Three Models to Motivational Mechanism Creation for Enhancing the Elderly’s Adherence to Home-Based Recreational Video Games
Notice bibliographique
Résumé
The elderly's inactivity and sedentary lifestyle are the common issues affecting the physical and mental health of the ageing population worldwide. This situation tends to be deteriorating during the quarantine caused by Covid-19 in many countries. Recreational video games, such as exergames and esports, could potentially motivate people of all age groups to stay physically and mentally active through the gamification elements; however, the discussions about the practical motive elements apply to specific elderly groups are still lacking. Meanwhile, recreational video games might require constant innovations to maintain the players' adherence and engagement; however, the existing articles rarely propose systematic approaches/models for extracting the opportunities to optimise the existing motivational mechanisms, not to mention creating new mechanisms. This paper proposes three models that help innovators select the effective motivational mechanism of recreational video games for motivating the elderly above 65 to stay active at home, extract the mechanisms' innovation opportunities, and perform the motivational mechanisms innovation. The paper starts with an extensive literature review to collect the existing motivational mechanisms. Then, the first model is developed for selecting the elderly's most effective motivational mechanisms based on several motivational conditions. The following section generates the second model for extracting the innovation opportunities based on the three characteristics of creativity: novelty, surprisingness, and usefulness. Finally, the third model for optimising and creating the new features of the selected motivational mechanisms is formulated based on the principles of combinational creativity method.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».