使用早期游戏表现数据预测对游戏化认知训练的坚持:朝着即时的坚持促进策略
Yuanying Pang1, Ankita Singh2, Shayok Chakraborty2
1School of Information, Florida State University, Tallahassee, Florida, United States of America.
PloS one
|October 2, 2024
概括
机器学习准确地预测了对游戏化认知训练的坚持. 游戏表现,而不是基线特征,是关键,早期参与和平衡的困难对于老年人持续参与至关重要.
科学领域:
- 认知科学是一种认知科学.
- 机器学习是机器学习.
- 老年学是一门学科.
背景情况:
- 坚持认知训练对于有效性至关重要.
- 游戏化干预提供了持续参与的潜力.
- 预测坚持对于优化培训计划至关重要.
研究的目的:
- 开发一个机器学习模型来预测对游戏化认知训练的坚持.
- 确定关键的游戏绩效指标和基线措施,以预测遵守.
- 评估组合模型,将基线和绩效数据结合起来,用于长期的坚持预测.
主要方法:
- 采用机器学习算法 (逻辑回归,SVM,随机森林) 来预测坚持.
- 使用了前两周的游戏绩效指标和基线特征作为预测指标.
- 通过五倍交叉验证验证模型的稳定性和通用性.
主要成果:
- 游戏绩效指标在预测遵守方面显著超过了基线特征.
- "供应运行"",起"和"哨兵职责"是坚持预测的关键游戏.
- 早期的高成就与持续的坚持有负相关;会话频率与积极相关.
结论:
- 游戏绩效数据为预测和促进遵守提供了有价值的见解.
- 定制的游戏化干预措施可以促进老年人群的长期认知训练坚持.
- 调查结果为提高认知训练参与度的即时策略提供了信息.
