölümde katılımcılarına oyuncu türlerinin cinsiyet, program yerleşme puan türleri ve

öğrenme stillerine göre dağılımı sonuçlarına yer verilmiştir. Oyuncu tiplerinin dağılımına bakıldığı

zaman katılımcıların kaşifler (%38, n=124) ve sosyalleşenler (%30,4, n=99) oyuncu tiplerinde

yoğunlaştığı görülmektedir. Öğrenme stillerinin dağılımı incelendiğinde ise katılımcıların özümseyen

(%36,8, n=120) ve Değiştiren (%36,5, n=119) öğrenme stillerinde yoğunlaştığı görülmektedir.

Katılımcıların oyuncu türlerinin dağılımında cinsiyete göre anlamlı bir fark var mıdır?

Katılımcıların oyuncu tipi ve cinsiyetlere göre dağılımları Tablo 4’ te görüldüğü gibidir.

Tablo 4. Katılımcıların oyuncu tipleri ve cinsiyete göre dağılımı tablosu

Oyuncu Tipi

Toplam

Avcılar

Sosyalleşenler

Başaranlar

Kaşifler

Cinsiyet

Erkek

114

% Cinsiyet

16,7%

27,2%

15,8%

40,4%

35%

Kadın

212

% Cinsiyet

7,1%

32,1%

24,1%

36,8%

65%

Toplam

124

326

% Genel

10,4%

30,4%

21,2%

38,0%

100,0%

X2= 9,76 sd=3 p= 0,021

Ki-kare testi sonuçlarına göre oyuncu türleri ile cinsiyet dağılımları arasında anlamlı bir

değişim söz konusu olduğu söylenebilir (p<0,05). Dağılımlar incelendiğinde kadın öğrencilerin

kaşifler (%36,8, n=78) ve sosyalleşenler (%32,1, n=68) de yoğunlaştığı görülmektedir. Kadın

öğrencilerin en az dağılım gösterdiği oyuncu tipi ise avcılar (%7,1, n=15) olarak görülmektedir. Erkek

öğrencilerin ise genellikle kaşiflerde toplandığı söylenebilir (%40,4, n=46). Kadın ve erkek öğrenci

dağılımlarını karşılaştırdığımızda kadın öğrencilerin dağılım oranının başaranlarda (%24,1) ve

sosyalleşenlerde (%32,1) erkek öğrencilerden daha yüksek olduğu görülmektedir. Erkek öğrencilerin

ise kaşiflerde (%40,4) ve avcılarda (%16,7) kadın öğrencilerden daha yüksek orana sahip olduğu

KEFAD Cilt 23, Sayı 1, Nisan, 2022

görülmektedir. Bu durumda erkek öğrencilerin kadın öğrencilere göre Kâşif ve Avcı oyuncu tipine,

kadın öğrencilerin ise erkek öğrencilere göre sosyalleşen ve başaran oyuncu tipine daha yatkın olduğu

söylenebilir.

Katılımcıların oyuncu türleri dağılımında programlara yerleşme puan türlerine göre

anlamlı bir ilişki var mıdır?

Katılımcıların yükseköğretim programlarına yerleşme puan türlerine göre dağılımları Tablo 5’

te görülmektedir.

Tablo 5. Katılımcıların oyuncu tipleri ve yükseköğretim programına yerleşme puanlarına göre dağılımı tablosu

Oyuncu Tipi

Toplam

Avcılar

Sosyalleşenler

Başaranlar

Kaşifler

Puan Türü

Sayısal

137

% Puan Türü

10,9%

24,8%

26,3%

38,0%

42%

Sözel

% Puan Türü

13,1%

24,6%

26,2%

36,1%

19%

Eşit Ağırlık

128

% Puan Türü

8,6%

39,1%

13,3%

39,1%

39%

Toplam

124

326

% Genel

10,4%

30,4%

21,2%

38,0%

100,0%

X2= 12,40 sd=6 p=0,054

Tablo 5’ te görüldüğü gibi oyuncu türlerinin katılımcıların yerleştiği puan türlerine göre

dağılımları arasında anlamlı bir farklılık olmadığı görülmektedir (p>0,05). Sayısal öğrencilerinin

çoğunluğu kaşifler Oyuncu Tipinde toplandığı görülmektedir (%38, n=52). Eşit ağırlık öğrencilerinin

ise kaşifler (%39,1, n=50) ve sosyalleşenler (%39,1, n=50) oyuncu tiplemesinde toplandığı

görülmektedir. Sözel öğrencilerin ise kaşiflerde yoğunlaştığı (%36,1, n=22) görülmektedir.

Katılımcıların oyuncu tipleri ile puan türlerini karşılaştırdığımızda ise; avcıların sözel puan türünde

(%13,1), sosyalleşenlerin (%39,1) ve kaşiflerin (%39,1) ise eşit ağırlık puan türünde, başaranların ise

sayısal puan türünde (%26,3) daha yüksek oranda dağıldığı görülmektedir.

Katılımcıların baskın olan Oyuncu Tipine göre öğrenme stilleri dağılımı nasıldır?

Katılımcıların baskın oldukları oyuncu tiplemelerinin baskın oldukların öğrenme stillerine

göre dağılımları Tablo 6’ da görülmektedir.

Kırmacı, Ö. & Kılıç Çakmak, E.

1132

Tablo 6. Katılımcıların oyuncu tipleri ve öğrenme stillerine göre dağılımı

Oyuncu Tipi

Toplam

Avcılar

Sosyalleşenler

Başaranlar

Kaşifler

Öğrenme

Stili

Değiştiren

119

% Öğrenme Stili

11,8%

31,9%

22,7%

33,6%

36,5%

Özümseyen

120

% Öğrenme Stili

8,3%

28,3%

23,3%

40,0%

36,8%

Ayrıştıran

% Öğrenme Stili

10,7%

28,6%

16,1%

44,6%

17,2%

Yerleştiren

% Öğrenme Stili

12,9%

35,5%

16,1%

35,5%

9,5%

Toplam

124

326

% of Total

10,4%

30,4%

21,2%

38,0%

100,0%

X2=4,36 sd=9 p=0,886

Ki-kare testinin kullanılabilmesi için beklenen değerin 5’ ten küçük olduğu hücrelerin

sayısının tüm hücrelere oranı en fazla %20 olması gerekmektedir (Büyüköztürk, 2014). Tablo 6’ ya

göre bu kurala uymayan bir hücre (avcılar x Yerleştiren) görülmekle birlikte %20 sınırını aşmadığı için

veri tablolarında birleştirmeye gereksinim duyulmamıştır. Analiz sonuçlarına göre oyuncu türleri ve

öğrenme stilleri dağılımlarında anlamlı bir farklılık görülmemektedir (p>0,05). Tablo 6’ da görüldüğü

gibi katılımcıların, Özümseyen (%36,8, n=120) ve Değiştiren (%36,5, n=119) öğrenme stillerinde

yoğunlaştığı görülmektedir. Oyuncu tiplerinin ise kaşifler (%38, n=124) ile sosyalleşenlerde (%30,4, n=

99) yoğunlaştığı görülmektedir. Oyuncu tipleri ile öğrenme stilleri dağılımını karşılaştırdığımızda;

Yerleştiren öğrenme stilinin avcılar (%12,9) ve sosyalleşenler oyuncu tipinde daha yüksek oranda

toplandığı görülmektedir. Özümseyen öğrenme stilinin ise başaran (%23,3) oyuncu tipine diğer

öğrenme stillerinden daha yatkın olduğu görülmektedir. Ayrıştıran öğrenme stilinin ise kaşiflerde

(%44,6) diğer öğrenme stillerine göre daha yüksek oranda dağıldığı görülmektedir.

Oyuncu tiplerinin öğrenme eğilimleri ile ilişkisini ortaya koyabilmek açısından Kolb’un

öğrenme evreleri (SD, SK, AD, YG) ile oyuncu tipleri (avcılar, kaşifler, başaranlar, sosyalleşenler)

ilişkisi incelenmiştir. Bu çerçevede katılımcıların oyuncu tipleri puanları ile öğrenme evreleri puanları

arasında korelasyon analizi yapılmıştır. Tablo 7’ de görüldüğü üzere kaşifler oyuncu tipi Kolb’un

Soyut Kavramsallaştırma (SK) evresi ile pozitif yönde düşük düzeyde anlamlı ilişkili olduğu

görülmektedir (r= 0,122, p<0,05). Diğer oyuncu tipleri ve öğrenme stilleri arasında anlamlı bir ilişki

görülmemektedir.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

Tablo 7. Oyuncu tipleri ile Kolb' un öğrenme evreleri korelasyon tablosu

Avcılar

Sosyalleşenler

Başaranlar

Kaşifler

Pearson Korelasyon

Sig. (2-tailed)

Pearson Correlation

-,442**

Sig. (2-tailed)

,000

Pearson Correlation

-,525**

-,135*

Sig. (2-tailed)

,000

,015

Pearson Correlation

,005

-,371**

-,514**

Sig. (2-tailed)

,935

,000

Avcılar

Pearson Correlation

,011

-,073

,009

,051

Sig. (2-tailed)

,846

,190

,871

,357

Sosyalleşenler

Pearson Correlation

-,014

-,039

,097

-,065

,006

Sig. (2-tailed)

,804

,485

,079

,244

,916

Başaranlar

Pearson Correlation

,073

-,046

-,053

,033

-,151**

,134*

Sig. (2-tailed)

,189

,403

,340

,555

,006

,015

Kaşifler

Pearson Correlation

-,041

,122*

,016

-,099

,176**

,229**

,278**

Sig. (2-tailed)

,463

,028

,778

,076

,001

,000

**. Korelasyon 0.01 (2-tailed) düzeyinde anlamlı.

*. Korelasyon 0.05 (2-tailed) düzeyinde anlamlı.

SD: Somut Deneyim

SK: Soyut Kavramsallaştırma

AD: Aktif Deneyim

YG: Yansıtıcı Gözlem

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1134

Tartışma ve Sonuç

Bu çalışmanın amacı oyun bağlamında yer alan oyuncu tiplerinin; öğrenme stili, cinsiyet ve

yükseköğretime yerleşme puan türü gibi öğrenme ve kişisel özellikler ile ilişkisini araştırmaktır. Bu

amaçla yürütülen tarama çalışmasında 326 yükseköğretim öğrencisine Kocadere ve Caglar (2018)’ ın

geliştirdiği oyuncu tipi belirleme ölçeği ile Kolb’ un geliştirdiği ve Gencel'in (2007) Türkçeye

kazandırdığı ölçeği içeren veri toplama envanteri uygulanmıştır.

