Les mécaniques de jeux de hasard et d’argent dans les jeux mobiles gratuits pour les enfants : d’un modèle économique au conditionnement à l’addiction
Bibliographic record
Abstract
Si de nombreux jeux vidéo sont vendus moyennant un certain montant, le modèle d’affaire des jeux gratuits (free-to-play) s’est rapidement imposé au cours de la dernière décennie. Or ce modèle, qui est basé sur la collecte de données personnelles, les microtransactions et le profilage publicitaire, implique des ventes d’items et un temps de connexion le plus étendu possible afin d’accroître les profits. Pour ce faire, différentes stratégies sont utilisées, dont des stratégies dites « persuasives » qui influencent les joueurs et joueuses à demeurer connectés, à dépenser et à revenir fréquemment sur le jeu gratuit. Parmi ces stratégies, les mécaniques de jeux de hasard et d’argent (JHA) sont reconnues pour leur force persuasive et leur pouvoir addictif. Elles sont pourtant de plus en plus présentes au sein des jeux mobiles pour les adultes, mais également ceux pour les enfants. Afin de documenter le phénomène, 249 jeux mobiles gratuits pour enfants ont été analysés pour évaluer la prévalence des mécaniques persuasives et de JHA, leurs formes d’actualisation et leurs types d’intégration dans l’expérience vidéoludique des enfants. Nos résultats démontrent une « gamblification » des jeux mobiles gratuits pour enfants et un conditionnement des comportements qui passe par une normalisation des mécaniques persuasives et de JHA auprès de ce jeune public. La convergence des jeux vidéo avec les JHA se confirme à nouveau avec une focalisation sur des jeux pour un très jeune public. L’article se conclut en prenant acte de ce sérieux enjeu de santé publique en lien avec le bien-être des enfants.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".