MétaCan
Menu
Retour à la cohorte
Enregistrement W4400086129 · doi:10.2196/49029

Gamification in Mobile Apps for Children With Disabilities: Scoping Review

2024· article· en· W4400086129 sur OpenAlexaffvenue
Ebrahim Mahmoudi, Paul Yejong Yoo, Ananya Chandra, Roberta Cardoso, Carlos Denner dos Santos, Annette Majnemer, Keiko Shikako‐Thomas

Notice bibliographique

RevueJMIR Serious Games · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensHospital for Sick ChildrenMcGill UniversityUniversité de SherbrookeMcGill University Health CentreCentre for Interdisciplinary Research in Rehabilitation
Organismes subventionnairesnon disponible
Mots-clésMobile appsInternet privacyPsychologyComputer scienceHuman–computer interactionWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Children with disabilities face numerous challenges in accessing health services. Mobile health is an emerging field that could significantly reduce health inequities by providing more accessible services. Many mobile apps incorporate gamification elements such as feedback, points, and stories to increase engagement and motivation; however, little is known about how gamification has been incorporated in mobile apps for children with disabilities. OBJECTIVE: This scoping review aims to identify and synthesize the existing research evidence on the use of gamification in mobile apps for children with disabilities. Specifically, the objectives were to (1) identify the categories of these mobile apps (eg, treatment and educational) (2), describe the health-related outcomes they target, (3) assess the types and levels of gamification elements used within these apps, and (4) determine the reasons for incorporating gamification elements into mobile apps. METHODS: We searched MEDLINE, PsycINFO, CINAHL, Embase, the ACM Digital Library, and IEEE Xplore databases to identify papers published between 2008 and 2023. Original empirical research studies reporting on gamified mobile apps for children with disabilities that implemented at least 1 gamification strategy or tactic were included. Studies investigating serious games or full-fledged games were excluded. RESULTS: A total of 38 studies reporting on 32 unique gamified mobile apps were included. Findings showed that gamified apps focus on communication skills and oral health in children with autism spectrum disorder while also addressing self-management and academic skills for other disability groups. Gamified mobile apps have demonstrated potential benefits across different populations and conditions; however, there were mixed results regarding their impact. The gamification strategies included fun and playfulness (23/32, 72%), feedback on performance (17/32, 53%), and reinforcement (17/32, 53%) in more than half of apps, whereas social connectivity was used as a gamification strategy in only 4 (12%) mobile apps. There were 2 main reasons for integrating gamification elements into mobile apps described in 16 (42%) studies: increasing user engagement and motivation and enhancing intervention effects. CONCLUSIONS: This scoping review offers researchers a comprehensive review of the gamification elements currently used in mobile apps for the purposes of treatment, education, symptom management, and assessment for children with disabilities. In addition, it indicates that studies on certain disability groups and examinations of health-related outcomes have been neglected, highlighting the need for further investigations in these areas. Furthermore, research is needed to investigate the effectiveness of mobile-based gamification elements on health and health behavior outcomes, as well as the healthy development of children with disabilities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,835
Score d'incertitude au seuil0,486

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,376
Écart entre enseignants0,352 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetEducational Games and GamificationTravaux en français237 207