Identifying Video Game Preferences Among Adults Interested in Quitting Smoking Cigarettes: Survey Study
Notice bibliographique
Résumé
BACKGROUND: Smoking is the most prevalent cause of morbidity and mortality in the United States. Although most individuals who smoke express a desire to quit smoking, only a small percentage are successful. Serious games have become popular in health sectors as a potential avenue for delivering a scalable treatment that is both accessible and engaging for the smoking population. Several smoking cessation games have already been developed, but these games feature a broad range of gameplay elements and are not necessarily based on existing video game preferences in the general or smoking population. OBJECTIVE: To better inform treatment development, this study aims to evaluate video game genre preferences among treatment-seeking individuals who smoke (N=473). METHODS: Participants responded to a screening survey to enroll in a larger, serious game intervention for smoking cessation. During this screening survey, participants were asked to disclose their favorite video games, which resulted in 277 unique game titles. These titles were coded for genre categories based on publisher listings and game features. The genres were then analyzed for the frequency of reporting overall and across age groups. RESULTS: Action, Role-Playing, and Action-Adventure were the most reported genres among adults aged ≤34 years; Action, Action-Adventure, and Logic were the most reported genres among adults aged 35-44 years; and Logic and Action were the most reported genres among adults aged ≥45 years. CONCLUSIONS: These data indicate that treatment-seeking individuals who smoke have different game preferences across age groups, and the data provide novel information to inform the development of future serious games targeting the smoking population that are tailored to the preferences of their age group. TRIAL REGISTRATION: ClinicalTrials.gov NCT03929003; https://clinicaltrials.gov/ct2/show/NCT03929003.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».