Lessons Learned from Gamifying Functional Fitness Training Through Human-Centered Design Methods in Older Adults
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: The design of meaningful and enjoyable Exergames for fitness training in older adults possesses critical challenges in matching user's needs and motivators with game elements. These challenges are often due to the lack of knowledge of seniors' game preferences and technology literacy as well as a poor involvement of the target population in the design process. Objective: This research aims at describing a detailed and scrutinized use case of applying human-centered design methodologies in the gamification of fitness training routines and illustrates how to incorporate seniors' feedback in the game design pipeline. Materials and Methods: We focus on how to use the insights from human-centered inquiries to improve in-game elements, such as mechanics or esthetics, and how to iterate the game design process based on playtesting sessions in the field. Results: We present a set of four Exergames created to train the critical functional fitness areas of older adults. We show how through rapid prototyping methods and multidisciplinary research, Exergames can be rigorously designed and developed to match individual physical capabilities. Moreover, we propose a set of guidelines for the design of context-aware Exergames based on the lessons learned. Conclusion: We highlight the process followed; it depicts 19 weeks of various activities delivering particular and actionable items that can be used as a checklist for future games for health design projects.
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 | 0,004 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,000 |
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