Araştırmanın sonuçlarına göre katılımcılar genel olarak kaşifler (%38) oyuncu tipinde

yoğunlaştığı görülmektedir. Bu oran Zichermann ve Cunningham (2011)’ ın bahsettiği dağılım ile

uyuşmadığı söylenebilir. Zichermann ve Cunningham’ a göre toplumun büyük bir kısmı

sosyalleşenlerde dağılmaktadır. Oyuncu tipleri dağılımını cinsiyete göre incelediğimizde ise erkek

öğrencilerin kâşif yönünün daha yüksek olduğunu söyleyebiliriz. Kadın öğrencilerin ise

sosyalleşenlerde yüksek dağılım gösterdiğini söyleyebiliriz. Kadın öğrenciler sosyalleşenlerde

yoğunlaşması Hamdaoui ve diğerlerinin (2018) çalışması ile benzerlik göstermektedir. Benzer şekilde

Barrett ve Lally (1999) çalışmasında, çevrimiçi öğrenme ortamlarında kadın öğrencilerin erkeklere

göre etkileşimsel davranışlara daha fazla eğilim gösterdiğini belirtmiştir. Bu durum kadınların

sosyalleşenler yönünü desteklemektedir. Hamdaoui ve diğerlerinin çalışmasında avcılar erkeklerde

en yüksek kadınlarda ise en düşük dağılımı göstermektedir. Bu çalışmada en düşük dağılım

kadınlarda avcılar, erkeklerde ise başaranlar görülmektedir. Sonuç olarak avcıların en sevdiği

mekanik olan rekabet kadın oyuncular tarafından pek tercih edilmediği söylenebilir. Bu durum Oyibo

ve diğerleri (2017)’ nin çalışması ile benzerlik göstermektedir. Ancak Oyibo ve diğerleri, rekabet ve

ödül mekaniğini erkeklerin tercih ettiğini belirtmektedir. Bu durum ise Hamdaoui ve diğerlerinin

çalışması ile tutarlılık göstermektedir. Sonuç olarak; Bartle’ın oyuncu tiplemesine göre her iki

cinsiyetteki öğrencilerin etkileşim kurma eğilimi gösterdiği söylenebilir. Ancak erkek öğrencilerin

yoğunlukta olduğu kaşifler ile kadın öğrencilerin yoğunluk gösterdiği sosyalleşenlerin etkileşim

anlayışında farklılık olduğu bilinmektedir. Kaşifler ortam ile etkileşim halinde iken sosyalleşenler

bireyler ile etkileşim kurarlar. Kaşifler oyun ortamını keşfetmek sosyalleşenler ise ortamda yeni

oyuncular ile tanışarak birliktelikler (guild) kurmak istemektedirler. Oyun ortamında yer alan saklı

nesneler kaşiflerin keşfetme dürtüsünü tetiklemektedir. Rekabet kadın oyuncuların pek tercih

etmediği bir unsur olarak dikkat çekmektedir. Kadın öğrencilerin başaran yönünün erkeklerden daha

fazla olması ancak kendisi ile rekabet halinde olduğunu işaret etmektedir.

Alanyazında herhangi meslek grubunun oyuncu tipleri ile ilişkisini araştıran bir çalışmaya

rastlanılmamıştır. Bu çalışmada oyuncu tiplerinin konu alanları ile olan ilişkisini belirlemek amacı ile

oyuncu tiplerinin meslek alanlarını temsil eden yükseköğretim programına yerleşme puan türlerine

göre dağılımları incelenmiştir. Sonuç olarak oyuncu tiplerinin alan puanı türlerine dağılımı

istatistiksel olarak anlam ifade etmediği görülmektedir (p>0,05). Puan türü ve oyuncu tipleri

Kırmacı, Ö. & Kılıç Çakmak, E.

dağılımları incelendiğinde, eşit ağırlık öğrencilerinin sosyalleşenler ile kaşiflerin en yüksek oranı

paylaştıkları görülmektedir. Shceck ve diğerleri (2015) çalışmasında sosyalleşen bireyleri dışa dönük

ve çevresi ile uyumlu olarak nitelemiştir. Bu profile göre sosyalleşenlerden yeni ortamlara girmekten

çekinmeyen, iletişim yönü kuvvetli bir davranış profili çizmesi beklenir. Eşit ağırlık puan türünde yer

alan Kamu Yönetimi ve Hukuk gibi programlar hitabet yeteneği ve sosyalleşme yönü ile ön plana

çıktığı söylenebilir. Bu gibi programların sosyalleşen yönlerinin olması avantaj olarak

değerlendirilebilir. Bu bakımdan eşit ağırlık programlara yönelik OÖO tasarımlarında sosyalleşen ve

kaşiflerin uyum sağladığı etkileşim unsuru göz ardı edilmemelidir. Diğer taraftan başaranların sayısal

alanda diğer alanlara daha yatkın olduğu görülmüştür. Başaranların öz disiplini yüksek olması (van

Meurs, 2007) başarı odaklı çalışması (Shceck ve diğerleri, 2015) sayısal alanda yer alan tıp ve

mühendislik gibi zorlu eğitim süreçlerinde avantaj sağlayabilir. Başaranların bireysel çalışmaya olan

yatkınlığı ve sahip olduğu öz disiplin özellikleri bireysel serüvene ve göreve dayalı ilerleyen bir OÖO

yapısı başarılı olabilir.

Bartle, sınıflandırmasını oyun evreni kapsamında gerçekleştirmiştir. Bu yönüyle

sınıflandırma, bireylerin karakterleri ve oyun oynama davranışları bağlamında (Halvarsson ve

Winther, 2009; van Meurs, 2007) incelenmiştir. Ancak OÖO tasarımlarında (Ferro ve diğerleri, 2013;

Iacono, Vallarino ve Vercelli, 2020; Kocadere ve Caglar, 2018) veya bu ortamların bireyselleştirilmesi

bağlamında da bu sınıflandırma kullanılmıştır. Örneğin Hamdaoui, Khalidi Idrissi ve Bennani (2018)

Bartle sınıflandırması ile Kolb’ un öğrenme stilleri arasındaki ilişkiyi araştırarak OÖO’larının

bireyselleştirilmesi sürecine katkı sağlamaktadır. Hamdaoui ve diğerleri’ nin çalışmasında dağılım

istatistiki olarak anlamlı ve her bir oyuncu tipinin ayrı öğrenme stilinde yoğunlaştığı görülmektedir.

Buna göre avcılar özümseyen öğrenme stiline, başaranların ise yerleştiren öğrenme stiline,

sosyalleşenlerin ise değiştiren, kaşiflerin ayrıştıran öğrenme stiline yatkın olduğu görülmektedir. Bu

çalışmada ise oyuncu tipleri, öğrenme stillerine göre anlamlı bir dağılım göstermemiştir.

Katılımcıların öğrenme stili ve oyuncu tipi dağılımları incelendiği zaman Yerleştiren öğrenme stilinin

avcılarda ve sosyalleşenlerde diğerlerine göre yüksek oranda dağıldığı görülmektedir. Yerleştiren

öğrenme stili öğrenmeyi somut yaşantılar ve etkin deneyimler ile sağlarlar. Bu bakımdan bilgileri

kitaplar ya da derslerden çok bireylerden ve birebir deneyimlerden elde etme eğilimindedirler

(Gencel, 2007). İşbirliği ve proje tabanlı gruplar yerleştirenleri tatmin edecek olan somut ve aktif

deneyimi karşılamaktadır (Karadeniz, 2008). Bu durum sosyalleşen oyuncu tipinde yer alan takım

olması isteği yeni bireyler ile tanışma, dayanışma ve birlik olma gibi davranışları desteklediği

görülmektedir. Avcıların gündeminde her ne kadar birey yer alsa da bireyleri üstünlük

sağlayabileceği bir rakip olarak görmektedir. Ancak Yerleştiren öğrenme, stilinin lider özelliği

(Gencel, 2007) ile avcıların bulunduğu grupta lider pozisyonunda olması isteği bir araya getirildiğinde

OÖO’da etkin bir öğrenme deneyimi sağlanabilir. Bir başka sonuç ise özümseyen öğrenme stili

dağılımının başaranlarda daha yüksek oranda olduğudur. Özümseyen bireylerin düşünme ve izleme

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1136

özellikleri öğrenme süreçlerinde planlama yapma ve karşısına çıkan sorunların çözümüne yönelik

modeller oluşturma gibi özellikler olarak karşımıza çıkmaktadır (Gencel, 2007; Karadeniz, 2008). Bu

bakımdan başaran oyuncu tipinin kurallara ve yönergelere bağlı olması (van Meurs, 2007) öğrenme

süreçlerinde özümseyenler ile ortak yönü olduğu söylenebilir. Diğer taraftan sabırlı olması ve insanlar

yerine düşünceler ve soyut kavramlar üzerine durması da (Karadeniz, 2008) başaranların ortam ile tek

taraflı eylem halinde bulunma (Bartle, 1996) verilen görevleri tamamlayana kadar ayrılmama (Yılmaz,

2017) özelliklerini desteklemektedir. Bu bakımdan OÖO tasarımlarında özümseyen öğrenme

ortamlarından beklenen soyut düşünmeyi ve problemler üzerine mantıksal çözümler üretmeyi

destekleyen aktiviteleri başaranları teşvik edici bir şekilde bireysel görevlere dayalı ilerleyen bir kurgu

ile verilmesi etkili olabilir.

