How Gameful Experience Affects Public Knowledge, Attitudes, and Practices Regarding COVID-19 Among the Taiwanese Public: Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: In 2019, with the COVID-19 pandemic sweeping across the globe, public health systems worldwide faced severe challenges. Amid the pandemic, one simulation game, Plague Inc., has received substantial attention. This game has indirectly drawn greater public attention to public health issues by simulating pathogen transmission and disease symptoms. OBJECTIVE: Against this backdrop, this research investigates whether the gameful experience of Plague Inc. has indirectly affected public knowledge, attitudes, and practices (KAP) regarding COVID-19. METHODS: An online survey was conducted through social networking services in Taiwan from May 6-28, 2020. RESULTS: A total of 486 subjects participated in this study, of which 276 (56.8%) had played Plague Inc. This study had several findings. First, participants who had played Plague Inc. demonstrated higher levels of knowledge (P=.03, median 7, IQR 7-8) and attitudes (P=.007, median 8, IQR 7-8) than participants who had not played Plague Inc. (knowledge: median 7, IQR 6-8; attitude: median 7, IQR 6-8). Second, there was a significant correlation between creative thinking (ρ=.127, P=.04) and dominance (ρ=.122, P=.04) in attitude. Finally, there was a significant correlation between creative thinking (ρ=.126, P<.001) and dominance (ρ=.119, P=.049) in practice. CONCLUSIONS: Serious games highlighting the theme of pathogen transmission may enhance public knowledge and attitudes regarding COVID-19. Furthermore, the creative thinking and dominance involved in gameful experiences may act as critical factors in public attitudes and practices regarding COVID-19. These findings should be further verified through experimental research in the future.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».