Social Exergames in Health and Wellness: A Systematic Review of Trends, Effectiveness, Challenges, and Directions for Future Research
Notice bibliographique
Résumé
Exergames are becoming increasingly popular and have shown potential for motivating physical activity. Past research suggests that social (multiplayer) exergames offer players an engaging experience and good aerobic exercises. Our systematic review summarizes existing work and identifies gaps, trends, and patterns on social exergame research in the domain of health and wellness. A search was conducted in the ACM Digital Library, IEEE Xplore, and PubMed. After screening 2272 records, we identified 73 studies from 2013 to 2023 that meet the inclusion criteria. Our results reveal that step tracking is the most commonly implemented measure of physical activity in social exergames, and that competition, rewards, and cooperation are the most common features used for designing the games. Our results also show that the effectiveness of social exergames is intricately linked to a combination of factors, including group size, player matching, and game features. The main contribution of this paper is (1) an analysis of features and group dynamics employed for designing social exergames, and (2) how game features affect the games’ outcome (both positive and negative) uncovering challenges and opportunities to advance future research in this area. Our findings in the current review provides insights for the design and implementation of social exergaming helping users to experience more socially satisfying game experiences thereby increasing the motivation for exercise, as well as gaining social benefits.
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 | 0,010 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».