Catégorisation des pratiques de jeux <i>free‑to-play</i> par une analyse des classes latentes
Bibliographic record
Abstract
Le développement d’Internet et des technologies numériques a conduit à l’expansion du jeu en ligne et de son modèle dominant : les jeux gratuits (free-to-play, F2P). Une large majorité de personnes jouent à ces jeux de manière récréative, mais la pratique de ces jeux peut avoir des effets néfastes pour certains individus vulnérables ou leurs proches. Cette étude fait l’hypothèse que la population des joueurs free-to-play n’est pas un groupe homogène et vise à identifier, à travers une analyse de classes latentes, des sous-groupes de joueurs en fonction de leurs habitudes de jeu et à comparer le risque de problèmes générés par le jeu dans les différents sous-groupes. Un échantillon de 5 062 personnes, représentatif des internautes français âgés de 18 à 65 ans, a été recruté. Les participants ont répondu à une enquête en ligne autoadministrée, comportant une série de questions sur leurs caractéristiques sociodémographiques, leurs habitudes de jeu et les problèmes liés à ces pratiques (IGDS9-SF). L’analyse suggère l’existence de quatre classes de joueurs de jeux F2P : des joueurs avec une pratique peu intensive (classe I, 44,5 % de l’échantillon) ; des joueurs qui jouent peu intensivement, mais avec une plus grande probabilité de pratiquer des jeux d’argent (classe II, 6,5 %) ; des joueurs avec des pratiques de jeu plus intensives (classe III, 33,8 %) et des joueurs intensifs également plus enclins à dépenser de l’argent au cours du jeu et à pratiquer des jeux d’argent (classe IV, 15,2 %). Les résultats indiquent que ces classes ont des profils sociodémographiques différents et que la prévalence de problèmes liés au jeu est plus élevée pour les classes II et III par rapport à la classe I, et pour la classe IV par rapport à toutes les autres classes. La dépense d’argent au cours du jeu associée à une pratique concomitante de jeux d’argent serait un marqueur fort d’une pratique problématique de jeu free-to-play.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".