BACKGROUND: Approximately 5%-10% of elementary school children show delayed development of fine motor skills. To address these problems, detection is required. Current assessment tools are time-consuming, require a trained supervisor, and are not motivating for children. Sensor-augmented toys and machine learning have been presented as possible solutions to address this problem.OBJECTIVE: This study examines whether sensor-augmented toys can be used to assess children's fine motor skills. The objectives were to (1) predict the outcome of the fine motor skill part of the Movement Assessment Battery for Children Second Edition (fine MABC-2) and (2) study the influence of the classification model, game, type of data, and level of difficulty of the game on the prediction.METHODS: Children in elementary school (n=95, age 7.8 [SD 0.7] years) performed the fine MABC-2 and played 2 games with a sensor-augmented toy called "Futuro Cube." The game "roadrunner" focused on speed while the game "maze" focused on precision. Each game had several levels of difficulty. While playing, both sensor and game data were collected. Four supervised machine learning classifiers were trained with these data to predict the fine MABC-2 outcome: k-nearest neighbor (KNN), logistic regression (LR), decision tree (DT), and support vector machine (SVM). First, we compared the performances of the games and classifiers. Subsequently, we compared the levels of difficulty and types of data for the classifier and game that performed best on accuracy and F1 score. For all statistical tests, we used α=.05.RESULTS: The highest achieved mean accuracy (0.76) was achieved with the DT classifier that was trained on both sensor and game data obtained from playing the easiest and the hardest level of the roadrunner game. Significant differences in performance were found in the accuracy scores between data obtained from the roadrunner and maze games (DT, P=.03; KNN, P=.01; LR, P=.02; SVM, P=.04). No significant differences in performance were found in the accuracy scores between the best performing classifier and the other 3 classifiers for both the roadrunner game (DT vs KNN, P=.42; DT vs LR, P=.35; DT vs SVM, P=.08) and the maze game (DT vs KNN, P=.15; DT vs LR, P=.62; DT vs SVM, P=.26). The accuracy of only the best performing level of difficulty (combination of the easiest and hardest level) achieved with the DT classifier trained with sensor and game data obtained from the roadrunner game was significantly better than the combination of the easiest and middle level (P=.046).CONCLUSIONS: The results of our study show that sensor-augmented toys can efficiently predict the fine MABC-2 scores for children in elementary school. Selecting the game type (focusing on speed or precision) and data type (sensor or game data) is more important for determining the performance than selecting the machine learning classifier or level of difficulty.
The use of games as interventions in the domain of health care is of-ten paired with evaluating the effects in randomized clinical trials. The iterative design and development process of games usually also involves an evaluation phase, aimed at identifying improvements for subsequent iterations. Since game design theory and theories from associated fields provide no unified framework for designing successful interventions, interpreting evaluation results and for-mulating improvements is complicated. This case study explores an approach of monitoring design decisions and corresponding theories throughout the design and development cycle, allowing evaluation results to be attributed to design decisions. Such an approach may allow the game design and development pro-cess to iterate the game more efficiently towards use in practice.3rd European Conference on Gaming and Playful Interaction in Health Care.
In view of the 75th commemoration of the liberation of World War II, Visit Brabant asked BUas to connect the main heritage locations in the province through storytelling in order to attract more visitors.In 2015, we developed a narrative concept entitled “Crossroads. Life changing stories 40-45”. In 2016, we developed a brand guide which explains storytelling guidelines. In collaboration with Brabant Heritage and Brabant Remembers, in 2017-208, 15 meetings were organized all over the province to collect personal WWII narratives. From over 600 narratives, together with a group of historians, we selected 75 narratives. Under our guidance, these 75 narratives have been rewritten into Crossroads stories by some 20 different authors. Brabant Remembers has launched a marketing campaign and (digital and physical) experiences based on these stories. The aim is to touch visitors and local people emotionally with personal stories from the past, and to offer new ways of interacting with these stories, especially for young people.WhenThe project has been running since 2015. We currently play an advisory role in the development of the Brabant Remembers app (for example augmented reality videos), and in physical products such as the Dilemma Maze and the Stilllevens of Studio Verdult.Partners: Visit Brabant, Brabant Remembers, Erfgoed Brabant, Stichting Crossroads
Mazehunter is een serious game dat kinderen met dyslexie traint en hun zelfvertrouwen versterkt. Het is een innovatief spel, waar de digitale- en fysieke wereld elkaar kruisen. De opdrachten zijn gericht op het versterken van de samenwerking van de hersenhelften en het zelfvertrouwen. Het doel voor het haalbaarheidsonderzoek is: onderzoeken of de het technisch haalbaar is om het doel van de game te behalen. Het doel van Mazehunter is: het zelfstandig trainen van de hersenhelften door kinderen en het behoud van hun zelfvertrouwen.
