MONETIZED COMPETITIVE PEER-TO-PEER SKILL-BASED GAME PLAY–AN INTRODUCTION
Notice bibliographique
Résumé
The COVID pandemic has changed the world in ways, both large and small, forever. One unexpected way the world changed was when live sports suddenly went dark and esports began experiencing attention from betting audiences that were suddenly starving for content.1 Esports also received a second glance from gaming regulators. And, though not exactly suddenly (even though it felt like it), approvals for wagering on esports were granted in a variety of jurisdictions, most notably Colorado and Nevada.2\nA subset of the larger esports environment, peer-to-peer (P2P) skill-based play is hardly a new concept. You can find it in countless activities from basketball pick-up games at the park to arcade games and video games. Though monetized P2P skill-based game play is not novel either, the rise of game platforms allows causal and hyper-casual video game players the chance to wager on their individual performance.\nSkill-based game platforms enable immediate game play that can be either synchronous or asynchronous, allow for the matching of competitors of relatively equal skill, provide the rules for various competitions and tournaments, ensure that they are complied with, and offer a level playing field. One of the most desirable characteristics of P2P competition is the agnostic approach to outcome. Platform providers have no interest in who wins or loses, they simply provide the medium for the competition.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».