Kolb’ un öğrenme evreleri bağlamında kaşiflerin Soyut Kavramsallaştırma ile pozitif yönde

ilişkili olduğu görülmektedir. Soyut Kavramsallaştırma (SK) evresi; Aktif Deneyim (AD) evresi ile

Ayrıştıran, Yansıtıcı Gözlem (YG) evresi ile Özümseyen öğrenme stilini oluşturmaktadır. Bu

bağlamda kaşiflerin ayrıştıran öğrenme stilinde yoğunlaşması Soyut Kavramsallaştırmayı destekleyici

bir bulgudur. Hamdaoui ve diğerlerinin çalışmasında, kaşiflerin Aktif Deneyim ile pozitif, Somut

Deneyim ile negatif ilişkili olduğu görülmektedir. Bu bağlamda kaşiflerin ayrıştıran öğrenme stiline

sahip olması doğal bir sonuçtur. Anlamlı ilişkiler bağlamında kaşiflerin Soyut Kavramsallaştırma

evresi ile tutarlı sonuçlar gösterdiği görülmektedir. Şöyle ki; Soyut Kavramsallaştırmada duyguların

aksine mantık, düşünme ve kavramlara odaklanma söz konusudur (Kolb, 2015). Kaşifler ise, bireysel

serüven peşinde bir oyuncu olarak tanınırlar. Keşfetmek ve heyecan onlar için birebirdir. Bu nedenle

öğrenme ortamlarında merak onlar için olmazsa olmazdır. Bu özelliklere göre kaşiflerin düşünme ve

mantık çerçevesi bağlamında hareket etmesi yalnızca keşfetme sürecinde ipuçlarını birleştirme ve

kolaylaştırıcı kısayolları bulma sürecinde meydana gelebilir (Kocadere ve Caglar, 2018). Bu yönleri ile

Kaşifleri daha çok merak ve keşfetme arzusu harekete geçmelerini tetikler. Diğer taraftan kaşifler plan

yapmaktan pek hoşlandığı söylenemez (Ferro ve diğerleri, 2013). Ayrıştıranların ise problemlerin

çözümünde akıl yürütme ve deneme - yanılma yolunu tercih etmeleri (Karadeniz, 2008) kaşiflerin

problem çözümü davranışları ile tutarlı olduğu görülmektedir. Nitekim kaşifler için en uyumlu oyun

kurgularının başında kaçış odaları, define adası gibi karşılaştıkları problemleri ipuçları ile çözüme

ulaştıkları oyunlar gelmektedir. Bu gibi kurguların eklendiği oyunlaştırılmış kurgulara akıl

yürütmeye iten ipuçlarının eklenmesi kaşiflerin motivasyonunu arttırabilir.

OÖO’ ların bireyselleştirilmesi bağlamında pek çok çalışma yer almaktadır. Oyun bağlamında

en yaygın tercih edilen bireysel özelliklerin başında oyuncu tipleri gelmektedir. Bu çalışma OÖO ların

bireyselleştirilmesi bağlamında her bir oyuncu tipinin öğrenme karakteristiğini ya da eğilimini ortaya

koymaya çalışmıştır. Alanyazında oyuncu tiplerinin kişiliği ve karakteristiğini belirleme çalışmalarına

rastlanmaktadır. Ancak oyuncu tiplerinin öğrenme eğilimleri ve cinsiyet, konu bağlamı gibi öğrenen

özelliklerine yönelik çalışmalar alanyazında sınırlı sayıda yer almaktadır. Araştırmacıların

Kırmacı, Ö. & Kılıç Çakmak, E.

karşılaştırma yaparak sonuçları inceleyebilmeleri açısından bu gibi çalışmaların artması

gerekmektedir. OÖO’lar her ne kadar oyun tabanlı öğrenme ortamlarından farklı olsa da oyunların

ruhunu temsil eden dinamikleri ile akış hissini uyandırması beklenmektedir. Bu bakımdan oyuncu

davranışlarına uygun OÖO’ larının tasarımlanması, oyun ve öğrenme bağlamlarının ilişkilerinin ve

etkileşimlerinin ortaya çıkarılması gerekmektedir. Bu bakımdan oyuncu tiplerine duyarlı OÖO’ lar

geliştirilerek öğrenen özellikleri bağlamında etkilerini araştıran deneysel çalışmalar bu bağlamda

daha etkili sonuçlar elde edebilir. Diğer taraftan veri toplama aracını dolduran 558 katılımcının verisi

birden fazla oyuncu tipi ya da öğrenme stiline sahip olduğu için araştırma kriterlerini karşılamadığı

gerekçesi ile analiz dışı bırakılmıştır. Bu bakımdan verisi alınan katılımcılarının büyük çoğunluğunun

birden fazla oyuncu tipi ve öğrenme stiline sahip olduğu göz önünde bulundurulmalıdır.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1138

http://kefad.ahievran.edu.tr

Ahi Evran University

Journal of Kırşehir Education Faculty

ISSN: 2147 - 1037

ENGLISH VERSION

Introduction

Gamification has started to gain a seat in almost every sector in the recent years. Although the

teaching through games or game-based learning has a long standing history (Şahin and Samur, 2017;

Yılmaz, 2017), it has started to gain popularity in education with the discovery of its outstanding

aspects such as interaction, instant and various feedback options, self-evaluation (Şahin and

Yurdugül, 2020); and of its positive contributions to the motivation, engagement and academic

achievement (Martin, Dennen and Bonk, 2020).

Gamified Learning Environments (GLE) reinforce the motivation and engagement

considerably through the interaction components they contain. However, the presence of the

individual differences manifests itself as a problem of GLEs as is the case with all learning

environments. Some researchers such as Hanus and Fox (2015) and Mekler, Brühlmann, Opwis and

Tuch (2013) found that the most commonly used gamification elements such as badges, leaderboards

and points did not affect the motivation of certain participants while having a negative effect on

others’ motivation. Accordingly, many researchers such as Chapman and Rich (2018), Klock,

Gasparini, Pimenta and Oliveira (2015) and Kocadere and Caglar (2018) stated that the gamification

components do not stimulate the same mechanics on individuals, in simpler terms; they do not have

the same effect. Therefore, many researchers remarked that the game should be based on the

hedonistic grounds featuring the individual pleasure (Fitz-Walter, 2015) and argued that pleasure and

motivation stimulus of individuals should be the focal point in the design elements (Mora, Riera,

González and Arnedo-Moreno, 2017; Whitton and Langan, 2019). In other words, personal

characteristics should not be ignored in the design of gamified systems. However, personal

characteristics and differences make the design of gamified systems a little more complicated. For this

reason, some researchers developed adaptable gamification design models (i.e. Klock et al., 2015)and

systems i in order to systematize the process (i.e. Hassan, Habiba, Majeed and Shoaib, 2019; Jagust,

Boticki and So, 2018; Lavoue, Monterrat, Desmarais and George, 2019). In the context of learner-

centeredness, design models that pivot around personal characteristics such as player types (Ferro,

Walz and Greuter, 2013; Marczewski, 2015), character types (Halvarsson and Winther, 2009; van

Kırmacı, Ö. & Kılıç Çakmak, E.

Meurs, 2007), motivation (Dichev, Dicheva and Irwin, 2020), and engagement (Rivera and Garden,

2021) in order to design the learning environments according to the personal characteristics. As part of

this, it can be said that there are various approaches in the design of learner centred GLEs.

Personal characteristics used in GLEs can be classified in two categories such as the game and

learning contexts according to the role provided for an individual. Certain personal characteristics

considered in GLEs are given in Figure1.

In GLE designs, it is observed that individuals are considered within the contexts of player

and learner. Within the player role context, the game playing behaviour and personality

characteristics of an individual have been the player classification criteria in a gamified environment

design for a long time now (Bartle, 1996; Myers, McCaulley, Quenk and Hammer, 1998). Designs with

an emphasis on the player role of individuals usually include the classification of player types and

player characteristics. These classifications aim to maintain the engagement of player’s to the fiction of

a game, rather than the learning objective. For example; Bartle (1996) first made a classification

according to the playing behaviours of the players regarding the question of whether it is the game

world or the players that draw heavy interest, and then classified by the nature of such of interest,

whether it is mutual interaction or unilateral action. However, Myers, McCaulley, Quenck and

Hammer (1998) classified the player typologies by their personality characteristics and thus,

introduced certain metrics to classify the personal experiences by using a classification method, which

was attributed to Jung’s theory of personality. These classifications were developed to be used in

game design. Nacke, Bateman and Mandryk (2011) proved that the classification should be based on

human motivation and neurobiological features and suggested the player typology named as

Figure 1. Certain personal characteristics used in the design of learner-centered gamification designs

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1140

BrainHex by them. On the other hand, Ferro et al. (2013) also classified the player typologies by their

personality types.

Similar to the game’s virtual worlds, GLEs also aim to ensure the motivation and engagement

of individuals. At this point, Marczewski (2015) focused on the user motivation and created the player

types with an eye to ensure engagement of users to game’s virtual world. According to Marczewski,

users are broken down into four types (philanthropist, achiever, socialiser, and free spirit) with

intrinsic motivation. The “Player” user type is broken down into four types (self-seeker, consumer,

networker, and exploiter) with extrinsic motivation. The “Disrupter” user type is broken down into

four types (griefer, destroyer, influencer, and improver). In this sense, it is seen that certain studies are

conducted for determining the elements that stimulate the motivation and engagement of a player

with an aim to adapt those studies to Player types (i.e. Kocadere and Caglar, 2018; Andrzej

Marzewski, 2017; Toda et al., 2019).

Other researchers argued that the classifications regarding the player role should be analysed

as part of the game design. In GLEs, it is emphasized that attention should be paid to personal

characteristics in learning context. Therefore, they took notice of the GLE designs that focus on the

learner role of an individual. In this regard, motivation and engagement stand out as the most

commonly analysed variables. Dichev et al. (2020) stated that it would be more accurate to classify

personal differences in relation to ensure intrinsic motivation in GLE design. On the other hand,

Huang and Hew (2018) developed a design model by arguing that GLE should be designed

considering the motivational needs of individuals. In this model, motivational needs are connected

with gamification elements based on five different motivation theories. Rivera and Garden (2021)

predicated on the engagement, one of the most important components of learning, and proposed a

framework that is based on the gamified learning environment framework of Landers (2014) and

Kahu’s (2013) four perspectives on student engagement.

Studies focus on individuals regarding their learner characteristics (age, gender, and subject)

rather than the game in GLE designs. Some of the researchers stated that gamification elements have

different effects on individuals according to the variables such as age and gender and that these

variables should be taken into consideration in GLE designs (Klock, Gasparini, Pimenta and de

Oliveira, 2015; Oyibo, Orji and Vassileva, 2017). For example, it is defined that most of the

gamification elements are effective on individuals aged 30 and below (Klock, Gasparini, Pimenta and

Hamari, 2020; Oyiboet al., 2017; Tondello, Orji and Nacke, 2017). In this respect, GLE are usually

designed for individuals at primary, elementary and higher education levels (Attali and Arieli-Attali,

2015). However, there are GLEs for adults aged 30 and above during in-service training to equip them

with professional competence (Tanış, 2021). Another important variable in GLEs is gender.

Individuals’ perceptions on game elements vary by genders (Codish and Ravid, 2017; Dendenet al.,

Kırmacı, Ö. & Kılıç Çakmak, E.

