Exploring Playability and Player Experience in Smartphone Games: A Sentiment and Thematic Analysis of Player Reviews
Notice bibliographique
Résumé
The global prevalence and popularity of video gaming continue to rise, with games rapidly advancing in graphics, controls, storylines, and device hardware optimization. Today, video games span a wide range of platforms, including desktops, smartphones, tablets, consoles, virtual reality (VR) headsets, and even smartwatches. Despite platform differences, all games are designed to engage players and foster a positive player experience (PX), driven by diverse motivations. In this digital age, players frequently share feedback through star ratings and descriptive reviews, offering valuable insights into playability and PX. Analyzing this user-generated content is essential for understanding current trends and improving player-centric game design across platforms. This study focuses on smartphone games, motivated by the widespread global use of smartphones. We analyzed 4,595 player reviews from 289 smartphone games across 33 genres on Android and iOS platforms. Our three-step process involved: (1) collecting player reviews, (2) conducting binary sentiment analysis using both machine learning (ML) and lexicon-based approaches, and (3) performing thematic analysis on reviews classified by the best-performing sentiment analysis method. We found that the lexicon-based approach outperformed the machine learning approach, achieving an F1 score of 0.91 compared to the best performing ML model’s F1 score of 0.85. While the thematic analysis approach identified 23 playability and player experience factors grouped into four main categories: in-game advertisements (6 factors), sales and customer service (5 factors), technical issues (9 factors), and game design and gameplay (3 factors). Within the game design and gameplay category, we further identified a total of 34 sub-factors distributed across its three factors i.e., game design (3 sub-factors), gameplay (23 sub-factors), and players’ subjective perspectives (8 sub-factors). This study contributes to the fields of games user research, smartphone games, and player experience through analysis of reasonably large number of player reviews from a significant sample of smartphone games. Further, this work lays the groundwork for more specialized and in-depth research in smartphone gaming domain, thereby deepening our understanding of playability and player experience of smartphone games as well as advancing the notion for a platform-centric game design.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».