Gamification in Stress Management Apps: A Critical App Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: In today's society, stress is more and more often a cause of disease. This makes stress management an important target of behavior change programs. Gamification has been suggested as one way to support health behavior change. However, it remains unclear to which extend available gamification techniques are integrated in stress management apps, and if their occurrence is linked to the use of elements from behavior change theory. OBJECTIVE: The aim of this study was to investigate the use of gamification techniques in stress management apps and the cooccurrence of these techniques with evidence-based stress management methods and behavior change techniques. METHODS: A total of 62 stress management apps from the Google Play Store were reviewed on their inclusion of 17 gamification techniques, 15 stress management methods, and 26 behavior change techniques. For this purpose, an extended taxonomy of gamification techniques was constructed and applied by 2 trained, independent raters. RESULTS: Interrater-reliability was high, with agreement coefficient (AC)=.97. Results show an average of 0.5 gamification techniques for the tested apps and reveal no correlations between the use of gamification techniques and behavior change techniques (r=.17, P=.20), or stress management methods (r=.14, P=.26). CONCLUSIONS: This leads to the conclusion that designers of stress management apps do not use gamification techniques to influence the user's behaviors and reactions. Moreover, app designers do not exploit the potential of combining gamification techniques with behavior change theory.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle