Advertisement

¿Modelos de IA para diagnosticar el riesgo de adicción a los videojuegos?

Los videojuegos han sido una forma popular de entretenimiento durante décadas, pero en los últimos años, ha habido una creciente preocupación por el riesgo de adicción a los videojuegos. El trastorno de juego se ha convertido en un tema de investigación importante, y los expertos están buscando formas de identificar y prevenir este problema de salud mental.

Un estudio reciente publicado en el Journal of Behavioral Addictions, ha explorado una conexión única entre los jugadores y sus avatares en los videojuegos.

El vínculo usuario-avatar, o UAB (User-Avatar Bond), se refiere a la relación que un jugador tiene con su personaje en el juego. Desde la identificación con el avatar hasta la inmersión en el mundo del juego, el UAB puede proporcionar información valiosa sobre la salud mental del jugador.

Este estudio utilizó la inteligencia artificial para analizar los datos de jugadores y evaluar si el UAB pudriera predecir el riesgo de trastorno de juego. Los resultados fueron sorprendentes: la inteligencia artificial pudo identificar con precisión a los jugadores que presentaban un riesgo actual y futuro de trastorno de juego, basándose en su vínculo usuario-avatar, edad y años de participación en juegos.

Métodos

En este estudio, se reclutaron 565 jugadores de videojuegos (edad media = 29,3 años; SD = 10,6) para participar en la investigación. Los participantes completaron la Escala de Vínculo Usuario-Avatar (UAB) y el Test de Trastorno de Juego en dos momentos diferentes, con un intervalo de seis meses entre ellos.

Los participantes completaron una serie de cuestionarios y escalas psicométricas, incluyendo la Escala de Vínculo Usuario-Avatar (UAB) y el Test de Trastorno de Juego. Además, se recopilaron datos demográficos y de uso de internet, juegos y redes sociales.

Los datos también se recopilaron a través de un rastreador de actividad física y sueño (Fitbit) y una aplicación de monitoreo móvil llamada Aware Light, que registró el tiempo de pantalla, el número y la duración de las llamadas y los mensajes de texto durante siete días.

Para abordar la pregunta de investigación, se utilizaron técnicas de aprendizaje automático para analizar los datos recopilados. Los datos se dividieron en un conjunto de entrenamiento y un conjunto de prueba, y se utilizaron algoritmos de clasificación, como bosques aleatorios y regresión logística, para identificar patrones en los datos y predecir el riesgo de trastorno de juego.

Resultados

El estudio demostró que los algoritmos de aprendizaje automático pudieron identificar con precisión a los jugadores que presentaban un riesgo actual y futuro de trastorno de juego, basándose en su vínculo usuario-avatar, edad y años de participación en juegos. Los bosques aleatorios fueron el algoritmo más efectivo para predecir el riesgo.

Además, se encontró que la inmersión en el mundo del juego, medida a través del vínculo usuario-avatar, fue el predictor más importante del riesgo. Esto sugiere que la forma en que los jugadores se identifican con sus avatares y se sumergen en el mundo del juego puede estar relacionada con un mayor riesgo de desarrollar un trastorno de juego.

Estos hallazgos ofrecen una visión fascinante de la psicología detrás de los videojuegos y plantean preguntas importantes sobre cómo los jugadores interactúan con sus avatares y cómo esto podría influir en su bienestar mental.

Los hallazgos de este estudio sugieren que el vínculo usuario-avatar en los videojuegos puede proporcionar información valiosa sobre el riesgo de trastorno de juego. La capacidad de los algoritmos de aprendizaje automático para identificar con precisión a los jugadores en riesgo destaca el potencial del UAB como un marcador predictivo de problemas de salud mental en el contexto de los videojuegos.

La relevancia de estos hallazgos radica en su capacidad para mejorar la comprensión de los factores subyacentes al trastorno de juego y para informar estrategias de evaluación y prevención más efectivas.

Los resultados sugieren que el UAB podría ser utilizado como una herramienta de evaluación para identificar a los jugadores en riesgo, lo que podría llevar a intervenciones más tempranas y efectivas.

‌Consideraciones éticas

Si bien estos resultados son prometedores, es importante considerar las cuestiones éticas que se plantean antes de que se pueda implementar la IA para predecir el riesgo de trastorno de juego.

Una de las principales cuestiones éticas es la validez y fiabilidad de la IA. Es importante que la IA sea capaz de diagnosticar correctamente a las personas con trastorno de juego, y que sus resultados sean consistentes. El estudio en cuestión se basó en una muestra relativamente pequeña, y los resultados deben replicarse con muestras más grandes antes de poder sacar conclusiones definitivas sobre la validez y fiabilidad de la IA para este propósito.

Otra cuestión ética es la integridad de los datos. Los datos utilizados para entrenar la IA deben ser íntegros. Esto significa que los datos deben ser representativos de la población a la que se aplicará la IA, y que no deben contener sesgos. El estudio en cuestión utilizó datos autoinformados de los participantes, que pueden estar sesgados.

Finalmente, es importante considerar el impacto social del uso de la IA para predecir el riesgo de trastorno de juego. Por ejemplo, la IA podría utilizarse para etiquetar a las personas como adictas a los videojuegos, lo que podría tener consecuencias negativas para su vida personal y profesional.

Fuentes y recursos de información

Comprobamos el contenido y la veracidad del conocimiento presentado en este artículo a través de nuestro proceso editorial y de verificación de la información, para asegurarnos de que sea preciso y confiable.

Stavropoulos, V., Zarate, D., Prokofieva, M., Van, Karimi, L., Angela Gorman Alesi, Richards, M. A., Bennet, S., & Griffiths, M. D. (2023). Deep learning(s) in gaming disorder through the user-avatar bond: A longitudinal study using machine learning. Journal of Behavioral Addictions, 12(4), 878–894.  DOI:  10.1556/2006.2023.00062

El contenido de este articulo ha sido revisado rigurosamente en su contenido, pertinencia, actualidad y la exactitud de los hechos, se agregan todos los enlaces pertinentes de las fuentes consultadas.  Nos basamos en fuentes actuales y fiables, que se citan en el texto, el contenido se comprueba una vez editado y antes de su publicación.

Advertisement

Deja un comentario

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.