Using the Behaviour Change Wheel Program Planning Model to Design Games for Health: Development Study
Notice bibliographique
Résumé
BACKGROUND: Games for health are a promising approach to health promotion. Their success depends on achieving both experiential (game) and instrumental (health) objectives. There is little to guide game for health (G4H) designers in integrating the science of behavior change with the art of game design. OBJECTIVE: The aim of this study is to extend the Behaviour Change Wheel program planning model to develop Challenges for Healthy Aging: Leveraging Limits for Engaging Networked Game-Based Exercise (CHALLENGE), a G4H centered on increasing physical activity in insufficiently active older women. METHODS: We present and apply the G4H Mechanics, Experiences, and Change (MECHA) process, which supplements the Behaviour Change Wheel program planning model. The additional steps are centered on identifying target G4H player experiences and corresponding game mechanics to help game designers integrate design elements and G4H objectives into behavioral interventions. RESULTS: We identified a target behavior of increasing moderate-intensity walking among insufficiently active older women and key psychosocial determinants of this behavior from self-determination theory (eg, autonomy). We used MECHA to map these constructs to intervention functions (eg, persuasion) and G4H target player experiences (eg, captivation). Next, we identified behavior change techniques (eg, framing or reframing) and specific game mechanics (eg, transforming) to help realize intervention functions and elicit targeted player experiences. CONCLUSIONS: MECHA can help researchers map specific linkages between distal intervention objectives and more proximal game design mechanics in games for health. This can facilitate G4H program planning, evaluation, and clearer scientific communication.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».