Notice bibliographique
Résumé
Employed almost synonymously with disinformation and misinformation, fake news refers to the increasing discourse of misconfigured news and information being shared online which has prompted global concern. Calls for digital literacy have come from researchers, governments, and public interest groups who developing an array of resources for the public. Games are one intervention. This article explores what it refers to as ‘fake news games’. Not focusing on a specific game genre, it considers video games that discuss or present fake news as central to their play or design. This paper evaluates how fake news is being presented in games and asks how the concept understood across these games. By analyzing the content, skills, and goals in these games, it situates fake news alongside digital literacy skills to see how the term is being re-framed by the medium of games. Twenty-two games were studied from a larger sample collected in late 2020. Through play analysis of twenty-two fake news video games collected in 2020 this paper provides an overview of game’s that discuss fake news. Games were play-tested and recorded to see the range of content, skills and central themes that were invoked in these games. These led to findings discussing the design, core premise, and general discourse around fake news that was promoted through play. The findings in this article offer value for future directions of discussion and game design focused on fake news. By pointing to gaps and differences in games in the field, this article offers potential information for designers while also highlighting how fake news is re-framed by these games. It emphasizes which points of interest around fake news are commonly being brought up, and points to future design and implementation considerations for scholars and designers.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».