Beyond “just” fun: The role of exergames in advancing health promotion and disease prevention
Notice bibliographique
Résumé
Applying innovations in digital health technologies, such as exergames, has been recommended by official bodies like the World Health Organization for health promotion and disease prevention across various populations and age groups. Given a key advantage of interactive and gamified digital health technologies is promoting user engagement, a substantial proportion of studies have implemented recreational exergames - games primarily designed to make specific activities more fun and entertaining. In this article, we aim to move beyond the benefits of "just" providing a more engaging environment for physical and motor-cognitive activities/exercises by shedding light on serious exergame features that enhance the ecological validity of exercises and offer unique advantages for tailoring interventions beyond conventional approaches. To this end, we review the roles and mechanisms of specific exergame features in supporting adherence to relevant behavior change, neuroscience, and exercise science principles, and integrate our findings into the 'Beyond "Just" Fun of Exergames Framework'. This framework (i) implements a definition and classification approach to harmonize and provide more nuanced terminology for specific application scenarios of exergame technologies, and (ii) delineates best practices for the theoretically grounded selection and implementation of exergame features in health promotion and primary through tertiary disease prevention (including rehabilitation). By introducing this framework, we aim to support a paradigm shift by guiding game designers, researchers, and exercise and therapy practitioners from entertainment-centered recreational solutions towards serious exergames that are purposefully designed with adequate theoretical underpinnings, thereby unlocking the full potential of exergame-enhanced interventions for individuals and public health needs.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».