MétaCan
Menu
Retour à la cohorte
Enregistrement W4387332706 · doi:10.1145/3611037

Prospective Passion and Social Capital within DotA 2 Players

2023· article· en· W4387332706 sur OpenAlexafffund
Daniel Johnson, Julian Frommel, Winnifred R. Louis, Matthew D. Lee, Porntida Tanjitpiyanond, Regan L. Mandryk

Notice bibliographique

RevueProceedings of the ACM on Human-Computer Interaction · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueImpact of Technology on Adolescents
Établissements canadiensUniversity of SaskatchewanUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPassionSocial capitalPsychologySocial psychologySociologySocial science

Résumé

récupéré en direct d'OpenAlex

The Dualistic Model of Passion (obsessive and harmonious passion) can explain motivations for videogame play along with associated outcomes, such as the development of social capital; however, existing research exploring passion and social capital in videogaming has been cross-sectional. In the current study we surveyed players of DotA 2 at three time points, over six months (T1 n=462, T2 n=182, T3 n=115), to explore the stability of passion for DotA 2 over time and how such passion may lead to the development or erosion of social capital. Our key findings include that passion for playing DotA 2 is relatively stable over time and that harmonious passion predicts future bridging social capital, while obsessive passion predicts future bonding social capital. Importantly, our findings suggest the absence of a "slippery slope" scenario in which players who have a healthy pattern of engagement development obsessive passion or problematic play. Equally, however, our findings also suggest that those who are obsessive are unlikely to naturally trend towards a more harmonious style of engagement over time. We consider the implications of our findings for health practitioners, players and videogame developers and identify the differences between our longitudinal findings and the existing cross-sectional research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,008
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,043
Tête enseignante GPT0,350
Écart entre enseignants0,307 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the ACM on Human-Computer InteractionMême sujetImpact of Technology on AdolescentsTravaux en français237 207