Development of the Saini-Hodgins Addiction Risk Potential of Games (SHARP-G) Scale: An International Delphi study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background and Objectives: As the gaming industry experiences exponential growth, concerns about gaming disorder (GD) also grow. It is crucial to understand the structural features of games that can interact with individual characteristics of gamers to promote GD. This research consolidates the views of an international body of panelists to create an assessment tool for gauging the addictive potential of distinct games. Methods: Utilizing the iterative and structured Delphi method, an international panel of researchers, clinicians, and people with lived experience were recruited to offer a multifaceted viewpoint on the addictive risk associated with specific structural elements in games. Two rounds of surveys facilitated consensus. Results: The panel initially included 40 members-ten from research, eight from clinical settings, and 22 with lived experiences. The second round included 27 panelists-seven from research, eight from clinical settings, and 11 with lived experiences. The study identified 25 structural features that contribute to potentially addictive gaming patterns. Discussion and Conclusions: Consensus was found for 25 features, which were distilled into a 23-item evaluation tool. The Saini-Hodgins Addiction Risk Potential of Games Scale (SHARP-G) consists of five overarching categories: 'Social,' 'Gambling-Like Features,' 'Personal Investment,' 'Accessibility,' and 'World Design.' SHARP-G yields a total score indicating level of addiction risk. A case study applying the scale to three games of differing perceived risk levels demonstrated that that score corresponded to game risk as expected. While the SHARP-G scale requires further validation, it provides significant promise for evaluating gaming experiences and products.
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.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle