Nama: David Alfredo Lopes

NIM: 230121608563

Offering/Kelas: B – S1 Teknologi Pendidikan 2023

Harapan Proyek

Pendidikan era digital idealnya mampu menghadirkan pembelajaran yang adaptif, berbasis data, dan relevan dengan kebutuhan kompetensi masa depan. Dalam konteks abad ke-21 dan Society 5.0, peserta didik membutuhkan penguasaan literasi digital (digital literacy) dan literasi AI (AI literacy) yang tidak hanya menekankan kemampuan menggunakan teknologi, tetapi juga kemampuan memahami cara kerja, implikasi sosial, dan potensi transformatif kecerdasan buatan dalam kehidupan (Kong et al., 2021; Long & Magerko, 2020).

Literasi AI telah diakui sebagai komponen kunci dari keterampilan abad ke-21 yang harus dimiliki setiap warga negara (Kandlhofer et al., 2016; Wang et al., 2025). Kerangka kerja literasi AI mencakup tiga dimensi utama: pengetahuan AI (AI Knowledge), afektivitas AI (AI Affectivity), dan pemikiran AI (AI Thinking) yang menekankan pengembangan keterampilan kognitif tingkat tinggi siswa (Wang et al., 2025). Lebih jauh lagi, literasi AI tidak hanya melibatkan pemahaman teknis, tetapi juga pemahaman etis dan penggunaan AI secara bertanggung jawab (Long & Magerko, 2020; Kong et al., 2023).

Idealitas ini sejalan dengan paradigma teknologi pendidikan yang memandang teknologi sebagai cognitive partner yang memperluas kemampuan berpikir dan belajar manusia (Hokanson et al., 2018; Januszewski & Molenda, 2008). Pendidikan masa depan seharusnya memberikan pengalaman belajar yang personal, berbasis ekosistem digital cerdas, dan memfasilitasi pembelajaran berkelanjutan melalui struktur konten modular, interaktif, dan berbasis otomatisasi pedagogis. Platform pembelajaran adaptif dengan dukungan kecerdasan buatan telah terbukti meningkatkan prestasi akademik hingga 88%, meningkatkan tingkat retensi hingga 85%, serta mencapai 92% dalam kustomisasi konten (Rao et al., 2025).

Konteks Proyek

Proyek ini diterapkan pada lingkungan pembelajaran SMA Charis Malang yang membutuhkan inovasi pembelajaran Bahasa Inggris yang relevan dengan perkembangan teknologi. Dalam konteks ini, teknologi pendidikan berperan sebagai enabler untuk menciptakan pengalaman belajar yang efisien, adaptif, serta mampu menanggapi kebutuhan individual siswa.

Integrasi kecerdasan buatan dalam pembelajaran memungkinkan terjadinya personalized learning, analitik kemajuan, dan interaksi berbasis natural language yang sebelumnya tidak mungkin dilakukan dengan metode konvensional (Hariyanto et al., 2025). Penelitian menunjukkan bahwa pembelajaran yang dipersonalisasi dapat meningkatkan kinerja akademik pada 59% studi dan meningkatkan keterlibatan siswa pada 36% studi (Manzano-León et al., 2024). Sistem pembelajaran adaptif berbasis AI mampu menyesuaikan konten pendidikan secara dinamis berdasarkan kinerja, kecepatan belajar, dan preferensi individu siswa (Gligorea et al., 2023; Khan et al., 2022).

Dengan demikian, peran teknologi tidak hanya sebagai media, tetapi sebagai instructional system yang memfasilitasi proses belajar secara holistik (Bishop et al., 2020; Spector et al., 2014). Teknologi AI dalam pendidikan dapat bertindak sebagai tutor personal yang memberikan umpan balik real-time, menyesuaikan tingkat kesulitan materi, dan mengidentifikasi kesenjangan pembelajaran secara otomatis (Strielkowski et al., 2024).

Deskripsi Kesenjangan

Meskipun idealitas pembelajaran digital telah banyak dipromosikan, realitas di lapangan menunjukkan sejumlah kesenjangan yang signifikan. Pertama, sebagian besar siswa SMA masih mengalami kesulitan memahami konsep teknologi canggih seperti kecerdasan buatan karena pendekatan pembelajaran yang terlalu teoretis dan kurang kontekstual (Casal-Otero et al., 2023). Penelitian menunjukkan bahwa sekolah-sekolah yang kurang terlayani, terutama di wilayah berpenghasilan rendah, menghadapi keterbatasan bandwidth, keterampilan, dan kepercayaan diri untuk membimbing siswa mereka melalui dunia yang didukung AI, sehingga berpotensi memperburuk kesenjangan yang ada (Lee et al., 2024).

Kedua, pembelajaran Bahasa Inggris sering terjebak pada pola hafalan dan latihan konvensional sehingga tidak memberikan pengalaman komunikasi otentik. Metode konvensional cenderung menggunakan pendekatan one-size-fits-all yang gagal mengakomodasi spektrum luas tantangan kognitif, fisik, dan emosional yang dihadapi siswa (Liu, 2025).

Ketiga, guru menghadapi keterbatasan waktu dan sumber daya untuk menyusun konten interaktif dan adaptif yang sesuai dengan kemampuan tiap siswa. Penelitian menunjukkan bahwa kurangnya guru dengan pelatihan AI dan perlunya bekerja dengan guru dalam pelatihan atau di sekolah merupakan isu penting saat ini (Xia & Zheng, 2020; Chiu et al., 2021).

Keempat, penggunaan teknologi pembelajaran masih bersifat statis, belum memanfaatkan potensi AI sebagai augmenter pembelajaran sebagaimana disarankan oleh Moller dan Huett (2012). Sistem pembelajaran adaptif yang ada masih bergantung pada perspektif teoretis, pola berulang dalam pemodelan siswa, ketergantungan berlebihan pada data sintetis, dan investigasi terbatas terhadap kinerja jangka panjang (ICSICE, 2025).

Kondisi-kondisi ini menyebabkan jarak antara kemampuan ideal peserta didik dan kemampuan aktual yang dimiliki di kelas, serta mengakibatkan penurunan motivasi dan keterlibatan siswa dalam proses pembelajaran.

Uraian Deskripsi Solusi Proyek

Solusi yang ditawarkan adalah pengembangan AI Learn Smart, sebuah platform microlearning berbasis kecerdasan buatan yang dirancang untuk mengintegrasikan pembelajaran Bahasa Inggris dengan literasi AI melalui format konten modular 5–7 menit. Pendekatan microlearning ini selaras dengan tren global yang menunjukkan pertumbuhan pasar microlearning sekitar 46% per tahun hingga 2024 (Signum.AI, 2019) dan proyeksi peningkatan dari $1,5 miliar pada 2019 menjadi $2,7 miliar pada 2024 (MarketsandMarkets, 2019). Platform ini memiliki lima komponen utama yang terintegrasi secara sinergis:

6.1 Modul Microlearning

Konten interaktif pendek dengan multimedia, dikembangkan menggunakan prinsip cognitive load theory dan segmentasi (Saha et al., 2025). Microlearning memecah informasi kompleks menjadi unit-unit yang dapat dikelola, membuatnya lebih mudah bagi siswa untuk memproses dan mempertahankan pengetahuan, serta mencegah beban kognitif berlebihan (Cortez, 2018). Penelitian menunjukkan bahwa microlearning dapat meningkatkan retensi pengetahuan lebih dari 20% dibandingkan konten teoretis yang panjang (Grovo, 2015).

Format durasi 5-7 menit dipilih berdasarkan penelitian yang menunjukkan bahwa pembelajaran paling efektif ketika disajikan dalam segmen-segmen pendek yang terfokus (Kamath, 2024). Modul ini menggunakan format interaktif seperti video, kuis, flashcard, dan latihan berbasis skenario yang sangat bermanfaat untuk topik seperti algoritma dan logika pemrograman yang memerlukan pemahaman mendalam dan praktik berkelanjutan (Saha et al., 2025).

6.2 Kuis Adaptif Berbasis TensorFlow Lite

Mengatur tingkat kesulitan soal secara otomatis mengikuti kemampuan siswa melalui algoritma pembelajaran mesin. Sistem adaptif ini memanfaatkan analitik pembelajaran untuk menganalisis interaksi siswa, data kinerja, dan isyarat afektif guna menyesuaikan konten secara dinamis (Hariyanto et al., 2025). Teknologi deep reinforcement learning memungkinkan sistem untuk memberikan umpan balik real-time dengan latensi hanya 21ms, mencapai akurasi 78% dalam penyesuaian strategi pembelajaran (Liu, 2025).

