Assessing the Importance of Content Versus Design for Successful Crowdfunding of Health Education Games: Online Survey Study
Notice bibliographique
Résumé
Background: Health education games make health-related tasks enjoyable and interactive, thereby encouraging user participation. Entrepreneurs and health educators can leverage online crowdfunding platforms, such as Kickstarter, to transform their innovative ideas into funded projects. Objective: This research focuses on health education game initiatives on Kickstarter. Through an online user survey, it aims to understand user perceptions and evaluate the significance of 8 distinct components that may influence the success of such crowdfunding initiatives. Methods: A total of 75 participants evaluated games using 8 dimensions: game rules, learning objectives, narrative, content organization, motivation, interactivity, skill building, and assessment and feedback. The survey data were analyzed using descriptive statistical analysis, exploratory factor analysis, the Wilcoxon-Mann-Whitney test, and multivariate analysis. Results: Exploratory data analysis showed that, among the 8 dimensions, skill building, content organization, and interactivity were the top-ranking dimensions most closely associated with crowdfunding health education game. The 8 dimensions can be grouped into 3 categories from the exploratory factor analysis: game content-, instruction-, and game design-related components. Further statistical analysis confirmed the correlation between these dimensions with the successful crowdfunding of health education games. Conclusions: This empirical analysis identified critical factors for game proposal design that can increase the likelihood of securing crowdfunding support.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».