Comparison of EEG biofeedback and visual search strategies during e-sports play according to skill level
Notice bibliographique
Résumé
About 83% of the perceptual information humans receive from the outside world comes through the visual domain, making the tracking of visual information important for the superior performance of e-sports players.In addition, it is known that e-sports players' emotional state during performance affects their results.However, few studies have examined visual search strategies and electroencephalogram (EEG) findings of e-sports players while engaged in e-sports.Therefore, the present study aimed to investigate the characteristics of visual search activity and EEG feedback during first person shooter (FPS) game play, in which the tracking of visual information is important, and to examine the characteristics of different gaming skill levels.Four skilled and five semi-skilled e-sports participants (mean age ± 19.11, SD = 0.99) participated in this study.Gazepoint GP3 (Canada) was used to measure eye movements, and the Sports KANSEI (Littlesoftware Inc., Japan) was used to analyse the emotional state of the participants by using EEG data.The results showed that the skilled e-sports players checked the camera significantly more frequently than the semi-skilled participants.The results of the area of interest (AOI) analysis showed that skilled e-sports players glanced at the friendly team information displayed at the top of the game screen more often than semi-skilled players.Furthermore, it was found that skilled e-sports players had significantly higher average EEG relaxation values during gameplay than semi-skilled players.Thus, the visual search strategy and emotional state while playing e-sports differed according to gaming skill level.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 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 ».