Impact of HEXACO Personality Factors on Consumer Video Game Engagement: A Study on eSports
Notice bibliographique
Résumé
This article aims to uncover novel insights into personality factors and consumer video game engagement modeling. This research empirically validates the role of specific HEXACO personality factors that foster consumer engagement (CE) in electronic sports (eSports) users. Using a survey-based approach, we incorporated the HEXACO 60 items and consumer video game engagement scales for data collection. Data were collected from eSports users, with 250 valid responses. WarpPLS 6.0 was used for partial least squares-structural equation modeling analyses comprising measurement and structural model assessment. The results showed that the reflective measurement model is reliable and sound, whereas the second-order formative measurement model also meets the criteria of indicator weights and collinearity values variance inflation factor (VIF). The results based on the structural model indicate that openness to experience, extraversion, agreeableness, and conscientiousness positively predict CE in eSports. This article is first among others that conceptualizes and validates the HEXACO personality traits as a reflective formative model using the hierarchical component model approach. The research model carries the explanatory capacity for CE in eSports concerning personality dimensions as indicated by the HEXACO model. It highlights the potential benefits of such research especially to marketers who could potentially employ personality modeling to develop tailored strategies to increase CE in video 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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».