Effects of a Personalized Fitness Recommender System Using Gamification and Continuous Player Modeling: System Design and Long-Term Validation Study
Notice bibliographique
Résumé
BACKGROUND: Gamification and persuasive games are effective tools to motivate behavior change, particularly to promote daily physical activities. On the one hand, studies have suggested that a one-size-fits-all approach does not work well for persuasive game design. On the other hand, player modeling and recommender systems are increasingly used for personalizing content. However, there are few existing studies on how to build comprehensive player models for personalizing gamified systems, recommending daily physical activities, or the long-term effectiveness of such gamified exercise-promoting systems. OBJECTIVE: This paper aims to introduce a gamified, 24/7 fitness assistant system that provides personalized recommendations and generates gamified content targeted at individual users to bridge the aforementioned gaps. This research aims to investigate how to design gamified physical activity interventions to achieve long-term engagement. METHODS: We proposed a comprehensive model for gamified fitness recommender systems that uses detailed and dynamic player modeling and wearable-based tracking to provide personalized game features and activity recommendations. Data were collected from 40 participants (23 men and 17 women) who participated in a long-term investigation on the effectiveness of our recommender system that gradually establishes and updates an individual player model (for each unique user) over a period of 60 days. RESULTS: =15.0; P<.001), suggesting that both gamification and personalization have positive effects on the levels of motivation, satisfaction, and preference. Furthermore, qualitative results revealed that a customized storyline was the most requested feature, followed by a multiplayer mode, more quality recommendations, a feature for setting and tracking fitness goals, and more location-based features. CONCLUSIONS: On the basis of these results and drawing from the gamer modeling literature, we conclude that personalizing recommendations using player modeling and gamification can improve participants' engagement and motivation toward fitness activities over time.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».