Non-Digital Game Playing by Older Adults
Bibliographic record
Abstract
RÉSUMÉ Les jeux sont une activité de loisirs importante qui peut contribuer à la qualité de vie et à l’interaction sociale. Bien qu’il y ait eu de nombreuses recherches sur les effets des jeux vidéo sur la cognition et le comportement, peu de recherches ont exploré des formes non-numériques de jeu qui ne nécessitent pas l’utilisation d’ordinateurs ou de systèmes de jeu, en particulier parmi les personnes âgées. Dans le cadre d’un plus grand sondage sur le jeu, 886 répondants masculins et féminins (≥ 55 ans) ont rempli des questionnaires sur jouant de jeux non-numériques. Les objectifs de l’étude étaient de déterminer les avantages perçus de jouer à jeux non-numériques, ainsi que de déterminer les facteurs socio-démographiques prédictifs des bénéfices perçus. Les résultats de l’enquête indiquent que jouant des jeux non-numériques est courant chez les personnes âgées (73% des répondants). Pour la plupart, les jeux sont de nature sociale: les adultes plus âgés jouent pour s’amuser, mais aussi pour aider à maintenir leur connaissance. Les analyses de régression ont indiqué que divers facteurs socio-démographiques, y compris l’âge, l’éducation, le genre et la race, étaient indépendamment associés aux avantages perçus des jeux. Les résultats soulignent donc l’importance de jouer à jeux non-numériques dans cette population, et suggèrent que les efforts visant à faciliter ces jeux peuvent améliorer les interactions sociales et la qualité de vie.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".