2021). According to some researchers, gender-based concerns can occur due to design elements in the

design process of gamified learning environments (Albuquerque, Bittencourt, Coelho and Silva, 2017).

Therefore, some researchers classified the gamification elements by gender (Klocket al., 2020). For

example, it is stated that the badge element causes a negative effect on males (Codish and Ravid, 2017)

while the competition mechanic affects women negatively (Oyibo et al., 2017).

Differently from the game-based learning environments, GLEs usually aim to reinforce the

learning behaviours such as motivation and engagement instead of teaching a certain content (Zaric,

Roepke, Lukarov and Schroeder, 2021). In this respect, there is scarcely any design that pivot around

the state of subject in GLEs. However, teaching methods and strategies vary by learning outcome,

behaviour type and content as part of learning. There are gamified learning environment designs

special to vocational education such as engineering, medicine and occupational safety (Tanış, 2021;

Kulhanek, Butler and Bodnar, 2019; Nah, Telaprolu, Rallapalli and Venkata, 2013). Design processes of

GLEs and the impact of these environments on student motivation, engagement and academic

achievement regarding the subjects in different occupational groups have been frequently researched

(Alanne, 2016; Kim, Song, Lockee and Burton, 2018; Song, Tavares, Pinto and Xu, 2017). Özgür,

Çuhadar and Akgün (2018) stated in their study that the environments of engineering education have

been researched the most in the higher education level. It is followed by the studies in the areas of

Health, Information and Communication Technologies, Foreign Language and Science. There are a

few research that form the framework of GLE for occupational education, though. In Turkish higher

education system, students are placed to the programs according to their score types. In this choice-

based system, students are placed to programs such as Engineering and Medicine based on their

scores in Numeric subject area; for Theology and Journalism, based on scores in Verbal subject area;

and for Law and Public Administration, based on scores in Equal Weight subject area. An effective

and productive GLE can be designed with a gamification fiction which is designed according to the

learners’ occupational education and subject areas.

Another variable that is considered within the learner role of an individual is learning style.

The opinion that each individual has distinctive learning features forms the basis of modern learning

understanding (Watson and Reigeluth, 2008). Designing the GLEs according to personal learning

features in the journey of learning may increase the effectiveness of GLEs. Some researchers argue that

learning styles should not be ignored in the designing process of personalized GLEs (Zaric et al.,

2021). In this regard, studies that research the relationship between player type (Abdollahzade and

Jafari, 2018; Hamdaoui, Khalidi Idrissi and Bennani, 2018) or gamification elements (Hassan, Habiba,

Majeed and Shoaib, 2019) were carried out apart from certain studies that looked into the impact of

GLE designs prepared according to the learning styles on motivation and engagement(Buckley and

Doyle, 2017). Coffield, Moseley, Hall and Ecclestone (2004) state that there are 71 learning styles, 13 of

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1142

which are major in the literature. The learning styles that were suggested by Kolb in 1983 are among

the most commonly used major learning styles.

According to the experiential learning theory of Kolb, learning should be intrinsic to the

individuals as a result of their experiences (Kolb, 2015). In Kolb’s understanding, learning is pursued

through two independent extents (Transforming and Grasping) supporting each other in a cyclical

way.

According to this, the Grasping extent of learning is composed of the Concrete Experiences

(feeling) of an individual or his/her Abstract Conceptualisation (thinking) of the things around

him/her. In the Transformation extent, there are the Active Experiences (doing) or Reflective

Observation (watching) of individuals based on their options to acquire and transform the

information (Can, 2011; Gencel, 2007).

Kolb’s experiential learning coordinate is given in Figure 2. According to this coordinate

system, every junction point of two extents defines a learning style. Active Experience and Abstract

Conceptualisation areas form the Converger learning style. Individuals in this area prefer to learn by

doing and thinking. Reflective Observation and Abstract Conceptualisation areas form the Assimilator

learning style. Individuals in this area prefer to learn by watching and thinking. Active Experience

and Concrete Experience areas form the Accommodator learning style. Individuals in this area prefer

Figure 2. Kolb’s learning styles

Kırmacı, Ö. & Kılıç Çakmak, E.

to learn by doing and feeling. Reflective Observation and Concrete Experience areas form the

Diverger learning style. Individuals in this area prefer to learn by watching and feeling.

Player types are at the top of the most commonly used taxonomies in the context of game and

learner. Bartle (1996) also developed the most basic classification in player typologies according to the

player behaviours. Bartle examines the players in 4 different characters considering that they interact

with the environment or individuals or go into action unilaterally. Bartle’s player types can be

analysed as follows:

Killers are the least common type of player. According to the Bartle’s taxonomy, they are

single-acting characters that focus on other players rather than the game’s virtual world. Killers try to

defeat other players instead of fulfilling their own duty and they want to be the only dominant

character in their environment. These players look for players to beat down in the game’s virtual

world. Sometimes they may break through the rules to defeat their rival. Competitive atmosphere is

perfectly suited for the Killers, and therefore, using elements to stimulate a competition environment

will motivate them. Levelling and levelling-up are the gamification elements that have positive

effects. Since the Killers are not a team player and the award is to defeat their rivals/enemies,

challenging fictions should be preferred in GLE designs.

Achievers are uniquely suited to tasks given to them. There is no other success indicator for

them to fulfil their tasks and therefore, the do not interact with other players. They are in

communication with the world and in search of tasks to take on. It can be said that they are result-

oriented. They are in competition with themselves. For this reason, following the Progress Bar and

Status in the gamified worlds constitute a reference point for the Achievers. Reaching to the top in

Leaderboards is the aim of an Achiever.

Similar to the Achievers, Explorers are also interested in the game world itself rather than the

players. They like searching for hidden objects and discovering new places in the game world. They

do not interact with other players. The journey to the obscurity is much more exciting for them.

Treasure hunt and escape rooms in gamified environments fit for them.

Socialisers have the intention to interact with other individuals in the game. Making

acquaintance with new people and acting together with them in the game world is their major

preference. Therefore, team games or games with multi-players are preferable by the Socialisers. It is

expected that involving in cooperative game worlds in guilds will stimulate Socialisers’ learning

(Kocadere and Caglar, 2018).

GLEs interact with individuals as part of games through the components, mechanics, and

dynamics they involve. These environments are expected to provide effective and productive learning

experiences that the learning environments are required to do so. In this regard, it is required to

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1144

design environments where players/learnes will not drop out of the gamification environments and

can learn effectively. In other words, GLEs should adapt to the personal characteristics within the

framework of game and learning. At this point, research and discovery of common grounds and

characteristics in the context of games and learning will lead the way for GLE designers. Learning

styles are among the criteria that are frequently used for the individualisation of learning

environments. On that sense, studies that research the relationship between learner type and learning

styles regarding the individualisation of GLEs present themselves every now and then (Abdollahzade

and Jafari, 2018; Hamdaouiet al., 2018; Zaricet al., 2021). In this study, it is aimed to define the learning

features of a player type. For this reason, an effort was made to determine the relationship and

differences between certain personal characteristics (such as gender, placement score type for a higher

education program and the dominant learning style) of a player type composed of mainly higher

education students. In line with this purpose, this study seeks the answers to the following questions:

1. In the distribution of dominant player types of the participants;

a. Is there a significant relationship by gender?

b. Is there significant relationship by the placement score types for higher education

programs?

2. What is the distribution of learning styles by dominant player types of the participants?

This study is expected to contribute to development of GLEs -which are sensitive to personal

characteristics of players/learners such as playing, learning, gender, and occupational orientation- as

sensible to personal differences.

Method

The aim of this study is to analyse the player types -one of the personal characteristics of

learners in GLE- by gender, university entrance score type and learning style variables. In addition to

the fact that survey studies are intended to describe the opinions or features of a certain population,

they make it possible to analyse the relationship between the measured variables (Büyüköztürk,

Çakmak, Akgün, Karadeniz and Demirel, 2015). For this reason, scanning model was used in this

study.

Sampling

326 students studying at a higher education institution participated in the research. Some

information on the participating students are given in Table 1.

Kırmacı, Ö. & Kılıç Çakmak, E.

Table 1. Distribution of participants by gender and educational background

Educational Level

Total

Bachelor’s

Degree

Associate

Degree

Master’s

Degree

Gender

Male

114

Gender %

50.9%

48.2%

0.9%

100.0%

General %

17.8%

16.9%

0.3%

35.0%

Female

118

212

Gender %

55.7%

42.5%

1.9%

100.0%

General %

36.2%

27.6%

1.2%

65.0%

Total

176

145

326

General %

54.0%

44.5%

1.5%

100.0%

As can be seen in Tablo 1, 35% (n_114) of the students participating in the research were male

and 65% (n=212) were female. Of 114 male students participating in the research; 50.9% (n=58) were

bachelor’s degree, 48.2% (n=55) were associate degree, 0.9% (n=1) were master’s degree students. Of

212 female students participating in the research; 55.7% (n=118) were bachelor’s degree, 42.5% were

associate degree, 1.9% (n=4) were master’s degree students. 54% (n=176) of female students

participating in the research were bachelor’s degree, 45% (n=145) were associate degree, 1.5% (n=5)

were master’s degree students.

74% (n=243) of the students participating in the research stated that they were in the first year

at the higher education institution. In other words, it can be said that this was their first experience

regarding the distance education activities provided by the institution.

Data Collection Tool

A tripartite data collection inventory was used as part of the study. In the first part,

demographic information such as gender, higher education placement score type and class level of

students were collected. In the second part, Player Type scale was used in order to determine the

dominant player type of students. Within the scope of the study, personal characteristics were

analysed according to the Bartle's Taxonomy of Player Types. Bartle’s Taxonomy of Player Types was

chosen since it is the most fundamental classification in this area and forms basis to the types of many

researchers. In the third part of the inventory, “Kolb’s Learning Styles Inventory-III” was used in

order to determine the dominant learning styles of students. Details on the scales are explained below.

Player type scale: “Learning Styles Inventory-III” of Arkun Kocadere and Caglar (2018) was used in

order to determine the dominant learning styles of the participants. The scale was developed based on

the player types classified by Bartle (1996) according to the element (environment-individual) the

players interact with or the behaviour type (interaction-action). It is composed of 4 factors defining 12

articles and player types (explorers, achievers, socialisers and killers). Each factor consists of 3 articles.

