Gamification in Child and Adolescent Health: Trends, Applications, and Policy Relevance for Mental Well-Being, Physical Activity, and Nutrition
Notice bibliographique
Résumé
Aim: This study presents a bibliometric analysis of the use of gamification in mental health research (GMHR), aiming to provide a comprehensive quantitative evaluation of publication trends, key contributors, collaboration networks, thematic development, and emerging research themes in this field. Methods: Relevant literature was retrieved from the Scopus database and analyzed using bibliometric tools, including VOSviewer and RStudio. The analysis focused on identifying publication outputs, author collaborations, co-word networks, and thematic evolution from 2013 to 2024. Results: A total of 276 documents were identified, with an annual growth rate of 32.98%. The average number of co-authors per document was 4.99, indicating robust collaborative activity, including international partnerships. Leading contributors included Cheng VWS, Hickie IB, and Fleisch E, who are affiliated with prominent research institutions. Key research themes included gamification, mHealth, anxiety, and ADHD. The findings revealed a dynamic and expanding field responding to contemporary societal mental health needs. Conclusion: Gamification is increasingly being integrated into mental health interventions, showing promise in addressing psychological well-being, particularly among children, adolescents, and individuals with ADHD. Interventions utilizing serious games and mobile health apps have been shown to enhance user engagement, adherence, and cognitive outcomes, especially when targeting anxiety and attention disorders. Empirical studies within the most cited GMHR publications demonstrate effectiveness in areas such as cognitive-behavioral therapy (CBT) delivery, biofeedback-based regulation, and emotion recognition training through game mechanics.
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 | 0,029 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,032 | 0,054 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».