Applying Gamification Principles and Therapeutic Movement Sequences to Design an Interactive Physical Activity Game: Development Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Depression is a severe illness that has accelerated with the spread of COVID-19 and associated lockdowns. As a result, reported physical activity has substantially decreased, further increasing depressive symptoms. OBJECTIVE: This study aims to explain the use of gamification principles to develop content for an interactive physical activity game for depression based on clinically proven depression diagnostic criteria. METHODS: We discuss related work in this field, the game design framework, the users' depression severity, how we customize the contents accordingly, the gradual progression of the game to match exercise principles, and user flow optimization. RESULTS: We provide a brief description of each of the games developed, including instructions on how to play and design aspects for flow, audio, and visual feedback methods. Exergames (interactive physical activity-based games) stimulate certain physical fitness factors such as improving reaction time, endurance, cardiovascular fitness, and flexibility. In addition, the game difficulty progresses based on various factors, such as the user's performance for successful completion, reaction time, movement speed, and stimulated larger joint range of motions. Cognitive aspects are included, as the user has to memorize particular movement sequences. CONCLUSIONS: Mental health issues are linked to behavior and movement; therefore, future physical activity-based interactive games may provide excellent stimulation for inducing user flow, while physical activity can help train various physical fitness factors linked to depression.
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.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle