The experience of videogame tilt, moods, and well-being in daily gamers: An ecological momentary assessment.
Notice bibliographique
Résumé
People often play videogames to unwind from stress or to improve their skills and outperform opposing players. However, like in sports, underperforming can give rise to profoundly negative affective experiences. Gamers describe the phenomenon of tilt as a compounding cycle of performance failures and negative emotions. Playing videogames for mood-repair and competitive-gratification motives has been found to predict tilt frequency cross-sectionally (Bonk & Tamminen, 2022), but no research has yet examined gamers’ day-to-day experiences of tilt and emotions. The purpose of this study was to examine the motivational antecedents, emotional correlates, and psychosocial costs of experiencing tilt in gamers’ daily lives using ecological momentary assessment. Gamers (N = 82) were recruited online and completed up to 7 daily surveys for 7 days (nresponses = 749). Generalized estimating equations with exchangeable correlation structures were used to account for the clustered and non-normal nature of the data. Playing videogames for competitive gratification motives was found to be a stronger predictor of tilt intensity (b = .20, p < .001) than mood management motives (b = .11, p = .017). Of all assessed in-game emotions, tilt intensity was most strongly associated with experiencing anger (b = .69, p < .001). Higher tilt intensity in a gaming session also predicted more negative post-game mood valence (b = -.12, p = .008) and lower post-game general well-being (b = -.005, p = .015). Though playing videogames is generally enjoyable, these findings highlight the potential psychosocial consequences when frustration and failures interact giving rise to tilt.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».