The researchers ensured the validity and reliability on 197 students. According to this, reliability

coefficients of player type determination scale can be seen in Table2.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1146

Table 2. Reliability coefficients of player type determination scale

Factor

Cronbach

Alpha (α)

Items

Explanation

Explorers

0.91

10, 11, 12

Their aim is to explore the game world and

search for places that might be unrecognized.

Achievers

0.81

7, 8, 9

Completing the tasks is their major goal. They

compete with themselves, and the greatest

award is being successful.

Killers

0.84

1, 2, 3

Their major aim is to defeat rivals during the

game. They play for conquering rather than

succeeding.

Socialisers

0.80

4, 5, 6

Their primary goal is to meet and interact with

new people.

A 5-Point Likert Scale with statements ranging between “I Strongly Agree (5)” and “I strongly

Disagree (1)” was used. There is no reversed items in the scale. The highest score can be 60 and the

lowest score can be 12 from the 12 items in the scale. Individuals can demonstrate the characteristics of

more than one player type(Bartle, 1996; Ferroet al., 2013; Kocadere and Caglar, 2018). For this reason,

the factor with the highest score in the scale will show the dominant player type of the individual. As

can been seen in Tablo 2, the reliability coefficient of factors is α>0.80. This value is an indicator that

the factor can differentiate characteristics at a quite reliable level.

Kolb learning styles inventory–III: In order to determine the dominant learning style of students,

“Kolb Learning Styles Inventory-III” which was adapted to Turkish by Gencel (2007) was used in

2007. The first version of this inventory was developed by Kolb in 1971 and revised in 1981 to create

its second version (Gencel, 2007). The second version of the inventory was adapted to Turkish by

Askar and Akkoyunlu (1993). The third version was updated in 1999 and was adapted to Turkish by

Gencel (2007). Kolb and Kolb (2013) updated the fourth version of learning styles. In this version, they

concluded that there are intermediate learning styles on the Active Experimentation-Reflective

Observation and Concrete Experience-Abstract Conceptualisation levels. According to this, the other

fourth version is composed of nine learning styles. Since the adaptation of this inventory to Turkish

has not been completed yet, “Kolb Learning Styles Inventory-III”, the latest version adapted to

Turkish, was used in this study.

There are 12 items in the learning style inventory. Under these items, statements regarding the

4 different learning paths (Active Experimentation-AE, Reflective Observation-RO, Concrete

Experience-CE, and Abstract Conceptualisation-AC) are presented. Students are asked to order these

four statements according to the level of suitability for them. They will get 4 points from the statement

ranking first and 1 point from the statement ranking last. The points given to the relevant statement of

learning method are summed. The minimum point is 12 and the maximum point is 48 for these

statements. Learning paths are turned into transformation (AE-RO) and grasping (AC-CE) extents

Kırmacı, Ö. & Kılıç Çakmak, E.

which constitute Kolb’s experiential learning theory. The value is between -36 and +36 here. A

negative score from the grasping extent indicates that learning is abstract, while a positive score

indicates that it is concrete. Similarly, the positive score from the transformation extent indicates that

learning is active, and the negative score indicates that it is reflective (Gencel, 2007).

Table 3. Kolb learning styles inventory II reliability coefficients

Learning Paths

Cronbach-alpha

Concrete Experience

0.76

Reflective Observation

0.71

Abstract Conceptualisation

0.80

Active Experimentation

0.75

Abstract Conceptualisation-Concrete Experience

0.84

Active Experimentation-Reflective Observation

0.79

The correlation coefficient between the Turkish and English forms of the inventory is stated as

0.77. Reliability coefficients of the adapted form is given in Tablo 3. In this respect, the inventory is

considered as a valid and reliable assessment tool that can be used to determine learning styles.

Data Collection Process

Data collection tool was prepared online. An online platform was preferred since all the

students receive online education during COVID-19 pandemic. Data collection tool was distributed

through the platform which was used for online education by the students. In this way, students fill in

the data collection tool without getting out of their routine process. Participation to the research is

voluntary so that reliable data can be collected. At this point, 1197 students filled in the data collection

tool. Some data was excluded from the analysis in order to ensure the reliability of data set in line

with the purpose of study. Concordantly, a two-stage method was conducted, and the stages are

shown in Figure 3.

Figure 3. Data collection process and the number of participants

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1148

Firstly, the data presenting the same options was excluded. Secondly, data of the participants

with dominant player type and learning style was analysed in order to review the differentiation of

player type-learning style in line with the purpose of research. Therefore, data of the participant with

equal points in two or more player types was excluded from the analysis. Data of the participant with

equal points in two or more learning styles was also excluded from the analysis. By this means, only

the data of certain participants with featured player types and learning styles was analysed. At the

end of these stages, an analysis of 326 participants’ data was performed.

Data Analysis

Descriptive statistics were used in the review of general framework during the data analysis.

Data was analysed in SPSS 22.0 program. On the other hand, in terms of the two scales used, first of

all, the process of determining the types of players and determining the learning style is involved. In

order to examine the distributions of categorical variables in accordance with the research questions,

Chi-Square test and comparison tables were used. Chi-Square test is widely used to determine

whether there is a difference between the variables at the categorical level. In this context, one-sample

Chi-Square test was used to determine the difference between the dominant player type and the

dominant learning styles of the students. The correlation coefficient was considered to analyse the

relationships of player types with Kolb’s learning stages.

Ethical Permissions of the Research

In this study, all the rules stated to be followed within the scope of the “Higher Education

Institutions Scientific Research and Publication Ethics Directive” were complied with. None of the

actions specified in the second part of the Directive, entitled “Actions Contrary to the Ethics of

Scientific Research and Publication”, have been carried out.

Ethics committee permission information:

Name of the board that conducts the ethics assessment = Gazi University Ethics Committee

Commission

Date of the ethical evaluation decision= 03.08.2021

Ethics evaluation certificate number number= E-77082166-302.08.01-142962

Findings

In this section, the results of the distribution of player types according to gender, program

placement score types and learning styles were given to the participants. When the distribution of

player types is examined, it is seen that the participants are centred around Explorer (38%, n=124) and

Socialiser (30.4%, n=99) player types. When the distribution of learning styles was examined, it was

Kırmacı, Ö. & Kılıç Çakmak, E.

observed that the participants centred around Assimilator (36.8%, n=120) and Diverger (36.5%, n=119)

learning styles.

Is there a significant difference in the distribution of participants' player types by gender?

Distribution of participants by player type and gender is as seen in Table 4.

Table 4. Table of distribution of participants by player types and gender

Player Type

Total

Killers

Socialisers

Achievers

Explorers

Gender

Male

114

Gender %

16.7%

27.2%

15.8%

40.4%

35%

Female

212

Gender %

7.1%

32.1%

24.1%

36.8%

65%

Total

124

326

General %

10.4%

30.4%

21.2%

38.0%

100.0%

X2= 9.76 sd=3 p= 0.021

According to the results of the Chi-Square test, it can be said that there is a significant change

between the types of players and their gender distribution (p<0.05). When the distributions are

examined, it is seen that female students are centred around Explorers (36.8%, n=78) and Socialisers

(32.1%, n=68). The player type with the least distribution of female students seems as the Killers (7.1%,

n=15). It can be said that male students usually fall under the Explorers (40.4%, n=46). When we

compare the distribution of male and female students, it is seen that the distribution rate of female

students is higher in the Achievers (24.1%) and the Socialisers (32.1%) than male students. It is

observed that male students have a higher proportion in Explorers (40.4%) and Killers (16.7%)

categories than female students. In this case, it can be said that male students are more inclined to the

Explorer and Killer player types compared to female students while female students are more inclined

to Socialiser and Achiever player types compared to male students.

Is there a significant relationship in the distribution of participants’ player types according

to the types of placement scores for the programs?

Distribution of participants according to the score types for placement in higher education

programs is given in Tablo 5.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1150

Table 5. Table of distribution of participants according to player types and placement scores in the higher

education program

Player Type

Total

Killers

Socialisers

Achievers

Explorers

Score Type

Numeric

137

% Score Type

10.9%

24.8%

26.3%

38.0%

42%

Oral

% Score Type

13.1%

24.6%

26.2%

36.1%

19%

Equal

Weight

128

% Score Type

8.6%

39.1%

13.3%

39.1%

39%

Total

124

326

General %

10.4%

30.4%

21.2%

38.0%

100.0%

X2= 12.40 sd=6 p=0.054

As can be seen in Tablo 5, there is no significant difference between the distribution of player

types by the types of placement scores of the participants (p>0.05). It is seen that the majority of

numerical students are collected in Explorers Player Type (38%, n=52). It is seen that equal weight

students were collected in Explorers (39.1%, n=50) and Socialisers (39.1%, n=50) player types. It is

observed that verbal students are centred around Explorers (36.1%, n=22). When the player types and

score types of the participants are compared, it is seen that Killers are centred around verbal score

type (13.1%), Socializers (39.1%) and Explorers (39.1%) in equal weight score type, and Achievers are

centred around more in numerical point type (26.3%).

What is the distribution of learning styles by dominant player types of the participants?

Distribution of the dominant player types of participants in comparison with their dominant

learning styles is given in Tablo 6.

Table 6. Distribution of participants by the player types and learning styles

Player Type

Total

Killers

Socialisers

Achievers

Explore

Learning

Style

Diverger

119

% Learning Style

11.8%

31.9%

22.7%

33.6%

36.5%

Assimilator

120

% Learning Style

8.3%

28.3%

23.3%

40.0%

36.8%

Converger

% Learning Style

10.7%

28.6%

16.1%

44.6%

17.2%

Accommoda

tor

% Learning Style

12.9%

35.5%

16.1%

35.5%

9.5%

Total

124

326

% of Total

10.4%

30.4%

21.2%

38.0%

100.0%

X2=4.36 sd=9 p=0.886

In order for the Chi-Square test to be used, the ratio of the number of cells where the expected

value is less than 5 to all cells should be no more than 20% (Büyüköztürk, 2014). According to Tablo 6,

Kırmacı, Ö. & Kılıç Çakmak, E.

there is a cell that does not comply with this rule (Killers x Accommodator), but it does not exceed the

20% limit, so there is no need to combine it in the data tables. According to the results of the analysis,

there is no significant difference in the distribution of player types and learning styles (p>0.05). As

can be seen in Tablo 6, it is observed that the participants centred around Assimilator (36.8%, n=120)

and Diverger (36.5%, n=119) learning styles. It is observed that the types of players are centred around

Explorers (38%, n= 124) and Socialisers (30.4%, n= 99). When we the distribution of learning styles

between player types are compared, it is seen that the Accommodator learning style is centred around

Killer (12.9%) and Socialiser player types at a higher rate. On the other hand, it is seen that the

Assimilator learning style is more inclined to the Achiever (23.3%) player type than other learning

styles. It is observed that the Converger learning style is centred around explorers (44.6%) more

widely than other learning styles.

In order to reveal the relationship of player types with learning tendencies, the relationship

between Kolb’s learning stages (CE, AC, AE, RO ) and player types (hunters, explorers, achievers,

socializers) was examined. In this regard, a correlation analysis was performed between the

participants’ player type scores and learning stage scores. As can be seen in Tablo 7, the Explorers

player type appears to be significantly related to Kolb’s Abstract Conceptualisation (AC) stage

positively at a low level (r= 0.122, p<0.05). No significant relationship is found between other player

types and learning styles.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

1152

Table 7. Correlation table of player types with Kolb’s learning stages

Killers

Socialisers

Achievers

Explorers

Pearson Correlation

Sig. (2-tailed)

Pearson Correlation

-,442**

Sig. (2-tailed)

,000

Pearson Correlation

-,525**

-,135*

Sig. (2-tailed)

,000

,015

Pearson Correlation

,005

-,371**

-,514**

Sig. (2-tailed)

,935

,000

Killers

Pearson Correlation

,011

-,073

,009

,051

Sig. (2-tailed)

,846

,190

,871

,357

Socialisers

Pearson Correlation

-,014

-,039

,097

-,065

,006

Sig. (2-tailed)

,804

,485

,079

,244

,916

Achievers

Pearson Correlation

,073

-,046

-,053

,033

-,151**

,134*

Sig. (2-tailed)

,189

,403

,340

,555

,006

,015

Explorers

Pearson Correlation

-,041

,122*

,016

-,099

,176**

,229**

,278**

Sig. (2-tailed)

,463

,028

,778

,076

,001

,000

**. Correlation is significant at a level of 0.01 (2-tailed).

*. Correlation is significant at a level of 0.05 (2-tailed).

CE: Concrete Experience

AC: Abstract Conceptualisation

AE: Active Experimentation

RO: Reflective Observation

KEFAD Cilt 23, Sayı 1, Nisan, 2022

Discussion and Conclusion

The aim of this study is to investigate the relationship of player types in the context of games

with learning and personal characteristics such as learning styles, gender and placement score type for

higher education. In the survey study conducted for this purpose, a learner type determination scale

developed by Kocadere and Caglar (2018) and a data collection inventory developed by Kolb and

adapted to Turkish by Gencel (2007) was performed for 326 higher education students.

According to the results of the research, it is observed that the participants are typically

centred around Explorer (38%) player type. It can be said that this rate is not in line with the

distribution expressed by Zichermann and Cunningham (2011). According to Zichermann and

Cunningham, most of the society is included in the Socialiser player type. When the distribution of

player types by gender is examined, it can be said that the explorer aspect of male students is higher.

It can be said that female students are involved in the Socialiser type of player and this shows

similarities with the study of Hamdaouiet al. (2018). In the study of Barrett and Lally (1999), it was

stated that female students showed a greater tendency to interactive behaviours in online learning

environments than men. This situation supports the Socialiser aspect of women. In the study of

Hamdaoui et al., the distribution of Killers is the highest among men and the lowest among women.

The lowest distribution is observed as Killers among women and as Achievers among men according

to this study. As a result, it can be said that the mechanic competition, which is the favourite of Killers,

is not much preferred by female players. This shows similarities with the study of Oyibo et al. (2017).

However, Oyibo et al. note that men prefer the mechanics of competition and rewards. This is

consistent with the study of Hamdaoui et al. As a result, it can be said that students of both genders

are inclined to interact according to Bartle’s player types. However, it is known that there is a

difference in the understanding of interaction between Explorers (highly populated with male

students) and Socialisers (highly populated with male students). Explorers interact with the

environment, while Socialisers interact with individuals. Explorers want to explore the game world,

and Socialisers want to create a guild by meeting new players in the game world. Hidden objects in

the game world stimulate the Explorers’ motive to explore. Competition stands out as an element that

female players do not much prefer. The fact that the Achiever aspect of female students is more

dominant than that of male students only indicates that the female students are in competition with

themselves.

No study is found in the literature investigating the relationship of any occupational group

with player types. In this study, in order to determine the relationship of player types with their

subject areas, it was observed that there was no difference in the distribution of player types by the

placement score types for higher education program representing their area of profession. When the

distribution of score types and player types is examined, it is seen that equal weight students share the

highest proportion of Socialisers and Explorers. In their study, Shceck et al. (2015) characterized the

Kırmacı, Ö. & Kılıç Çakmak, E.

1154

Socialiser individuals as extroverted with interpersonal skills. According to this profile, Socialisers are

expected to make an impression of having strong communication skills, not hesitating to enter new

environments. It can be said that programs such as Public Administration and Law in the equal

weight score type come into prominence with a skill of eloquence and sense of socialisation. The fact

that these programs have a sense of socialisation can be considered as an advantage. In this regard, the

concept of interaction that Socialisers and Explorers adapt to should not be ignored in GLE designs for

equal weight programs. On the other hand, it was observed that Achievers are more inclined to other

areas in numeric. The fact that Achievers have a high self-discipline (van Meurs, 2007) and are

success-oriented (Shceck et al., 2015) at work can provide an advantage in difficult educational

processes in numeric fields such as medicine and engineering. A GLE with a progressive nature based

on individual adventure and task can be successful for the Achievers with predisposition to

individual work and self-discipline characteristics.

Bartle completed its classification within the scope of game world. Classification in this aspect

is analysed regarding the characters of individuals and their game-playing behaviour. However, in

GLE designs (Ferro et al., 2013; Iacono, Vallarino and Vercelli, 2020; Kocadere and Caglar, 2018) or in

the context of the individualization of these game worlds, the classification was also used. For

example, Hamdaoui, Khalidi Idrissi and Bennani (2018) contribute to the process of individualization

of GLEs by researching the relationship between Bartle’s classification and Kolb’s learning styles . In

the study of Hamdaoui et al., the distribution is statistically significant, and it is observed that each

type of player is centred around a separate learning style. According to this, it is seen that Killers are

inclined to Assimilator learning style, Achievers are inclined to Accommodator learning style,

Socialisers are inclined to Diverger, and Explorers are inclined to Converger learning style. In this

study, the types of players did not show a significant distribution by their learning styles. When the

participants’ learning style and player type distributions were examined, it was observed that the

Accommodator learning style was highly centred around Killers and Socialisers compared to others.

The Accommodator learning style ensures learning with concrete and effective experiences. In this

regard, they tend to obtain information from individuals and one-on-one experiences rather than

books or lectures (Gencel, 2007). Cooperation- and project-based groups meet the concrete and active

experience that will satisfy the Accommodators(Karadeniz, 2008). It is seen that this situation supports

behaviours such as meeting new individuals, solidarity, and unity with the desire to have a team in

the type of Socialiser player. Although the Killers put individuals within their radar, they see

individuals as a competitor that they can outclass. But the Accommodator learning can provide an

effective learning in GLE when the leading feature of its style (Gencel, 2007)and the desire to be the

leader of a group composed of Killers are joined together. Another result is that the Assimilator

learning style distribution is higher in the Achievers. The thinking and monitoring characteristics of

Assimilator individuals show themselves as features such as planning in the learning process and

KEFAD Cilt 23, Sayı 1, Nisan, 2022

creating models for solving problems that arise (Gencel, 2007; Karadeniz, 2008). In this regard, the fact

that Achiever player type is subject to the rules and guidelines (van Meurs, 2007) can be a common

aspect with the Assimilators in learning processes. On the other hand, the fact that Achievers are

patient and focus on thoughts and abstract concepts instead of people (Karadeniz, 2008)is a

supporting factor for the characteristics of Achievers who take unilateral action with the game world

(Bartle, 1996) and do not leave without completing the tasks assigned to them(Yılmaz, 2017).

Therefore, it may be effective to provide activities that support abstract thinking and logical solutions

to problems expected from the Assimilator learning environments in GLE designs with a progressive

fiction based on individual tasks in a stimulating way for the Achievers.

It is seen that Explorers are positively related to Abstract Conceptualization in the context of

Kolb’s learning stages. Abstract Conceptualization (AC) stage forms the Converger learning style with

Active Experience (AE) stage and the Assimilator learning style with Reflective Observation (RO)

stage. In this context, the fact that Explorers are centred around the Converger learning style is a

supporting finding for Abstract Conceptualization. In the work of Hamdaoui et al., it seems that

Explorers are positively associated with Active Experience, and negatively with Concrete Experience.

It is a natural result that Explorers have the Converger learning style in this context. It is observed that

Explorers show consistent results with the Abstract Conceptualization stage within significant

relationships. The fact is that in Abstract Conceptualization, there is a focus on logic, thinking and

concepts, as opposed to emotions (Kolb, 2015). Explorers, on the other hand, are known to be a player

i the pursuit of an individual adventure. Exploring and excitement is perfectly suited for them.

Therefore, curiosity is indispensable for them in learning environments. According to these

characteristics, the actions of Explorers within the framework of thinking and logic can occur only in

the process of combining clues and finding facilitating shortcuts during the discovery period

(Kocadere and Caglar, 2018). With these aspects, the Explorers are mostly stimulated by the curiosity

and desire to explore but they are not very fond of making plans, though (Ferro et al., 2013). It seems

that Convergers’ preference of reasoning and trial-error in solving problems (Karadeniz, 2008)is

consistent with the problem-solving behaviours of Explorers. Indeed, the most compatible game

fictions for Explorers are the games (such as escape rooms, treasure island) in which they solve the

emerging problems with clues. The addition of clues that necessitate reasoning to the such gamified

fictions can increase the motivation of Explorers.

There are many studies regarding the individualization of GLEs. The most common personal

characteristics preferred in the context of the game are player types. With this study, it is aimed to

reveal the learning characteristic or tendency of each type of player regarding the individualization of

GLEs. In the literature, there are studies on determining the personality and characteristics of player

types. However, there are limited number of studies on learning tendencies of player types and

learning characteristics such as gender and subject context in the literature. Such studies should be

Kırmacı, Ö. & Kılıç Çakmak, E.

