Are Active Video Games Effective at Eliciting Moderate-Intensity Physical Activity in Children, and Do They Enjoy Playing Them?
Notice bibliographique
Résumé
Background Despite current physical activity (PA) guidelines, children spend an average of 1-3 hours/day playing video games. Some video games offer physically active components as part of gameplay. We sought to determine if these active video games (AVGs) can elicit at least moderate PA in children, identify game elements important for PA, and determine if they are fun to play. Methods Twenty children aged 8 to 16 years underwent cardiopulmonary exercise testing to determine their heart rate (HR) at ventilatory threshold. Participants played 2 different AVGs, and the gaming time that each participant's HR was above the HR thresholds for moderate and vigorous PA was determined. Gameplay elements that supported or inhibited active gameplay were also identified. Participants also completed questionnaires on physical activity, game engagement, and game experience. Results The Dance Central Spotlight and Kung-Fu for Kinect AVGs produced at least moderate PA, for a mean of 54.3% ± 29.5% and 87.8% ± 21.8% of gameplay time, respectively. Full-body movements, player autonomy, and self-efficacy were observed to be important elements of good AVG design. Although participants enjoyed these AVGs, they still preferred their favorite games (game engagement score of 1.82 ± 0.67 vs 0.95 ± 0.70 [ Dance Central Spotlight ] and 1.39 ± 0.37 [ Kung Fu for Kinect ]). Conclusions AVGs can provide at least moderate PA and are enjoyable to play, but most popular video games do not incorporate active components. The implementation of government policies and a rating system concerning PA in video games may help address the widespread sedentary lifestyle of children.
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) | 0,001 | 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 | 0,001 |
| 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 ».