Sociale media geven organisaties direct toegang tot hun (potentiele) gebruikers en bieden een mogelijkheid om te leren over wat ze willen en bezighoudt en met wie ze in verbinding staan. Veel organisaties staan via bijvoorbeeld Facebook of Twitter op die manier al met hun gebruikers in contact en geen marketingcampagne doet het meer zonder likes en tweets. Steeds meer organisaties gebruiken dan ook sociale media, deels reeds geïntegreerd in marketing, maar deels ook om de boot niet te missen of ?omdat de klant dat vraagt?. Hoeveel ze daarin investeren en dat in de toekomst ook willen blijven doen, hangt af van de effectiviteit van sociale media. Maar wanneer is het effectief, wat bepaalt die effectiviteit en hoe meten we de effectiviteit? Er bestaan inmiddels talloze hulpmiddelen om daartoe de output van sociale netwerken te monitoren en te analyseren (aantallen likes, comments, tweets, etc.). De belofte van effectiviteit schuilt echter met name in het gaandeweg vormgeven en verspreiden van de communicatie in samenwerking met netwerkgebruikers (user generated content, co-creatie, virale of netwerkeffecten). Sociale media zijn echter zo nieuw en in de mix zo complex dat er over de effectiviteit van deze interactieve vorm van communicatie nog weinig bekend is. Het project ?The Network is the Message? ontwikkelt nieuwe kennis en middelen om de werking van sociale media beter te begrijpen en de mogelijkheden ervan beter te benutten. Onze belangrijkste doelgroep is daarbij de communicatieprofessional, voor wie sociale media inmiddels cruciale tools zijn in de uitoefening van hun taak. Hoewel dat in zijn algemeenheid en voor iedereen geldt, lijkt het MKB in het nadeel ten opzichte van multinationals, die meer capaciteit en middelen hebben om met sociale media te experimenteren. In Nederland zijn het vooral de grotere communicatiebureaus die over voldoende mensen en middelen beschikken om de effectiviteit van campagnes systematisch te meten, terwijl het gros van de communicatiebureaus tot het kleinere MKB behoren. Op basis van de in het project verkregen kennis wordt een speciaal op het MKB gerichte toolkit ontwikkeld en beproefd waarmee communicatieprofessionals beter in staat zijn om een sociaal netwerk te activeren en grip te krijgen op de effectiviteit van hun online interactieve communicatie. De hoofdvraag van het project luidt: ?Hoe kan de effectiviteit van communicatie in online sociale netwerken worden beoordeeld en verbeterd?? De deelvragen hebben betrekking op: 1. De potentie van een sociaal netwerk: Wat maakt een sociaal netwerk tot een goed netwerk? Hoeveel respons kan ik verwachten van een netwerk als ik het aanspreek? Hoeveel doorgifte kan ik verwachten? Wat bepaalt deze respons? 2. De werking van een boodschap: Wat zijn de werkzame elementen van een sociale media boodschap? Welke elementen bepalen of een boodschap wel of niet wordt opgepikt en verspreid? 3. Het resultaat van een sociale actie/campagne: Wat is er beoogd met de actie/campagne en is dit doel bereikt? Aantallen likes en tweets zeggen wel iets over de verspreiding van de boodschap, maar hoe moeten we dit interpreteren? Zijn de juiste personen bereikt (precisie)? De antwoorden op deze deelvragen bepalen in samenhang de kans op succes van sociale media communicatie. Het onderzoek bestaat uit een non-experimentele en een experimentele fase. In de non-experimentele fase zullen praktijkcases aan de hand van het activatiepotentieel (netwerkstructuur en gebruikersprofielen) en mogelijke werkzame elementen (gebruikte communicatietechnieken en versnellende variabelen als een tag of video) worden beoordeeld op resultaten (verspreiding en precisie). De bevindingen uit deze non-experimentele fase zullen vervolgens worden gebruikt om in de experimentele fase systematisch het effect van verschillende technieken en versnellers te bepalen. Voor een zinvolle maat van effectiviteit zal het resultaat van een campagne vergeleken worden met het potentieel van het netwerk.
