Vocational Congruence for Esports and Gaming Video Content in Post-Secondary Education
Notice bibliographique
Résumé
The video gaming industry has grown reliably year-over-year since its inception in the 1970s. In 2018, video game revenue worldwide peaked at 43.8 billion USD (Shieber, 2019), surpassing the film industry’s 41.1B (McClintock, 2019) by a healthy margin. As gaming’s relevance is cemented and its legitimacy becomes less of a debate, it continues to permeate other areas of the media, including competitive sports and traditional video content. Esports has seen an immense global market growth over the last five years, and as gaming video content continues to establish a strong foothold in streaming media, its influence on a wide range of careers is becoming more and more apparent—most noticeably in the television and film entertainment sector. This research examines and interrogates how the rise of esports and gaming video content (GVC) is poised to change the landscapes of both sports entertainment and streaming video, necessitating the need for integrative content production training, and a shift in emphasis from the traditional application of broadcast media in education. Through The Armoury project—which includes a framework for curriculum change and the introduction of GVC production facilities—it is the aim of this research to provide the necessary insights to inform vocational congruence within university course offerings to better serve students headed towards careers in the field of games and esports media.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,011 | 0,003 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
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 ».