Gotta Catch Em' All: The Compelling Act of Creature Collection in Pokemon, Ni No Kuni, Shin Megami Tensei, and World of Warcraft
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
Since the release of the first Pokemon video game(s) in 1996, the need to catch 'em all has captivated players around the world. While the collection of objects, coins, experience, and points has played a significant role in many main stream video games over the years, Pokemon took the concept to a whole new level by enticing players to gather a massive collection of pocket monsters, each with their own unique abilities and aesthetics. This paper attempts to answer what makes this form of collection so compelling through an investigation of four different games where the collection of trainable creatures, used to do battle on behalf of the player's main character, plays a central role: Pokemon X/Y (2013), Ni No Kuni: Wrath of the White Witch (2010), Shin Megami Tensei IV (2013), and World of Warcraft: Mists of Pandaria (2012). Four common themes surrounding creature collection are identified: Immortality, exploration, organization, and specialized knowledge. These themes are uncovered through a close reading of the four above mentioned games through the theoretical lenses of Azuma’s (2009) “Database Animals”, Greenberg et al’s (1986) Terror Management Theory, and McIntosh & Schmeichel’s (2004) social psychological perspective on collectors and collecting. The paper concludes with a discussion of McIntosh & Schmeichel’s (2004) eight steps of the collection process, and argues that the medium of the video game allows for the elimination of half of those steps, partially explaining the popularity of creature collection video games in our postmodern world.
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 | 0,001 | 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 | 0,000 |
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