Exploring experiences of tilt and ragequitting in competitive and recreational videogamers
Notice bibliographique
Résumé
Gamers refer to tilt as a cyclical phenomenon where performance failures cause negative emotions leading to even poorer performance. When tilt experiences go unresolved, they can lead to ragequitting – an abrupt, and sometimes destructive, early removal of oneself from competition fueled by frustration. Few empirical studies have investigated gamers’ perceptions of these averse affective experiences and their consequences. The purpose of this study was to explore gamers’ experiences of tilt and ragequitting using the process model of emotion regulation as a sensitizing concept. Participants (N = 30; 77% men, 17% women, 3% non-binary, 3% agender, Mage = 25.5) were recruited using purposeful and snowball sampling across three broad categories of videogame engagement: recreational gamers, ranked gamers, and professional/collegiate esports athletes. Semi-structured interview transcripts were analyzed using qualitative description from a critical realist perspective. Participants tended to describe tilt as having a compounding negative “snowball” effect on performance wherein performance failures prompt negative emotions which cloud judgements leading to poorer decisions and more performance failures. Ragequitting was described as the extreme result of an unmitigated bout of tilt, but also as a disdainful act that gamers regard very poorly. Participants described how external factors like pre-game moods, general dispositions, and social identities can influence the onset and trajectory of tilt and ragequitting. The discussion section provides insight into how practitioners can prevent performance failures and negative emotions from compounding on each other when things go awry in competition.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».