Current State of Serious Games in Human Trafficking: Evaluation, Gaps, and Future Research Directions
Notice bibliographique
Résumé
Addressing human trafficking is crucial due to its severe impact on human rights, dignity, and well-being. Serious games refer to digital games that are designed to entertain while also accomplishing at least one additional objective, such as learning or health promotion. Serious games play a significant role in raising awareness, training professionals, fostering empathy, and advocating for policy improvements related to human trafficking. In this study, we systematically examine and assess the current landscape of serious games addressing human trafficking to unveil the existing state, pinpoint gaps, and propose future research avenues. Our investigation encompassed academic publications, gray literature, and commercial games related to human trafficking. Furthermore, we conducted a thorough review of evaluation criteria and heuristics for the comprehensive assessment of serious games. Subsequently, incorporating these evaluation metrics and heuristics, the games were subjected to evaluation by both players and experts. Following a combined qualitative and quantitative analysis, the results were deliberated upon, and their implications were expounded. Five serious games related to human trafficking were identified and evaluated using the SGES and EGameFlow scales, along with both game-specific and serious game heuristics. Player and expert evaluations ranked “(Un)TRAFFICKED” and “Missing” as the best-performing games, while “SAFE Travel” received the lowest ratings. Players generally rated the games higher than experts, particularly in usability, feedback, and goal clarity, although the games scored poorly in audiovisual quality and relevance. Experts highlighted deficiencies in motivation, challenge, and learning outcomes. The lack of personalization and the absence of social gaming elements point to the need for more targeted human trafficking games adapted to different demographics, cultures, and player types.
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 | 0,109 | 0,254 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,015 | 0,012 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».