Cyber spirituality II: virtual reality and spiritual exploration
Notice bibliographique
Résumé
Video gaming, whether online or via gaming systems, is a highly popular pastime for children and youth. Cartoon Network’s New Generations surveys in the Philippines and India indicate that, of young people aged 7–14 with Internet access, 68% of Filipino children regularly participate in multi-player online games ( Cartoon Network 2007 ) and 53% of Indian children identify multi-player or individual gaming as their favourite online activity ( Demott 2010 ). An eight-year-old Nielson study of online gaming in Europe found that 12–24-year-olds are twice as likely to play online games as other age groups ( Nielson 2003 ) and a more recent study in China reports that 8.1 million Chinese aged 25 years and under comprise one half the total number of Internet users in that country and cite online gaming as a top activity (Youth Mesh 2008 ). Among South Australian children, video game play comprises 19% of their multimedia time ( Olds, Ridley, and Dollman 2006 ) and a Ministry of Education and Training survey in Vietnam ‘showed 70 to 76 percent of primary school children play online games on weekdays’ ( CNN 2010 ). A Canadian study found that boys under 20 are more likely (80%) to play online games than girls in the same age group (20%) and that most play between 12 and 24 hours per week ( Gladwell and Currie 2009 ). The most recent study released in the USA reports that children of 11–14 years old on average spend the most time playing video games each day (85 minutes), but all children aged 8–18 average more than an hour of daily gaming activity (Rideout, Foehr, and Roberts 2010).
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».