Exercise Improves Video Game Performance: A Win–Win Situation
Notice bibliographique
Résumé
PURPOSE: Video gamers exceeding screen-time limits are at greater risk of experiencing health issues associated with physical inactivity. Demonstrating that exercise has positive effects on video game performance could promote physical activity among video gamers. We investigated the short-term effects of a single session of cardiovascular exercise on the performance of the popular video game League of Legends (LoL) and explored psychosocial mechanisms. METHODS: Twenty young video gamers played a customized LoL task preceded by a short bout of high-intensity interval training or a period of rest. The two conditions were administered on two separate days in a randomized counterbalanced fashion. Video game performance was assessed as the total number of targets eliminated as well as accuracy, defined as the ability to eliminate targets using single attacks. Short-term changes in affect after exercise as well as exercise enjoyment were also assessed. RESULTS: Exercise improved (P = 0.027) the capacity to eliminate targets (mean ± SEM, 121.17 ± 3.78) compared with rest (111.38 ± 3.43). Exercise also enhanced accuracy (P = 0.019), with fewer targets eliminated with more than one attack after exercise (1.39 ± 0.39) compared with rest (2.44 ± 0.51). Exercise increased positive affect by 17% (P = 0.007), but neither affect nor exercise enjoyment was associated with total number of targets eliminated or accuracy. CONCLUSION: A short bout of intense cardiovascular exercise before playing LoL improves video game performance. More studies are needed to establish whether these effects are generalizable to other video games, whether repeated bouts have summative effects, and to identify underlying mechanisms.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».