Exploring player cocreation dynamics on the gaming platform: Interplay of goal fulfillments, orchestration actions, and platform affordances
Notice bibliographique
Résumé
Understanding player co-creation dynamics on gaming platforms is crucial for fostering engagement and driving innovation in digital marketing . This study investigates these dynamics on the Roblox platform, proposing an integrated framework that connects platform capabilities with player-driven orchestration actions and the pursuit of diverse goals − a model applicable to various digital marketing contexts. We identify three types of gaming platform affordances and three types of developers’ orchestration actions, ultimately shaping co-creation activities in terms of creative and social engagement . Using web crawling and text mining methodologies, we analyze a large, longitudinal dataset from Roblox developers engaged in co-creation projects. We employ three observable metrics to quantify co-creation activities, applying different perspectives including equality-based, effort-based weighted, and specialized measures of creative and social engagement. Our findings confirm the direct effects of platform affordances and orchestration actions on co-creation activities, with post-hoc analyses revealing goal fulfillment as an important antecedent mechanism. To validate our results, we conducted a two-stage survey with 206 experienced Roblox developers, providing additional robustness to our empirical findings. This research advances our understanding of digital co-creation and offers practical implications for designing more engaging and innovative gaming platforms. As gaming and digital marketing converge, particularly in the evolving metaverse landscape, this study underscores the importance of leveraging co-creation dynamics to enhance user engagement and drive platform growth.
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 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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».