MétaCan
Menu
Retour à la cohorte
Enregistrement W4298005935 · doi:10.2196/35907

Points and the Delivery of Gameful Experiences in a Gamified Environment: Framework Development and Case Analysis

2022· article· en· W4298005935 sur OpenAlexvenueno aff
Sungjin Park, Sang‐Kyun Kim

Notice bibliographique

RevueJMIR Serious Games · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensnon disponible
Organismes subventionnairesInstitute for Information and Communications Technology PromotionNational Research Foundation of KoreaNational Research Foundation
Mots-clésPoint (geometry)Computer scienceSegmentationHuman–computer interactionArtificial intelligenceData scienceMachine learningMathematics

Résumé

récupéré en direct d'OpenAlex

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,563
Score d'incertitude au seuil0,899

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,282
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetEducational Games and GamificationTravaux en français237 207