Heuristic Evaluation of an African-centric Mobile Persuasive Game for Promoting Safety Measures Against COVID-19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The COVID-19 pandemic affected the whole world, including the African Population. As the lockdown rules against the spread of COVID-19 pandemic are being eased off and Africans have begun going about their normal daily activities, there is a need for interventions and measures to ensure that they continue to observe the safety guidelines to prevent a second wave of the pandemic. While several interventions are emerging, there is a limited number of games or gamified interventions aimed at raising awareness about these safety guidelines with a specific focus on Africans. Games and gamified applications are popular among Africans especially young people due to their entertainment value. Therefore, we present the design, implementation and heuristic evaluation of a mobile persuasive game, titled COVID Dodge, aimed at raising awareness on the importance of social distancing and other precautionary measures against the spread of the COVID-19. This persuasive game strategically employs popular persuasive features and strategies to increase the attention of Africans towards social distancing and other precautionary measures. The results of the heuristic evaluation (Heuristic Evaluation for Playability) revealed that the game possessed a high level of playability which implies that it would be engaging and enjoyed by users. The result of the persuasive strategy evaluation revealed that 13 out of the 15 strategies we implemented were strongly present in the game. Based on the evaluators' comments, we provided some design consideration and insights for developing persuasive 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.
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 | 0,002 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle