Personalizing health theories in persuasive game interventions to gamer types
Notice bibliographique
Résumé
Persuasive games (PGs) informed by behaviour theories are effective tools for motivating health behaviour. It has been shown that tailoring PGs to the target audience increases their effectiveness. However, most existing studies on how to tailor PGs and gameful systems are focused on people from the Western cultures. There is a paucity of research on how to personalize PGs to the African audience. To advance research in this area, we conducted a large-scale study of 360 game players from Africa to investigate their eating habits and associated determinants of health behaviour to understand how health behaviour relates to their gamer types. We developed models showing the determinants of health behaviour for the seven gamer types identified by BrainHex. Our results show that gamer types play significant roles in the impact of various determinants on the health behaviour of Africans. People high in the achiever gamer type are motivated by perceived susceptibility (what they stand to lose), while daredevils are motivated by perceived benefit (what they stand to gain) from adopting a healthy lifestyle. Self-efficacy emerged as the most effective determinant overall, it influences health behaviour positively for all gamer types. We contribute to Human-Computer Interaction (HCI) research and practice by offering design guidelines for tailoring PGs for health to Africans based on their gamer types.
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 | 0,001 | 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) | 0,001 | 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 ».