Effect of Pokémon Go on Self-Harm Using Population-Based Interrupted Time-Series Analysis: Quasi-Experimental Study
Notice bibliographique
Résumé
BACKGROUND: Pokémon Go is a very popular location-based augmented reality game with widespread influences over the world. An emerging body of research demonstrates that playing Pokémon Go can lead to improvements in physical activity and psychosocial well-being; however, whether Pokémon Go reduces self-harm incidence at the population-level is still questionable. OBJECTIVE: This study aimed to quantify how the launch of Pokémon Go in Hong Kong affected the incidence of self-harm using a quasi-experimental design. METHODS: An interrupted time-series design with Poisson segmented regression adjusted for time and seasonality trends was used on data from 2012 to 2018 to detect any changes in the number of accident and emergency attendances due to self-harm, after Pokémon Go was launched. The findings were validated using a baseline control period and using other intentional injuries and minor noninjuries as control outcomes. We also assessed intervention effects by age group. RESULTS: From January 1, 2012 to July 31, 2018, there were 13,463 accident and emergency attendances due to self-harm in Hong Kong. During the period after launching Pokémon Go, self-harm attendances dropped by 34% (adjusted incidence rate ratio: 0.66, 95% CI 0.61-0.73). When analyzed by age group, a reduction in self-harm incidence was only apparent in adults (18 to 24 years of age: adjusted incidence rate ratio: 0.78, P=.02; 25 to 39 years of age: adjusted incidence rate ratio: 0.75, P<.001; 40 years of age and older: adjusted incidence rate ratio: 0.57, P<.001). CONCLUSIONS: Self-harm incidence in the population, particularly in adults, showed a significant decline in the period after Pokémon Go was launched. Augmented reality games such as Pokémon Go show great promise as a tool to enhance psychosocial well-being and improve mental health.
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 | 0,001 |
| 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) | 0,000 | 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 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 ».