Age-Associated Capacity to Progress When Playing Cognitive Mobile Games: Ecological Retrospective Observational Study
Notice bibliographique
Résumé
BACKGROUND: The decline of cognitive function is an important issue related to aging. Over the last few years, numerous mobile apps have been developed to challenge the brain with cognitive exercises; however, little is currently known about how age influences capacity for performance improvement when playing cognitive mobile games. OBJECTIVE: The objective of this study was to analyze the score data of cognitive mobile games over a period of 100 gaming sessions to determine age-related learning ability for new cognitive tasks by measuring the level of score improvement achieved by participants of different ages. METHODS: Scores from 9000 individuals of different ages for 7 cognitive mobile games over 100 gaming sessions were analyzed. Scores from the first session were compared between age groups using one-way analysis of variance. Mixed models were subsequently used to investigate the progression of scores over 100 sessions. RESULTS: Statistically significant differences were found between age groups for the initial scores of 6 of the 7 games (linear trend, P<.001). Cognitive mobile game scores increased for all participants (P<.001) suggesting that all participants were able to improve their performance. The rate of improvement was, however, strongly influenced by the age of the participant with slower progression for older participants (P<.001). CONCLUSIONS: This study provides evidence to support two interesting insights-cognitive mobile game scores appear to be sensitive to the changes in cognitive ability that occur with advancing age; therefore, these games could be a convenient way to monitor cognitive function over long-term follow-up, and users who train with the cognitive mobile games improve regardless of age.
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 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».