Press Pause when you Play
Notice bibliographique
Résumé
Games allow players to fulfill the need for competence by providing well-designed, increasingly difficult challenges. To meet these challenges, players repeatedly attempt to achieve objectives---and through this repetition, they improve their game skills. Players are keenly aware of whether they are making progress during these attempts, and they want to get better as quickly as possible. Previous research suggests that one way of improving skill development is by taking breaks between periods of activity (called "spaced practice''). However, there is little knowledge about whether this idea works in games, what the optimal break length is, and whether the effects last. We carried out a study comparing spaced and continuous practice in a Super Hexagon clone, using five-minute play intervals and five break lengths (no break, two minutes, five minutes, ten minutes, one day). We found that spaced practice led to significant gains in performance, particularly for novices. This result shows that players can achieve an immediate improvement in skill development, simply by scheduling short breaks in their play session; designers can also make use of this result by building rest periods into the structure of their games. Our study also indicated that breaks are valuable both in the short and the longer term---in a retention test after one day, all of the groups performed similarly, suggesting that even if a player does not use spaced practice initially, taking a break after the play session can still lead to improvements. Our study provides new information that can aid in the design of practice schedules for perceptual-motor tasks in games.
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 | 0,000 |
| 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) | 0,018 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».