Hardcore Gamer Profiling: Results from an unsupervised learning approach to playing behavior on the Steam platform

Baumann, Florian; Emmert, Dominik; Baumgartl, Hermann; Buettner, Ricardo

doi:10.1016/j.procs.2018.08.078

Cited by 33 publications

(14 citation statements)

References 24 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…First, means are heavily influenced by extreme scores. While the average esports gameplay hours were ∼7 h per week (Nielsen, 2018), according to more than 700,000 hardcore gamers profiles, a minimum 1-week play time was 20 h (Baumann et al, 2018). The high gameplay hours might pull the mean up so that average hours per week might not be an exact standard of the general frequency.…”

Section: Methodsmentioning

confidence: 99%

Clustering Esports Gameplay Consumers via Game Experiences

Jang

Byon

Pecoraro

et al. 2021

Front. Sports Act. Living

View full text Add to dashboard Cite

This study focuses on “game experiences” in the context of esports gameplay consumption and aims to identify adequate consumer groups based on their esports experience including perceptions of gameplay, watching, and purchasing hardware. The purpose of this study is to identify adequate consumer groups through consumer segmentation. Based on the literature review, a matrix of esports gameplay was proposed based on high/low esports gameplay, viewing esports, and hardware enthusiasm. Four esports gameplay consumer groups are proposed (all-around gamer, conventional player, observer, recreational gamer) based on their prior esports experiences (esports gameplay, viewing esports content via media, and hardware enthusiasm). A total of 699 usable observations were initially collected by the online survey. Eventually, 508 observations were retained (127 for each group) for multivariate analysis of variance and subsequent univariate tests. The findings indicated the four esports gameplay consumer groups were empirically supported. Furthermore, this study found similarities and differences for each group based on the six antecedents of esports gameplay intention. The findings indicated hedonic motivation and price value might be considered general factors that may be applied to all esports consumers. Contrarily, the findings indicated that social influence, habit, effort expectancy, and flow might be suitable for tailored marketing strategies targeting esports consumer groups. Theoretically, the suggested esports experience will contribute to the growing body of knowledge aimed at understanding esports consumers' behavior through the consistent clustering of behavioral prior experience. Practically, the proposed esports consumers' clustering will contribute to more efficient marketing, with spending on more targeted marketing leading to effectively reaching the right people.

show abstract

Section: Methodsmentioning

confidence: 99%

Clustering Esports Gameplay Consumers via Game Experiences

Jang

Byon

Pecoraro

et al. 2021

Front. Sports Act. Living

View full text Add to dashboard Cite

show abstract

“…A következő szempont a játékidő, ez alapján vizsgálták Baumann et al (2018) a Steam -játékokat egybegyűjtő szolgáltató adatait -ahol tíz meghatározó videójátékot írnak le a játszási idő alapján, amelyek kitűntek a megvizsgált 3 537 játék közül. Ezek közé tartozott a Dota 2, Team Fortress 2, Counter-Strike, Sid Meier's Civilization V., Counter-Strike: Source, Counter-Strike: Global Offensive, Garry's Mood, The Elder Scrolls: Skyrim, Call of Duty: Modern Warfare 2, Left 4 Dead.…”

Section: Mikro Szint éS Sportfogyasztás Micro Level and Sport Consuptionunclassified

