Harnessing serious games to foster healthier and more sustainable food experiences
Notice bibliographique
Résumé
• Serious Games can increase nutrition knowledge and support healthy eating • Serious Games enhance engagement and promote reflection on food choices • Well-designed Serious Games can also foster sustainability awareness • Serious Games may complement or substitute traditional in-person training In an era of rapid technological advancement, global food systems continue to fall short at addressing complex challenges such as malnutrition, food waste, and sustainability. While policy interventions have partially succeeded in addressing these challenges, persistent citizen behavior and systemic barriers necessitate innovative approaches. This review analyzes the role of serious games (SGs) as innovative tools to support a healthier and more sustainable food sector. We conducted a literature search identifying a total of 270 publications. Bibliometric analysis underscores the great diversity of SGs and their effectiveness. A total of twenty-seven serious games were described. Educational role-playing games, simulation-based planning tools, and persuasive mobile applications have been leveraged to support food behavioral change, nutritional education, resource conservation, and climate-resilient practices. Documented outcomes include a 29% increase in broccoli and 17% in cauliflower consumption, alongside reductions of 25% in French fries and 21% in candy, following gameplay in a nutrition-focused SG for children. Adolescents showed reduced intake of high-energy snacks, while adult women experienced measurable body mass index reductions over 90 days. Games targeting environmental impact achieved a 23% reduction in diet-related carbon emissions.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».