The Relationship Between Cognitive Resource Consumption During Gameplay and Postgame Aggressive Behaviors: Between-Subjects Experiment
Notice bibliographique
Résumé
Background: The question of how video games can shape aggressive behaviors has been a focus for many researchers. Previous research has focused on how violent video game content leads to postgame aggressive behaviors. However, video games not only convey violence or prosocial content to players but also require cognitive effort from individuals. Since human cognitive resources are limited, consuming more cognitive resources in a game leads to less cognitive resources to suppress aggressive impulses. Therefore, the depletion of cognitive resources from playing video games may also lead to changes in postgame aggressive behaviors. Objective: This study aimed to examine the relationship between cognitive resources consumed in video games and postgame aggressive behaviors. Methods: A total of 60 participants (age: mean 20.22; range 18-24 y) were randomly assigned to either the high-load group or the low-load group. Participants from both groups played a video game centered around college life. In the low-load group, participants followed the gameplay instructions to complete it. In the high-load group, participants were given an extra digital memory task to complete while playing the game. Participants in both groups played the video game for about 25 minutes. A maze selection task was then conducted to measure the participants' helping and hurting behaviors. Results: The independent samples 2-tailed t tests showed that the high-load group had significantly higher hurting scores (mean 3.13, SD 2.47) than the low-load group (mean 1.90, SD 2.12; t58=-2.07, P=.04; Cohen d=-0.535), whereas helping behaviors were not significantly affected (t58=1.52, P=.13; Cohen d=0.393). Conclusions: As more cognitive resources are consumed in a video game, more hurting behaviors are exhibited after the game. This finding proposes an alternative route by which video games impact aggressive behaviors, adding to previous theories and raising concerns about the popularity of cognitive training games.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».