Patterns Among 754 Gamification Cases: Content Analysis for Gamification Development
Notice bibliographique
Résumé
BACKGROUND: Gamification is one of the techniques that applies game elements, such as game mechanics and dynamics, to a nongame context (eg, management, education, marketing, and health care). A variety of methodologies have been published for developing gamification. However, some of these are only usable by people with a certain level of gamification knowledge. People who do not have such knowledge face difficulty in using game mechanics and experiencing enjoyment. To ease their difficulties, a gamification methodology should provide directions for using game mechanics. OBJECTIVE: This study aimed at collecting global gamification cases and determining patterns or differences among the collected cases. METHODS: In total, 754 cases were collected based on 4F process elements, such as play type, playful user experience (PLEX)-based fun factors, and game mechanics. In addition, the collected cases were classified into 6 categories. From the data analysis, basic statistics and correlation analyses (Pearson and Kendall) were conducted. RESULTS: According to the analysis results in PLEX-based fun factors, challenge and completion fun factors formed a large proportion among the 6 categories. In the results of the game mechanics analysis, point, leaderboard, and progress accounted for a large proportion among the 6 categories. The results of the correlation analysis showed no difference or specific patterns in game mechanics (Pearson r>.8, Kendall τ>.5, P<.05) and PLEX-based fun factors (Pearson r>.8, Kendall τ>.7, P<.05). CONCLUSIONS: On the basis of the statistical findings, this study suggests an appropriate number of PLEX-based fun factors and game mechanics. In addition, the results of this study should be used for people who do not have gamification knowledge and face difficulty using game mechanics and PLEX-based fun factors.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».