1156

increased in order for researchers to be able to study the results by making comparisons. Although

GLEs are different from game-based learning environments, they are expected to evoke a sense of

flow with their dynamics representing the spirit of games. In respect to this, it is necessary to design

GLEs in accordance with player behaviour, to reveal the relationships and interactions of game and

learning contexts. Experimental studies investigating the effects of GLEs in terms of learning

characteristics by developing player-type sensitive GLEs may present more effective results at this

point. On the other hand, the data of 558 participants who completed the data collection tool were

excluded from the analysis on the grounds that they did not meet the research criteria since they had

more than one player type or learning style. From this point of view, it should be taken into account

that the vast majority of the participants, whose data were collected, have more than one type of

player and learning style.

KEFAD Cilt 23, Sayı 1, Nisan, 2022

Kaynakça

Abdollahzade, Z. & Jafari, S. M. bagher. (2018). Investigating the Relationship between Player Types

and Learning Styles in Gamification Design. Iranian Journal of Management Studies, 11(300586),

573–600. doi:10.22059/ijms.2018.256394.673107

Alanne, K. (2016). An overview of game-based learning in building services engineering education.

European Journal of Engineering Education, 41(2), 204–219. doi:10.1080/03043797.2015.1056097

Albuquerque, J., Bittencourt, I. I., Coelho, J. A. P. M. & Silva, A. P. (2017). Does gender stereotype

threat in gamified educational environments cause anxiety? An experimental study. Computers

& Education, 115, 161–170. doi:10.1016/j.compedu.2017.08.005

Askar, P. & Akkoyunlu, B. (1993). Kolb Öğrenme Stili Envanteri. Eğitim ve Bilim, 17(87).

Attali, Y. & Arieli-Attali, M. (2015). Gamification in assessment: Do points affect test performance?

Computers and Education, 83, 57–63. doi:10.1016/j.compedu.2014.12.012

Barrett, E. & Lally, V. (1999). Gender differences in an on-line learning environment. Journal of

Computer Assisted Learning, 15(1), 48–60. doi:10.1046/j.1365-2729.1999.151075.x

Bartle, R. (1996). Hearts, clubs, diamonds, spades: Players who suit MUDs. Journal of MUD research,

(August). http://www.arise.mae.usp.br/wp-content/uploads/2018/03/Bartle-player-types.pdf

adresinden erişildi.

Buckley, P. & Doyle, E. (2017). Individualising gamification: An investigation of the impact of learning

styles and personality traits on the efficacy of gamification using a prediction market.

Computers and Education, 106, 43–55. doi:10.1016/j.compedu.2016.11.009

Büyüköztürk, Ş. (2014). Sosyal Bilimler İçin Veri Analizi El kitabı (20. Baskı.). Pegem Akademi.

Büyüköztürk, Ş., Çakmak, E. K., Akgün, Ö. E., Karadeniz, Ş. & Demirel, F. (2015). Nicel Araştırmalar.

Bilimsel Araştırma Yöntemleri içinde (19. Baskı., ss. 173–238). Ankara: Pegem Akademi.

Can, Ş. (2011). Investigation of the relationships between the learning styles of preservice elementary

teachers and some variables. Hacettepe Egitim Dergisi, (41), 70–82.

Codish, D. & Ravid, G. (2017). Gender moderation in gamification: Does one size fit all? Proceedings of

the Annual Hawaii International Conference on System Sciences, 2017-Janua, 2006–2015.

doi:10.24251/hicss.2017.244

Coffield, F., Moseley, D., Hall, E. & Ecclestone, K. (2004). Learning styles and pedagogy in post-16

learning: A systematic and critical review. London. www.LSRC.ac.uk adresinden erişildi.

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(May), 102674.

doi:10.1016/j.ijhcs.2021.102674

Kırmacı, Ö. & Kılıç Çakmak, E.

1158

Dichev, C., Dicheva, D. & Irwin, K. (2020). Gamifying learning for learners. International Journal of

Educational Technology in Higher Education, 17(54). doi:https://doi.org/10.1186/s41239-020-00231-

Ferro, L. S., Walz, S. P. & Greuter, S. (2013). Towards personalised, gamified systems: an investigation

into game design, personality and player typologies. 9th Australasian Conference on Interactive

Entertainment Matters of Life and Death – IE’13 içinde (ss. 1–6). doi:10.1145/2513002.2513024

Gencel, İ. E. (2007). Kolb’ un Deneyimsel Öğrenme Kuramına Dayalı Öğrenme Stilleri Envanteri -III’ ü

Türkçe’ ye Uyarlama Çalışması. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(2),

120–139.

Halvarsson, K. & Winther, D. (2009). Blood, gold or marriage - what gets you going? - a study of personality

traits and in-game behavior. https://people.dsv.su.se/~kaha9683/Halvarsson&Winther-

BachelorThesis.pdf adresinden erişildi.

Hamdaoui, N., Khalidi Idrissi, M. & Bennani, S. (2018). Modeling Learners in Educational Games:

Relationship Between Playing and Learning Styles. Simulation and Gaming, 49(6), 675–699.

doi:10.1177/1046878118783804

Hassan, M. A., Habiba, U., Majeed, F. & Shoaib, M. (2019). Adaptive gamification in e-learning based

on students’ learning styles. Interactive Learning Environments, 0(0), 1–21.

doi:10.1080/10494820.2019.1588745

Iacono, S., Vallarino, M. & Vercelli, G. (2020). Gamification in corporate training to enhance

engagement: An approach. International Journal of Emerging Technologies in Learning, 15(17), 69–

84. doi:10.3991/ijet.v15i17.14207

Karadeniz, Ş. (2008). Bilişim Teknolojileri Öğretiminde Öğrenme Stilleri. D. Deryakulu (Ed.), Bilişim

Teknolojileri Öğretiminde Sosyo-Psikolojik Değişkenler içinde (1. Baskı., ss. 175–206). Ankara:

Maya Akademi.

Kim, S., Song, K., Lockee, B. & Burton, J. (2018). Theories for Gamification in Learning and Education.

GAMIFICATION IN LEARNING AND EDUCATION: ENJOY LEARNING LIKE GAMING

içinde , Advances in Game-Based Learning (ss. 39–47). doi:10.1007/978-3-319-47283-6_5

Klock, Ana Carolina Tomé, Cunha, L. F. da, Carvalho, M. F. de, Rosa, B. E., Anton, A. J. & Gasparini, I.

(2015). Gamification in e-Learning Systems: A Conceptual Model to Engage Students and Its

Application in an Adaptive e-Learning System. P. Zaphiris ve A. Ioannou (Ed.), Lecture Notes

in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in

Bioinformatics) içinde (C. 9192, ss. 595–607). Springer. doi:10.1007/978-3-319-20609-7

Klock, Ana Carolina Tome, Gasparini, I., Pimenta, M. & de Oliveira, J. P. M. (2015). “Everybody is

playing the game, but nobody’s rules are the same”: Towards adaptation of gamification

based on users’ characteristics. Bulletin of The Technical Committee on Learning Technology, 17(4),

KEFAD Cilt 23, Sayı 1, Nisan, 2022

22–25.

Klock, Ana Carolina Tomé, Gasparini, I., Pimenta, M. S. & Hamari, J. (2020). Tailored gamification: A

review of literature. International Journal of Human Computer Studies, 144(September 2019).

doi:10.1016/j.ijhcs.2020.102495

Kocadere, S. A. & Caglar, S. (2018). Gamification from Player Type Perspective: A Case Study.

Educational Technology & Society, 21(3, SI), 12–22.

Kolb, D. A. (2015). Experiental Learning: Experience as the source of learning and development. Experiential

learning : experience as the source of learning and development (Second Edi.). Upper Saddle River,

NJ, USA: Pearson Education.

Kolb, D. A. & Kolb, A. Y. (2013). Research on Validity and Educational Applications. Experience Based

Learning Systems, (5), 0–233.

Kulhanek, A., Butler, B. & Bodnar, C. A. (2019). Motivating first-year engineering students through

gamified homework. Educaitonal Action Research. doi:10.1080/09650792.2019.1635511

Martin, F., Dennen, V. P. & Bonk, C. J. (2020). A synthesis of systematic review research on emerging

learning environments and technologies. ETR\&D-EDUCATIONAL TECHNOLOGY

RESEARCH AND DEVELOPMENT, 68(4, SI), 1613–1633. doi:10.1007/s11423-020-09812-2

Mora, A., Riera, D., González, C. & Arnedo-Moreno, J. (2017). Gamification: a systematic review of

design frameworks. Journal of Computing in Higher Education, 29(3), 516–548.

doi:10.1007/s12528-017-9150-4

Myers, I. B., McCaulley, M. H., Quenk, N. L. & Hammer, A. L. (1998). MBTI manual: A guide to the

development and use of the Myers-Briggs Type Indicator. Palo Alto: Consulting Psychologists

Press.

Nah, F. F.-H., Telaprolu, V. R., Rallapalli, S. & Venkata, P. R. (2013). Gamification of Education Using

Computer Games. S. Yamamoto (Ed.), Human Interface and the Management of Information.

Information and Interaction for Learning, Culture, Collaboration and Business, içinde (ss. 99–107).

Berlin, Heidelberg: Springer Berlin Heidelberg.

Oyibo, K., Orji, R. & Vassileva, J. (2017). The influence of culture in the effect of age and gender on

social influence in persuasive technology. UMAP 2017 - Adjunct Publication of the 25th

Conference on User Modeling, Adaptation and Personalization, 47–52. doi:10.1145/3099023.3099071

Rivera, E. S. & Garden, C. L. P. (2021). Gamification for student engagement: a framework. Journal of

Further and Higher Education. doi:10.1080/0309877X.2021.1875201

Şahin, Muhittin & Yurdugül, H. (2020). Learners’ Needs in Online Learning Environments and Third

Generation Learning Management Systems (LMS 3.0). Technology, Knowledge and Learning,

(0123456789). doi:10.1007/s10758-020-09479-x

Şahin, Murat & Samur, Y. (2017). Dijital Çağda Bir Öğretim Yöntemi: Oyunlaştırma. Journal of Ege

Kırmacı, Ö. & Kılıç Çakmak, E.

1160

Education Technologies, 1(1), 1–27.

Shceck, K., Lee, D. Y. & Pyo, K. B. (2015). The Relationship between the Five Factor Personality Model

and Motivations for Play in MMORPGs. Indian Journal of Science and Technology, 8(September).

doi:10.17485/ijst/2015/v8i21/78457

Song, D., Tavares, A., Pinto, S. & Xu, H. (2017). Setting Engineering Students Up for Success in the 21st

Century: Integrating Gamification and Crowdsourcing into a CDIO-based Web Design.