Kuis adaptif ini dirancang berdasarkan penelitian yang menunjukkan bahwa penilaian formatif berkelanjutan yang menyesuaikan kebutuhan siswa secara real-time lebih efektif dibandingkan penilaian sumatif tradisional (Celik et al., 2022; Sharma et al., 2020). Sistem ini memberikan umpan balik instan yang membantu siswa mengidentifikasi kesalahan mereka dengan segera dan melakukan penyesuaian yang diperlukan saat masih terlibat dengan topik tersebut.

6.3 Chatbot Tutor AI

Memfasilitasi latihan berbicara dan mendengarkan berbasis natural language processing untuk meningkatkan kemampuan komunikasi otentik. Chatbot ini menggunakan teknologi AI generatif untuk memberikan respons personal, saran yang disesuaikan, dan dukungan pembelajaran berkelanjutan (Isiaku et al., 2024). Penelitian menunjukkan bahwa chatbot efektif untuk memperkuat konsep teknis, menawarkan keuntungan seperti aksesibilitas 24/7 dan kemampuan beradaptasi (Wangsa et al., 2024).

Fitur chatbot ini memungkinkan siswa untuk berlatih komunikasi dalam konteks yang aman dan tidak menghakimi, memberikan koreksi dan saran secara langsung, serta menyesuaikan tingkat kompleksitas percakapan berdasarkan kemampuan siswa (Taylor et al., 2021).

6.4 Dashboard Analitik Pembelajaran

Memberikan laporan kemajuan berbasis data untuk siswa dan guru dengan visualisasi yang jelas dan actionable insights. Dashboard ini memanfaatkan algoritma AI untuk menganalisis data siswa dan menyajikan informasi yang dapat digunakan untuk pengambilan keputusan instruksional (Barbieri et al., 2020). Guru dapat mengidentifikasi siswa yang membutuhkan intervensi tambahan dan merancang strategi pembelajaran yang lebih efektif berdasarkan data real-time.

Fitur analitik ini memungkinkan pelacakan kemajuan individual dan kelompok, identifikasi pola pembelajaran, prediksi kinerja masa depan, dan rekomendasi strategi intervensi yang dipersonalisasi (Feldman-Maggor et al., 2021).

6.5 Gamifikasi

Memberikan penghargaan, level, dan lencana untuk meningkatkan motivasi intrinsik berdasarkan prinsip self-determination theory (SDT) dan operant conditioning (Chen et al., 2024). Penelitian meta-analisis menunjukkan bahwa gamifikasi memiliki ukuran efek besar yang signifikan (g = 0,822) terhadap hasil pembelajaran siswa (Zhao et al., 2023). Gamifikasi memanfaatkan elemen seperti poin, lencana (badges), dan papan peringkat (leaderboards) untuk memotivasi siswa dan memberikan umpan balik tentang kemajuan mereka (Khan et al., 2017; Garcia-Sanjuan et al., 2018).

Gamifikasi dalam platform ini dirancang untuk meningkatkan keterlibatan siswa (engagement), motivasi, dan hasil pembelajaran dengan menciptakan pengalaman belajar yang menarik dan interaktif (Manzano-León et al., 2022). Sistem penghargaan dirancang untuk mendorong partisipasi berkelanjutan, penyelesaian tugas, dan pencapaian tujuan pembelajaran jangka panjang.

Solusi ini menjembatani kesenjangan antara harapan pembelajaran digital yang adaptif dengan kebutuhan nyata siswa dan guru di lapangan. Pendekatan microlearning dan AI learning system ini juga mendukung konsep “unconstrained learning” sebagaimana dinyatakan oleh Moller (2009), yang memungkinkan pembelajaran terjadi kapan saja, di mana saja, dan sesuai dengan kecepatan individu siswa.

Rumusan Masalah Proyek

“Bagaimana pengembangan platform AI Learn Smart dapat meningkatkan literasi kecerdasan buatan dan kemampuan Bahasa Inggris siswa SMA Charis Malang melalui pendekatan microlearning yang adaptif dan interaktif?”

8. Metodologi Pengembangan Proyek

Metodologi pengembangan proyek mengikuti model pengembangan konten digital berbasis iterasi yang sesuai dengan pendekatan desain teknologi pendidikan kontemporer (Rich & Hodges, 2017). Model ini mengintegrasikan prinsip-prinsip design thinking, agile development, dan user-centered design untuk memastikan platform dikembangkan secara sistematis, terukur, dan responsif terhadap kebutuhan pengguna.

