Points and the Delivery of Gameful Experiences in a Gamified Environment: Framework Development and Case Analysis
Notice bibliographique
Résumé
BACKGROUND: Points represent one of the most widely used game mechanics in gamification. They have been used as a means to provide feedback to users. They visually show user performance and are used along with other game mechanics to produce synergy effects. However, using points without analyzing the application environment and targets adversely affects users. OBJECTIVE: This study aims to identify the problems that users encounter when points are applied improperly, to solve problems based on an analysis of previous studies and actual point use cases, and to develop a point design framework to deliver gameful experiences. METHODS: Three problems were identified by analyzing previous studies. The first problem is points that only accumulate. The second is points that emphasize a user's difference from other people. The third pertains to the reward distribution problem that occurs when points are used as rewards. RESULTS: We developed a framework by deriving 3 criteria for applying points. The first criterion is based on the passive acquisition approach and the active use approach. The second criterion is used to classify points as "high/low" and "many/few" types. The third criterion is the classification of personal reward points and group reward points based on segmentation of the reward criteria. We developed 8 types of points based on the derived point design framework. CONCLUSIONS: We expect that some of the problems that users experience when using points can be solved. Furthermore, we expect that some of the problems that arise when points are used as rewards, such as pointsification and the overjustification effect, can be solved. By solving such problems, we suggest a direction that enables a gameful experience for point users and improves the core value delivery through gameful experiences. We also suggest a gameful experience delivery method in the context of the ongoing COVID-19 pandemic.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».