Eurasia Journal of Mathematics, Science and Technology Education, 13(7), 3565–3585.

doi:10.12973/eurasia.2017.00745a

Tanış, H. (2021). Oyunlaştırılmış İşe Özgü Çevrimiçi Öğrenme Ortamının Geliştirilmesi ve Etkisinin

Değerlendirilmesi: İş Sağlığı ve Güvenliği Örneği. Hacettepe Üniversitesi.

Tondello, G. F., Orji, R. & Nacke, L. E. (2017). Recommender systems for personalized gamification.

UMAP 2017 - Adjunct Publication of the 25th Conference on User Modeling, Adaptation and

Personalization, 425–430. doi:10.1145/3099023.3099114

van Meurs, R. (2007). How to play the game?: A study on MUD player types and their real life

personality traits. 15 Nisan 2020 tarihinde http://www.richardvanmeurs.nl/grrc/wp-

content/uploads/2011/03/howtoplaythegame_fullversion.pdf adresinden erişildi.

Watson, S. L. & Reigeluth, C. M. (2008). The learner-centered paradigm of education. Educational

Technology, 4(August 2008), 1–32. doi:10.4324/9781315795478

Whitton, N. & Langan, M. (2019). Fun and games in higher education: an analysis of UK student

perspectives. Teaching in Higher Education, 24(8), 1000–1013. doi:10.1080/13562517.2018.1541885

Yılmaz, E. A. (2017). Oyunlaştırma (4. bs.). İstanbul: Abaküs.

Zaric, N., Roepke, R., Lukarov, V. & Schroeder, U. (2021). Gamified Learning Theory: The Moderating

role of learners’ learning tendencies. International Journal of Serious Games, 8(3), 71–91.

doi:10.17083/ijsg.v8i3.438

Zichermann, G. & Cunningham, C. (2011). Gamification By Design. Homepage - Unser Leitbild.

doi:10.1017/CBO9781107415324.004

ResearchGate has not been able to resolve any citations for this publication.

Gamified Learning Theory: The Moderating role of learners' learning tendencies

Article

Full-text available

Sep 2021

The Gamified Learning Theory implies that gamification does not affect learning directly but stimulates a learning-related behavior in a mediating or moderating process. A learner-related behavior can, to some extent, be predicted based on the way learners tend to perceive, understand and utilize information. These different ways of learning are known as learning tendencies. This study investigates the moderator role of learning tendencies on gamification success concerning learners' academic participation, engagement, and experience. For this, Felder-Silverman Learning Style Model is used for the identification of learners' tendencies. In our study, 69 Computer Science students were randomly assigned to one control and two treatment groups. Students in the treatment groups were assigned two different gamified courses, while the control group attended a non-gamified course. This allowed us to analyze the individual effect of each gamification design and compare and see which gamification design was more appropriate for a learner with particular tendencies. Our results indicate that gamification design positively contributes to academic participation, affects learners' engagement in gamified environments, and that students' learning tendencies moderated students' engagement.

Learners’ Needs in Online Learning Environments and Third Generation Learning Management Systems (LMS 3.0)

Article

Full-text available

Mar 2022

Learning Management Systems are web-based systems in which learners can interact with content/learning resources and assessments, as well as other learners and instructors. LMSs have been widely used especially since the beginning of the information age. In the context of this study, the aim was to determine the expectations and needs of the learners, who are considered to be one of the most important stakeholders of the LMSs. An openended questionnaire and a semi-structured interview form prepared by the researchers were used as data collection tools. Content analysis was performed to analyze open-ended questions and interview data. According to the findings it was seen that learners want more entertaining and self-monitoring environments, especially with the elements of gamification. It was also seen that the learning environments have reporting and predictive capability on student achievement. Learners’ needs and expectations match with third-generation learning management systems. The third-generation learning management systems can be developed through educational data mining and learning analytics. Within the scope of this research, the learner expectations and needs were discussed in the context of the third generation learning management systems, intervention and types of intervention.

Gamifying learning for learners

Article

Full-text available

Oct 2020

The majority of user models in gamification are based on user’s gamer personality. However, the motivations driving individuals’ learning behavior differ from their motivations when playing. There is no evidence that learners’ experiences in gamified activities are described by these models. Thus, an alternative model capturing learners’ motivational experiences and relating them to the motivational mechanisms of gamification design is needed. To fill this gap we propose a context-specific typology which groups learners based on their type of motivation and perceived ability associated with a learning activity. The purpose of this proposal is to provide a framework for connecting each learner’s type to a set of motivational affordances to which that type is susceptible. Facilitating the task of selecting motivational affordances matching learner’s type aids the design of customized gamified learning.

Gamification in Corporate Training to Enhance Engagement: An Approach

Article

Full-text available

Sep 2020

Engagement in the companies' training programs is a crucial issue for their success. Every company faces the matter in different manners: some enterprises promote mandatory courses or programs; however, they may result not enough effective, due to a low level of motivation that can compromise learning and retention. Other enterprises prefer to adopt voluntary courses or programs, but in this case enrollment and completion depend on many factors: the time that workers can spend on training without compromising their main tasks; the directives of managers; the individual motivation. Another way to face corporate training may exploit gamification to enhance engagement. The authors present the design and implementation of a gamified course of office automation, developed for the employees of a large media company. Our approach attempts to go beyond the well-known triad point-badges-leaderboards, employing also a narrative, the Bartle's taxonomy of player types and the Self-determination theory by Deci and Ryan.

Tailored gamification: A review of literature

Article

Full-text available

Jun 2020

Gamification is increasingly becoming a pertinent aspect of any UI and UX design. However, a canonical dearth in research and application of gamification has been related to the role of individual differences in susceptibility to gamification and its varied designs. To address this gap, this study reviews the extant corpus of research on tailored gamification (42 studies). The findings of the review indicate that most studies on the field are mostly focused on user modeling for a future personalization, adaptation, or recommendation of game elements. This user model usually contains the users’ preferences of play (i.e., player types), and is mostly applied in educational settings. The main contributions of this paper are a standardized terminology of the game elements used in tailored gamification, the discussion on the most suitable game elements for each users’ characteristic, and a research agenda including dynamic modeling, exploring multiple characteristics simultaneously, and understanding the effects of other aspects of the interaction on user experience.

Investigating the Relationship between Player Types and Learning Styles in Gamification Design

Article

Full-text available

Jul 2018

An educational gamification is a new approach that has developed hopes to increase the effectiveness of learning. Computer game users are actually players that are categorized according to their personalities and have different learning styles. To achieve maximum performance in designing gamified learning, one can determine the relationship between player types and their learning styles, and then use this relationship to design better gamification in the field of education. In this research, the relationship between types of players based on Hexad scale model and the dimensions of Felder-Silverman Learning Style M odel (FSLSM) have been investigated. To this end, the research data were collected from 121 university students. After analyzing the results of the crosstab and Pearson's Chi-square test, five hypotheses were approved from ten developed hypotheses, which could be used to guide the more effective design of gamification elements.

Effects of gender and personality differences on students’ perception of game design elements in educational gamification

Article

May 2021
INT J HUM-COMPUT ST

While many studies have reported the effectiveness of gamification in motivating students and making learning more fun, some others have reported contradictory findings regarding the potential of implementing game elements in an online gamified course. It is recognized that designing a successful gamification is a challenging process. Previous studies have shown that students’ individual differences may impact their gamification experiences. This study complements the available body of research by examining the effect of gender and personality differences on students’ perception of gamification in education. An experiment was conducted in a public university with 189 undergraduate students who took three online gamified courses, based on the self-determination theory, during two academic years. The results showed that gender and personality can affect students’ perception of specific game elements. For instance, females are more likely to find feedback useful than males. Additionally, students low in extraversion are more likely to find a progress bar useful than students high in extraversion. The results also showed that gender moderates the effect of personality on students’ perception of the implemented game elements. For instance, males low in extraversion are more likely to perceive badges’ usefulness in gamified courses than males high in extraversion, whereas females low in conscientiousness are more likely to enjoy feedback than females high in conscientiousness. The findings of this study can help designers and educators personalize their gamified courses’ design based on personality and gender.

Gamification for student engagement: a framework

Article

Feb 2021

Gamification, the application of game elements to non-game situations, has gained traction in education as a mechanism for improving motivation and/or learning outcomes. Although it is widely accepted that gamification enhances these aspects of engagement in business and education settings, there is equivocal supporting evidence. Research has emphasised behavioural responses to gamification, although there is some evidence that gamification can support deeper cognitive and affective aspects. It continues to remain unclear how gamification influences student engagement and leads to learning, a significant gap in the literature to date. In this conceptual article, we fill the gap between practice and theory through the synthesis of student engagement and gamification literature into a new Gamification for Student Engagement Framework. The provisional Framework should, for the first time, enable practitioners to systematically design gamified learning experiences, through the purposeful selection of game attributes according to the desired student experience, and consequence of, engagement. Although we focus on learning outcomes, the Framework has the potential to improve others such as student satisfaction and wellbeing across many settings and disciplines. It can also be used to gather much needed empirical evidence about the effectiveness of the approach on desired outcomes.

Sosyal bilimler için veri analizi el kitabı

Book

Jan 2018

Şener Büyüköztürk

A synthesis of systematic review research on emerging learning environments and technologies

Article

Jul 2020

In this introduction to the special issue on systematic reviews on emerging learning environments and technologies, we introduce best practices for conducting systematic reviews and meta-analysis and discuss the need for a systematic review on emerging learning environments and technologies. We synthesize research on seven primary areas of emerging learning environments and technologies that include: (1) social media, (2) massive open online courses, (3) special education technology, (4) mobile learning, (5) game-based learning and gamification, (6) adaptive learning, and (7) learning analytics and introduce the thirteen articles that were included in this special issue. This article also provides implications for the readers on using and conducting systematic reviews.

The Relationship between Individual Characteristics and Player Type in Gamified Learning Environment Design Oyunlaştırılmış Öğrenme Ortamı Tasarımında Bireysel Özellikler ve Oyuncu Tipi İlişkisi

Figures

Recommended publications

The relationship between the design of the built environment and the ability to egress of individual...

Cultural Representations in the Built Environment and Their Relationship with Individuals’ Place-Ide...

Language Learning Beyond the Classroom: Access all Areas

Diferencias individuales y su relación con el desempeño Académico de los estudiantes en Ambientes de...