8.1 Analisis Kebutuhan

Tahap ini melibatkan identifikasi komprehensif kebutuhan siswa SMA terkait pembelajaran Bahasa Inggris dan literasi AI, serta kajian mendalam terhadap keterbatasan pembelajaran konvensional. Proses analisis meliputi:

1. Survei kebutuhan siswa dan guru melalui kuesioner terstruktur
2. Wawancara mendalam dengan stakeholder pendidikan
3. Observasi pembelajaran konvensional di kelas
4. Analisis kesenjangan (gap analysis) antara kondisi saat ini dan kondisi ideal
5. Kajian literatur terkait praktik terbaik dalam pembelajaran adaptif dan literasi AI

Tahap ini mengacu pada kerangka kerja literasi AI yang mencakup dimensi kognitif, afektif, dan sosiokultural (Kong et al., 2023), serta mempertimbangkan kebutuhan akan integrasi kurikulum AI, perspektif siswa, pelatihan guru, dan desain sumber daya (Casal-Otero et al., 2023).

8.2 Perumusan Tujuan & Struktur Konten

Menyusun tujuan pembelajaran berdasarkan Taksonomi Bloom revisi yang mencakup enam level kognitif: mengingat, memahami, menerapkan, menganalisis, mengevaluasi, dan mencipta. Struktur 12 modul microlearning disusun secara sistematis dan berurutan (scaffolding) dengan mempertimbangkan:

1. Kompetensi dasar yang harus dicapai siswa
2. Integrasi konten Bahasa Inggris dengan konsep literasi AI
3. Prinsip pembelajaran konstruktivistik dan experiential learning
4. Keseimbangan antara pengetahuan konseptual dan aplikatif

Setiap modul dirancang untuk mencapai tujuan pembelajaran spesifik dalam durasi 5-7 menit, dengan fokus pada pengalaman belajar yang terfokus dan terukur (Kamath, 2024).

8.3 Desain Solusi

Mendesain alur fitur utama: modul, kuis adaptif, chatbot, dashboard, dan gamifikasi dengan pendekatan user experience (UX) dan user interface (UI) yang optimal. Proses desain meliputi:

1. Pembuatan wireframe dan mockup interaktif
2. Desain arsitektur sistem dan database
3. Perencanaan integrasi komponen AI (machine learning models, natural language processing)
4. Pembuatan storyboard detail untuk setiap modul pembelajaran
5. Desain flowchart navigasi aplikasi dan interaksi pengguna
6. Perancangan mekanisme gamifikasi dan sistem penghargaan

Desain mengacu pada prinsip adaptive learning yang memanfaatkan teknologi AI untuk personalisasi pengalaman belajar (Strielkowski et al., 2024; Hariyanto et al., 2025).

8.4 Produksi Konten

Mengembangkan konten microlearning berbasis multimedia yang menarik dan interaktif. Tahap ini meliputi:

1. Pengembangan video pembelajaran interaktif dengan animasi dan grafis berkualitas tinggi
2. Pembuatan konten audio untuk latihan mendengarkan dan pengucapan
3. Perancangan soal adaptif dengan berbagai tingkat kesulitan
4. Penyusunan glosarium AI dengan penjelasan konsep dalam konteks praktis
5. Pengembangan skenario percakapan chatbot untuk berbagai konteks komunikasi
6. Pembuatan materi pendukung seperti infografis, diagram, dan ilustrasi

Konten diproduksi dengan memperhatikan prinsip cognitive load theory untuk mencegah beban kognitif berlebihan dan meningkatkan retensi informasi (Cortez, 2018).

8.5 Integrasi Teknologi

Menerapkan model AI ringan pada TensorFlow Lite untuk memastikan performa optimal pada berbagai perangkat, termasuk smartphone dengan spesifikasi rendah. Tahap ini meliputi:

1. Implementasi algoritma machine learning untuk kuis adaptif
2. Integrasi teknologi natural language processing untuk chatbot
3. Pengembangan backend berbasis Firebase untuk penyimpanan data dan analitik real-time
4. Integrasi sistem gamifikasi dengan mekanisme pelacakan poin, lencana, dan level
5. Implementasi sistem keamanan data dan privasi pengguna
6. Optimasi kinerja aplikasi untuk berbagai platform (cross-platform compatibility)

Teknologi yang digunakan memanfaatkan pendekatan deep reinforcement learning untuk memberikan umpan balik real-time dan penyesuaian strategi pembelajaran (Liu, 2025).

