EUVIMEDEUVIMED entdecken
Crossref

Analyzing the Learning Curve: The Influence of Multimodality And Gamification Feedback on Motor Skill Acquisition

Ana Vesić

reposiTUm (TU Wien) · 01.02.2025

DOI: 10.34726/hss.2025.123282 ↗

Kurz gefasst

Fachartikel in der Zeitschrift reposiTUm (TU Wien), erschienen am 01.02.2025. Verfasst von Ana Vesić.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Das motorische Lernen umfasst das Erwerben von Fähigkeiten, die eine freiwillige Kontrolle von Gelenk- und Körpersegmentbewegungen erfordern, um spezifische Ziele zu erreichen [Mag07]. Dieser Prozess ist von Natur aus komplex und zeitaufwendig und erfordert konsequentes Üben. Motorische Fähigkeiten umfassen eine Vielzahl von Aufgaben, von Musikinstrumenten bis hin zu sportlichen Aktivitäten, wodurch ihre Aneignung ein wesentlicher Bestandteil des täglichen Lebens ist. Die Entwicklung von Systemen, die diesen Prozess beschleunigen können, wäre für Lernende von großem Nutzen.Diese Masterarbeit untersucht den Einfluss verschiedener Feedbackarten auf das motorische Lernen, mit einem Schwerpunkt auf Handgesten-Choreographien (Hand Mudra), die sowohl als Yoga-Praxis als auch als Tanzchoreographie angesehen werden. Die Studie vergleicht visuelles Feedback (Videos und/oder Bilder), auditives Feedback (Musik und Audioanweisungen), multimodales Feedback sowie gamifiziertes Feedback, um deren Effektivität zu analysieren. Die Forschung widmet sich vier zentralen Fragen: 1. Wel- che Art von Feedback (auditiv, visuell oder gamifiziert) hat den positivsten Einfluss auf die Aneignung motorischer Fähigkeiten? 2. Wie unterscheiden sich Lernkurven bei motorischen Gedächtnisaufgaben mit und ohne Gamifizierung? 3. In welchen Lernphasen sollte Gamifizierung ein- oder ausgeschlossen werden, um die Fähigkeitsaneignung zu optimieren? 4. Wie unterscheiden sich wahrgenommene Freude und Anstrengung zwischen den verschiedenen Lernmodi, und wie hängen diese mit den Lernkurven zusammen?Für diese Studie wurde eine maßgeschneiderte Anwendung entwickelt, die drei Lernmodi bietet: visuell, auditiv und gamifiziert. Quantitative Daten wurden mithilfe standardi- sierter Fragebögen (NASA-TLX und IMI) und Tests, die während des Lernprozesses durchgeführt wurden, erhoben. Qualitative Daten wurden durch Interviews mit den Teilnehmern:innen gesammelt.Die Ergebnisse zeigen, dass gamifizierte Lernmodi die schlechtesten Leistungen und den höchsten Anstrengungsgrad verursachten, während multimodales Feedback, das visuelle und auditive Elemente kombiniert, die besten Ergebnisse sowohl hinsichtlich Leistung als auch Freude erzielte. Der Hauptbeitrag dieser Forschung ist ein Softwaresystem, das für effektives motorisches Lernen, insbesondere in den frühen Phasen der Fähigkeitsaneignung, entwickelt wurde, sowie Richtlinien für die Gestaltung solcher Systeme. Systeme sollten Flexibilität bieten, sodass Lernende verschiedene Modi kombinieren, Videos bearbeiten, Notizen machen und Aufgaben segmentieren können. Gamifizierung sollte schrittweise eingeführt werden, mit dem Fokus auf positivem Feedback, um Selbstvertrauen und Motivation zu stärken. Gamifizierte Lernmodi sind am besten in späteren Phasen geeignet, um die Beherrschung der Fähigkeiten und die Leistungssicherheit zu unterstützen.

Schlagwörter

motor skill learninglearning curvegamificationmultimodal feedbackvisual feedbackauditory feedbackmudrasyogachoreographymotor memory

Zitieren

APA

Vesić, A. (2025). Analyzing the Learning Curve: The Influence of Multimodality And Gamification Feedback on Motor Skill Acquisition. reposiTUm (TU Wien). https://doi.org/10.34726/hss.2025.123282

Vancouver

Vesić A. Analyzing the Learning Curve: The Influence of Multimodality And Gamification Feedback on Motor Skill Acquisition. reposiTUm (TU Wien). 2025. doi:10.34726/hss.2025.123282

BibTeX
@article{Vesi2025,
  author = {Vesić, Ana},
  title = {Analyzing the Learning Curve: The Influence of Multimodality And Gamification Feedback on Motor Skill Acquisition},
  journal = {reposiTUm (TU Wien)},
  year = {2025},
  doi = {10.34726/hss.2025.123282}
}
Kostenlos starten →