Affective computing in serious games for physical rehabilitation: Scoping review (Preprint)
Notice bibliographique
Résumé
<sec> <title>BACKGROUND</title> Serious games have become an alternative support for traditional physical therapy. However, many of these games do not address the emotional needs of patients. People with disabilities often experience emotions such as sadness, frustration, and even anger, which can create a barrier to their rehabilitation treatment. </sec> <sec> <title>OBJECTIVE</title> This review aims to identify technologies and methods of affective computing applied in serious games for physical rehabilitation, establish a foundation for future research, and identify areas of opportunity for further exploration. </sec> <sec> <title>METHODS</title> A scoping review was conducted following PRISMA guidelines, using the databases PubMed, ScienceDirect, IEEE Xplore, ACM Digital Library, PEDro, Springer, and Google Scholar. </sec> <sec> <title>RESULTS</title> The initial search yielded 5,293 records, of which 9 articles met the inclusion criteria. Data were systematically extracted from these articles based on predefined research questions. Notably, engagement, tiredness, and pain were the most identified emotions, reported in 50% of the studies. Only three studies applied theoretical frameworks for emotion classification. Facial expression analysis and gesture recognition were the most frequently employed affective computing techniques, yet only two studies implemented adaptive gameplay based on emotional feedback. </sec> <sec> <title>CONCLUSIONS</title> This scoping review revealed that none of the studies validate the benefits of affective computing in the rehabilitation process, suggesting that future work should adopt more rigorous methodological designs. </sec>
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».