Robustness of performance during domain change in an esport: A study of within-expertise transfer
Notice bibliographique
Résumé
Research on the transfer of skill from the circumstances in which it was learned to partially or completely novel tasks or situations is a foundational topic in the study of learning, memory, education, and expertise. A long history of transfer research has led to the conclusion that skill learning is generally domain specific. One important transfer problem occurs when a domain of expertise undergoes a fundamental shift, as when experts must adapt to changes in technology, rules, or professional practice. Here we examine skill maintenance in StarCraft 2, a video game of skills which undergoes frequent changes due to updates and includes a variety of gameplay options. Of particular interest are two competing predictions about how transfer will interact with expertise in this domain. The first approach emphasizes perceived similarity of the domains and predicts that skilled individuals will exhibit more favourable transfer than novices as these people will know enough to avoid processes, methods, and strategies which no longer apply after a domain change. The second emphasizes maximal adaptation to task constraints and predicts that experts will suffer the most during a domain change because of the loss of exploitable affordances. Neither approach did a good job explaining behaviour after the major game update called 'StarCraft 2: Heart of the Swarm,' perhaps because transfer was generally strong across all players. However, when examining transfer in the context of larger changes to gameplay, transfer seemed slightly better in more experienced players. The theoretical implications of this apparent interaction effect, and of the apparent resilience of more experienced StarCraft 2 players to transfer costs, are discussed.
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 | 0,000 |
| 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 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 ».