Az e-sport iparág makro, mezo, mikro gazdasági szinten való elemzése

Szentei

Novák

Paár

2022

View full text Add to dashboard Cite

A TANULMÁNY CÉLJA A technikai fejlődés és a digitalizáció hatására új médiafogyasztási felületek jelentek meg, ezen az új piacon pedig a szórakoztatóipar egy eddig nem létező kínálatot alakított ki, ennek részeként jött létre az e-sport. Az elektronikus játékok és a hozzá tartozó tartalmak aktív és passzív fogyasztása is népszerű a fiatalok között. A kapcsolódó szolgáltatók és a gazdasági környezet felmérése elsődleges fontosságú, ha egy új, fejlődő iparágat szeretnénk vizsgálni, hogy meghatározhassuk azon tényezőket, amelyek befolyással vannak az e-sport iparra. Célunk bemutatni az e-sport tevékenységet gazdasági szempontból vizsgáló, jelenleg fellelhető, mind kvalitatív, mind kvantitatív tudományos kutatásokat, publikációkat. ALKALMAZOTT MÓDSZERTAN Az elérhető és releváns online adatbázis kereső rendszerekben célzottan, azonos keresőszavak (magyar és angol) révén szűkítettük a kutatás fókuszát az alábbiak szerint: (1) esport, e-sport, electronic sport és (2) economy, economics, business, revenue, income, sponsorship. Az adatbázis keresők egy részénél nem volt lehetőségünk szűkíteni a keresésünket a specifikus keresőszavak összekapcsolásával, ott törekedtünk a teljes feldolgozásra, a hógolyó-módszerrel választottunk ki minél több cikket, azok közül, amelyek megjelentek. A fellelhető irodalom áttekintése folyamán részletesen elemeztük azokat a publikációkat, amelyek címében vagy tartalmában megtalálhatóak voltak a fenti keresőszavak. Ezután kizártuk azokat a publikációkat, ahol ezen keresőszavak megléte ellenére tartalmilag mégsem volt releváns információ az e-sport iparággal kapcsolatban. LEGFONTOSABB EREDMÉNYEK Az e-sport iparág az élményalapú gazdaság részeként jellemezhető, egyfajta technológiai és szórakoztató iparági hibridként. Az e-sportot a szórakoztatóipar egy új, erősödő szereplőjeként határozhatjuk meg. A kutatás ideje alatt 33 olyan cikket találtunk, amely gazdasági értelemben foglalkozik az e-sport iparág valamely szegmensével. Feltárásra került a pénz körforgása az e-sport iparágban, ahol a követők/nézők számos terméket és szolgáltatást fogyasztanak: versenyek megtekintése, online és offline belépőjegyek vásárlása, egyéni és csapat támogatások, valamint „merchandising” termékek vásárlása. Cserébe élményeket, tárgyi eszközöket, szoftvereket, tapasztalatokat, valamint a videómegosztó felületeken, feliratkozások általi ajándékokat kaphatnak. GYAKORLATI JAVASLATOK A növekvő bevételek és a nézők számának növekedése miatt érdemes a további kutatások fókuszába helyezni az e-sport egyes szegmenseit, a közvetítésmegosztó szolgáltatókról csekély tudományos munka született eddig, amely a Magyarországon elérhető ilyen szolgáltatók nézőit vizsgálja, ezért ennek vizsgálatát elsődlegesnek gondoljuk.

show abstract

“…ML methods are capable of identifying complex non-linear relationships in large amounts of data. ML approaches are subdivided in three learning categories: supervised, semi-supervised and unsupervised [27]. Supervised approaches consist of two steps for training: In the first step, the data must be labeled as, e.g., "acceptable" and "not acceptable".…”

Section: Introductionmentioning

confidence: 99%

“…This means before learning, the user must know and identify the defects and label them. An unsupervised approach is used without labeling of the data [27,28]. An algorithm tries to identify defects itself.…”

Section: Introductionmentioning

confidence: 99%

A deep learning-based model for defect detection in laser-powder bed fusion using in-situ thermographic monitoring

et al. 2020

Self Cite

View full text Add to dashboard Cite

Additive manufacturing of metal components with laser-powder bed fusion is a very complex process, since powder has to be melted and cooled in each layer to produce a part. Many parameters influence the printing process; however, defects resulting from suboptimal parameter settings are usually detected after the process. To detect these defects during the printing, different process monitoring techniques such as melt pool monitoring or off-axis infrared monitoring have been proposed. In this work, we used a combination of thermographic off-axis imaging as data source and deep learning-based neural network architectures, to detect printing defects. For the network training, a k-fold cross validation and a hold-out cross validation were used. With these techniques, defects such as delamination and splatter can be recognized with an accuracy of 96.80%. In addition, the model was evaluated with computing class activation heatmaps. The architecture is very small and has low computing costs, which means that it is suitable to operate in real time even on less powerful hardware.

show abstract

Hardcore Gamer Profiling: Results from an unsupervised learning approach to playing behavior on the Steam platform

Cited by 33 publications

References 24 publications

Clustering Esports Gameplay Consumers via Game Experiences

Clustering Esports Gameplay Consumers via Game Experiences

Az e-sport iparág makro, mezo, mikro gazdasági szinten való elemzése

A deep learning-based model for defect detection in laser-powder bed fusion using in-situ thermographic monitoring

Contact Info

Product

Resources

About