8.6 Pengujian Fungsional

Melakukan uji coba internal terhadap modul, kuis adaptif, dan chatbot dengan fokus pada:

1. Pengujian fungsionalitas setiap komponen sistem
2. Evaluasi pengalaman pengguna (user experience testing)
3. Penilaian kelancaran navigasi dan kejelasan instruksi
4. Pengujian performa dan stabilitas sistem
5. Validasi akurasi algoritma adaptif dan chatbot
6. Pengujian integrasi antar-komponen

Pengujian melibatkan kelompok kecil siswa dan guru untuk mendapatkan umpan balik awal tentang kegunaan, efektivitas, dan kepuasan pengguna (Cavanagh et al., 2020).

8.7 Refinement

Melakukan revisi berdasarkan masukan pengguna awal (guru dan siswa) dengan fokus pada:

1. Perbaikan bug dan masalah teknis yang ditemukan
2. Penyederhanaan UI/UX agar lebih intuitif dan mudah digunakan
3. Optimasi konten berdasarkan umpan balik pembelajaran
4. Peningkatan performa untuk perangkat dengan spesifikasi rendah (low-end devices)
5. Penyesuaian tingkat kesulitan dan urutan materi
6. Penambahan fitur berdasarkan kebutuhan yang teridentifikasi

Proses refinement dilakukan secara iteratif dengan siklus pengujian dan perbaikan berkelanjutan hingga mencapai standar kualitas yang diharapkan.

Metodologi ini memastikan bahwa produk dikembangkan dengan dasar ilmiah pendidikan, relevansi teknologi, dan keterlibatan pengguna nyata. Pendekatan iteratif memungkinkan perbaikan berkelanjutan dan penyesuaian berdasarkan data empiris dan umpan balik pengguna (Rich & Hodges, 2017).

Referensi

Barbieri, C., Miller-Cotto, D., & Booth, J. L. (2020). Lessening the load of misconceptions: Design-based principles for algebra learning. Journal of the Learning Sciences, 29(2), 160–188. https://doi.org/10.1080/10508406.2019.1646650

Bishop, M. J., Boling, E., Elen, J., & Svihla, V. (Eds.). (2020). Handbook of research in educational communications and technology (5th ed.). Springer.

Casal-Otero, L., Catala, A., Fernández-Morante, C., Taboada, M., Cebreiro, B., & Barro, S. (2023). AI literacy in K-12: A systematic literature review. International Journal of STEM Education, 10(1), Article 29. https://doi.org/10.1186/s40594-023-00418-7

Cavanagh, T., Chen, B., Lahcen, R. A. M., & Paradiso, J. R. (2020). Constructing a design framework and pedagogical approach for adaptive learning in higher education: A practitioner’s perspective. International Review of Research in Open and Distributed Learning, 21(1), 173–197. https://doi.org/10.19173/irrodl.v21i1.4557

Celik, I., Dindar, M., Muukkonen, H., & Järvelä, S. (2022). The promises and challenges of artificial intelligence for teachers: A systematic review of research. TechTrends, 66(4), 616–630. https://doi.org/10.1007/s11528-022-00715-y

Chen, X., Zou, D., Xie, H., Cheng, G., & Liu, C. (2024). Gamification in education: A systematic review of systematic reviews. Educational Technology Research and Development, 72(2), 891–926. https://doi.org/10.1007/s11423-024-10345-2

Chiu, T. K., Meng, H., Chai, C. S., King, I., Wong, S., & Yam, Y. (2021). Creation and evaluation of a pretertiary artificial intelligence (AI) curriculum. IEEE Transactions on Education, 65(1), 30–39. https://doi.org/10.1109/TE.2021.3085878

Cortez, C. (2018). Microlearning: A time for change. ATD Press.

Feldman-Maggor, Y., Barhoom, S., Blonder, R., & Tuvi-Arad, I. (2021). Behind the scenes of educational data mining. Education and Information Technologies, 26(2), 1455–1470. https://doi.org/10.1007/s10639-020-10309-x

Garcia-Sanjuan, F., Jurdi, S., Jaen, J., & Nacher, V. (2018). Evaluating a tactile and a tangible multi-tablet gamified quiz system for collaborative learning in primary education. Computers & Education, 123, 65–84. https://doi.org/10.1016/j.compedu.2018.04.011

Gligorea, I., Cioca, M., Oancea, R., Gorski, A. T., Gorski, H., & Tudorache, P. (2023). Adaptive learning using artificial intelligence in e-learning: A literature review. Education Sciences, 13(12), Article 1216. https://doi.org/10.3390/educsci13121216

Grovo. (2015). The science behind microlearning. Grovo Learning Inc.

