Framing Mental Health Within Digital Games: An Exploratory Case Study of Hellblade
Notice bibliographique
Résumé
BACKGROUND: Researchers and therapists have increasingly turned to digital games for new forms of treatments and interventions for people suffering from a variety of mental health issues. Yet, the depiction of mental illness within digital games typically promotes stigmatized versions of those with mental health concerns. Recently, more games have attempted to implement more realistic and respectful depictions of mental health conditions. OBJECTIVE: This paper presents an exploratory analysis of a contemporary game that has the potential to change the way researchers, practitioners, and game designers approach topics of mental health within the context of gaming. METHODS: A case study of Hellblade: Senua's Sacrifice was conducted using frame analysis to show how key design choices for this game present the potential for new ways of approaching games and mental health. RESULTS: A case study of Hellblade's development shows how research-informed collaborative design with mental health practitioners, scientists, and individuals with mental health problems can lead to a realistic depiction of mental illness in games. Furthermore, the use of frame analysis demonstrates how to harness narrative, mechanics, and technology to create embodied experiences of mental health, which has the potential to promote empathetic understanding. CONCLUSIONS: This paper highlights an exemplary case of collaborative commercial game design for entertainment purposes in relation to mental health. Understanding the success of Hellblade's depiction of psychosis can improve serious games research and design. Further research must continue to provide deeper analysis of not only games that depict mental illness, but also the design process behind them.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».