The effect of three violent videogame engagement states on aggressive behavior: A partial least squares structural equation modeling approach
Notice bibliographique
Résumé
Debate on violent games and their effect on aggressive behavior remains inconclusive. This study aims to study the predicting role of cognitive, affective, and behavioral engagement states in violent videogames on aggressive behavior, which remains nebulous to date. We visited gaming zones and administered the study survey to collect data from violent videogame users. We collected 208 valid responses that were further analyzed. The present study used SmartPLS (3.3.3) software to perform partial least squares structural equation modeling (PLS-SEM) analysis in two stages. In the first stage, the measurement model assessment reported that cognitive, affective, behavioral, and aggressive behavior proved to be reliable reflective-formative composite constructs. Whereas, the second phase illustrated that cognitive engagement in violent videogames fails to impact aggressive behavior. The other two engagement states (affective and behavioral) in violent games showed a positive impact on aggressive behavior. Our study contributes to aggressive behavior literature by understanding how violent videogame engagement states impact aggressive behavior, which is crucial to recognize aggression so that steps can be taken toward addressing it. This study also contributes methodologically by utilizing the hierarchical component model (HCM) approach to estimate, specify, and validate the hierarchical structure of higher-order constructs (i.e., consumer violent videogame engagement dimensions (cognitive, affective, and behavioral) and aggressive behavior) as reflective-formative composite models.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».