Hariyanto, Kristianingsih, F. X. D., & Maharani, R. (2025). Artificial intelligence in adaptive education: A systematic review of techniques for personalized learning. Discover Education, 4(1), Article 458. https://doi.org/10.1007/s44217-025-00908-6

Hokanson, B., Clinton, G., Tawfik, A. A., Grincewicz, A., & Schmidt, M. (Eds.). (2018). Educational technology beyond content: A new focus for learning. Springer.

Isiaku, A. S., Johar, M. G. M., & Razak, R. A. (2024). Enhancing personalized learning with artificial intelligence: Implementation challenges from educators’ perspective in vocational education. Information and Learning Sciences, 125(7/8), 456–478. https://doi.org/10.1108/ILS-02-2024-0019

Januszewski, A., & Molenda, M. (2008). Educational technology: A definition with commentary. Lawrence Erlbaum Associates.

Kamath, J. (2024). Top 15 microlearning trends to adopt in 2025. EI Design. https://www.eidesign.net/top-15-microlearning-trends-to-adopt-in-2025/

Kandlhofer, M., Steinbauer, G., Hirschmugl-Gaisch, S., & Huber, P. (2016). Artificial intelligence and computer science in education: From kindergarten to university. In Proceedings of the 2016 IEEE Frontiers in Education Conference (pp. 1–9). IEEE. https://doi.org/10.1109/FIE.2016.7757570

Khan, A., Ahmad, F. H., & Malik, M. M. (2017). Use of digital game based learning and gamification in secondary school science: The effect on student engagement, learning and gender difference. Education and Information Technologies, 22(6), 2767–2804. https://doi.org/10.1007/s10639-017-9622-1

Khan, S. A., Gui, N., Khan, M. A., & Zhang, C. (2022). Adaptive learning: From intelligence perspective of effective learning. Frontiers in Psychology, 13, Article 10388. https://doi.org/10.3389/fpsyg.2022.1038088

Kong, S. C., Cheung, W. M. Y., & Zhang, G. (2021). Evaluation of an artificial intelligence literacy course for university students with diverse study backgrounds. Computers and Education: Artificial Intelligence, 2, Article 100026. https://doi.org/10.1016/j.caeai.2021.100026

Kong, S. C., Cheung, W. M. Y., & Zhang, G. (2023). Evaluating artificial intelligence literacy courses for fostering conceptual learning, literacy and empowerment in university students: Refining a learning framework. Computers and Education: Artificial Intelligence, 4, Article 100115. https://doi.org/10.1016/j.caeai.2023.100115

Lee, V. R., Lee, H., Shapiro, R. B., & Thomas, K. (2024). Bringing AI literacy to high schools. Stanford HAI. https://hai.stanford.edu/news/bringing-ai-literacy-high-schools

Liu, H. (2025). Personalized learning support system for special education: A real-time feedback mechanism based on deep reinforcement learning. Frontiers in Psychology, 16, Article 1658698. https://doi.org/10.3389/fpsyg.2025.1658698

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). ACM. https://doi.org/10.1145/3313831.3376727

Manzano-León, A., Camacho-Lazarraga, P., Guerrero-Puerta, M. A., Guerrero-Puerta, L., Aguilar-Parra, J. M., Trigueros, R., & Alias, A. (2022). Gamification as a methodological complement to flipped learning—An incident factor in learning improvement. Multimodal Technologies and Interaction, 6(2), Article 12. https://doi.org/10.3390/mti6020012

Manzano-León, A., Rodríguez-Ferrer, J. M., Aguilar-Parra, J. M., Martínez-Martínez, A. M., Luque-de la Rosa, A., Salguero García, D., & Fernández-Campoy, J. M. (2024). Impact of gamification on school engagement: A systematic review. Frontiers in Education, 9, Article 1466926. https://doi.org/10.3389/feduc.2024.1466926

MarketsandMarkets. (2019). Microlearning market by component, deployment type, organization size, application, and region – Global forecast to 2024. https://www.marketsandmarkets.com/Market-Reports/microlearning-market-182812337.html

Moller, L. (2009). Paradigms and perspectives of distance education. In L. Moller, J. B. Huett, & D. M. Harvey (Eds.), Learning and instructional technologies for the 21st century: Visions of the future (pp. 1–18). Springer.

Moller, L., & Huett, J. B. (Eds.). (2012).