MétaCan
Menu
Retour à la cohorte
Enregistrement W7147293485 · doi:10.2196/86054

A Serious Game for Soft Skills Assessment in Human Resources: A Cross-Sectional Within-Participant Convergent Validity Study (Preprint)

2025· article· en· W7147293485 sur OpenAlexvenueno aff
Maxime Boutrouille, Léo Fichet, Jérôme Dinet

Notice bibliographique

RevueJMIR Serious Games · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésConvergent validitySoft skillsSerious gameKey (lock)

Résumé

récupéré en direct d'OpenAlex

Abstract Background Soft skills are increasingly assessed in human resources, but commonly used methods (eg, interviews and self-report questionnaires) have well-known limitations. Serious games have been proposed as a complementary assessment format because they can standardize administration, embed assessment in interactive scenarios, and capture behavioral traces. However, evidence for their psychometric validity remains limited and heterogeneous. Establishing convergent validity against well-established reference instruments is a key step in supporting their use as assessment tools. Objective This study aimed to evaluate the convergent validity of Yuzu, a serious game that assesses (1) active listening via a gamified questionnaire inspired by the Active-Empathic Listening Scale (AELS), (2) decision-making under uncertainty via a gamified adaptation of the Iowa Gambling Task (IGT), and (3) teamwork style via dialogue choices inspired by the SYMLOG (System for the Multiple Level Observation of Groups) model. Methods We conducted a cross-sectional, within-participant convergent validity study in France with 39 adults (n=23 women; mean age 27.79, SD 7.96 y). Participants completed a single laboratory session on a desktop PC with headphones (Yuzu build v2, developed by Yuzu). Participants completed the 3 Yuzu modules and the corresponding reference instruments, administered separately (the AELS, an online IGT via PsyToolkit, and a simplified SYMLOG questionnaire). Primary outcomes were the associations between Yuzu and reference scores for each construct (active listening total score, IGT exploitation-phase net score, and SYMLOG dimension scores). Convergent validity was examined using Spearman correlations (2-sided α=.05). Agreement was additionally examined using Bland-Altman analyses for active listening and equivalence testing using two one-sided tests (TOST) for IGT net scores. Results At α=.05, active listening showed strong convergence between Yuzu and the AELS total score (Spearman ρ=0.890, 95% CI 0.804-0.948; P <.001), with minimal systematic bias (mean difference of 0.024, 95% CI −0.031 to 0.078). Decision-making scores were statistically equivalent across modalities based on TOST. The mean net score difference was 1.35 (90% CI −1.22 to 3.93), within the equivalence bounds [−5,+5] (TOST lower: P =.001; TOST upper: P =.01). Teamwork dialogue scores did not converge with the SYMLOG dimensions (dominance: ρ=−0.070, 95% CI −0.420 to 0.280; P =.69; positivity: ρ=0.082, 95% CI −0.266 to 0.418; P =.64; task orientation: ρ=0.134, 95% CI −0.260 to 0.494; P =.44), consistent with a ceiling effect toward cooperative choices. Conclusions This study provides convergent validity evidence for 2 complementary assessment modalities embedded in a single serious game, showing that a gamified AELS-inspired module and a gamified IGT adaptation can closely match established reference measures while supporting standardized administration. In contrast, the dialogue-choice teamwork module showed limited sensitivity and no convergence, suggesting that interpersonal profiling in serious games may require more discriminating scenario design and stronger controls for social desirability. Unlike many previous studies that evaluated a single game component, this study provides a module-by-module convergent validity blueprint within a single platform by using matched reference instruments, thereby informing both research and human resources deployment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,027
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,027
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,432
Écart entre enseignants0,376 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueJMIR Serious GamesMême sujetEducational Games and GamificationTravaux en français237 207