انواع چاپ تی شرت [راهنمای 2022]

تا به حال به این فکر کرده اید که چه چیزی در چاپ تی شرت کاربرد دارد؟ مسیر تغییر یک تی شرت ساده به پیراهنی که با شخصیت شما صحبت می کند ساده است. شما می توانید روش چاپ را متناسب با نیازهای شخصی و حرفه ای خود تغییر دهید.

برخی از محبوب‌ترین روش‌های چاپ روی تی‌شرت عبارتند از: تیشرت گیم سایت منبع خرید تیشرت گیم چاپ روی صفحه، چاپ مستقیم روی لباس، تصعید رنگ، چاپ پرس حرارتی، و وینیل‌های قابل انتقال حرارت. در حالی که اینها روش هایی هستند که بر صنعت تسلط دارند، شما چند راه دیگر برای چاپ تصویر روی پیراهن خواهید یافت.

طرح هایی که برای چاپ انتخاب می کنید با توجه به برند شما و آنچه مشتریان شما می خواهند متفاوت است. به دلیل گزینه های مختلف برای چاپ تی شرت، باید تصمیم بگیرید که کدام تکنیک چاپ تی شرت با برند و بازار هدف شما مطابقت دارد.

8 بهترین روش چاپ تی شرت

 چاپ تیشرت

تکنیک های مختلف چاپ تی شرت دارای سطوح مختلف کارایی هستند.

اگر شما یک کسب و کار در مقیاس کوچک هستید که روزانه ده تی شرت چاپ می کنید، یک روش ممکن است کارساز باشد، اما زمانی که صد پیراهن در روز چاپ می کنید، موثر نخواهد بود.

روشی که انتخاب می کنید نیز بسته به متریالی که برای چاپ انتخاب می کنید و تعداد رنگ هایی که می خواهید چاپ کنید متفاوت خواهد بود.

برخی از روش ها اجازه چاپ چند رنگ را می دهند، در حالی که برخی دیگر فقط یک رنگ را مجاز می دانند.

همچنین می خواهید سرمایه گذاری اولیه خرید تجهیزات چاپ را در نظر بگیرید.

با این اوصاف، بیایید به 9 روش برتر برای چاپ تی شرت نگاه کنیم.

1. چاپ روی صفحه

چاپ روی صفحه تکنیکی است که در آن از مش برای انتقال جوهر روی پیراهن استفاده می شود، به جز در مناطقی که توسط یک شابلون مسدود کننده به جوهر نفوذ ناپذیر می شود.

چاپ صفحه به عنوان سریگرافی نیز شناخته می شود.

همچنین یکی از روش هایی است که چاپگرهای حرفه ای مواد را به دلیل ماهیت باکیفیت محصول نهایی ترجیح می دهند.

متوجه خواهید شد که الیاف طبیعی، مانند پنبه، به دلیل سرعت جذب جوهر، هنگام چاپ روی آن بهترین رفتار را دارند.

نحوه چاپ روی تی شرت

برای انجام چاپ روی صفحه به یک نخ مصنوعی مانند مش نایلونی و یک الگو برای چاپ نیاز دارید.

مش نایلونی صفحه نمایش شابلون را در جای خود نگه می دارد و یک رزمی ضد آب فضای منفی را مسدود می کند.

سپس جوهر را با استفاده از یک اسکاج روی صفحه پخش کنید. فضای نگاتیو مسدود شده اجازه می دهد تا چاپ به تی شرت منتقل شود.

با گذشت زمان، شما یک پیراهن با چاپ حرفه ای دارید - پیراهنی که طراحی منحصر به فرد شما را دارد!

چرا چاپ سیلک را انتخاب کنید؟

چاپ سیلک یکی از بهترین و قدیمی‌ترین روش‌های چاپ تی‌شرت است و از آنجایی که طرحی بادوام و پر جنب و جوش را از خود به جای می‌گذارد، یکی از گزینه‌های محبوب باقی مانده است.

این روش چاپ امکان طرح های چند رنگ را فراهم می کند. شما فقط باید برای هر رنگ جدیدی که به چاپ اضافه می کنید صفحه های مختلفی ایجاد کنید.

به نظر می رسد روشی زمان بر است، اما کمترین میزان ضایعات را ایجاد می کند، زیرا شما از همان صفحه نمایش ها و قالب ها بیش از یک بار استفاده مجدد می کنید.

از آنجا که شما چندین صفحه نمایش ایجاد می کنید، می توانید به طور موثر مقادیر زیادی سفارش را حفظ کنید.

اگر طراحی شما به بیش از 4 تا 6 رنگ نیاز دارد و نمی‌بینید که تمام صفحه‌ها را می‌سازید، چاپ سیلک ممکن است بهترین گزینه برای شما نباشد.

مزایای استفاده از چاپ روی صفحه

نسبتا مقرون به صرفه برای تولید سفارشات عمده.

جوهر به عمق لباس جذب می شود و طرح های اشباع و خیره کننده ای را به جا می گذارد.

صفحات ابریشم را می توان مجدداً استفاده کرد و این روش را به صرفه و سازگار با محیط زیست می کند.

سازگار با اکثر پارچه ها (بهترین عملکرد را روی الیاف طبیعی دارد).

طرح ها بادوام هستند.

معایب استفاده از چاپ روی صفحه

جوهرهای استفاده شده برای چاپ روی صفحه، روش را کمی نامرتب می کند.

برای طرح های پیچیده و چند رنگ مناسب نیست زیرا باید برای هر رنگ صفحه نمایش جدیدی ایجاد شود.

برای تسلط نیاز به تمرین دارد.

برای اطمینان از طول عمر، باید در یک منطقه بزرگ و عاری از گرد و غبار نگهداری شود.

شروع چاپ روی صفحه چقدر هزینه دارد؟

این پست به جزئیات در مورد همه چیزهایی که باید در مورد چاپ روی صفحه بدانید و تجهیزات دقیقی که برای شروع به آن نیاز دارید می پردازد.

آنها قیمتی بین 1030 تا 3618 دلار برای شروع کسب و کار چاپ صفحه شما تخمین می زنند.

2. مستقیم به پوشاک (DTG)

مستقیم به چاپ پوشاک

منبع: dtgprintermachine.com

چاپ مستقیم به لباس (DTG) همچنین چاپ جوهر افشان به لباس نیز نامیده می شود و فرآیند چاپ گرافیک بر روی منسوجات است.

از فناوری جوهر افشان برای چاپ هر تصویری بر روی تی شرت استفاده می کند - بنابراین اساساً یک چاپگر تی شرت.

چاپ DTG با چاپ سیلک متفاوت است زیرا می توانید هر چیزی را که می خواهید روی تیشرت خود چاپ کنید.

برخی از چاپگرهای DTG می‌توانند تا 16 میلیون رنگ مختلف را در یک پاس چاپ کنند - در مقابل پاس‌های متعددی که باید با یک صفحه ابریشمی انجام دهید.

جوهر چاپگر به جای اینکه مانند انتقال اتو در بالای آن قرار گیرد، در خود لباس خیس می شود.

اگر DTG را انتخاب می کنید، می خواهید روی یک چاپگر با کیفیت خوب سرمایه گذاری کنید. چاپگرهای بی کیفیت احتمالاً شما را با مشکلات تعمیر و نگهداری و تولید با کیفیت پایین مواجه می کنند.

توجه: من چند سال پیش در زمانی که DTG فقط چند سال بود روی ماشین خودم سرمایه گذاری کردم

https://www.nontoxicprint.com/greentshirtprinting.htm

ترجمه تصاویر شخصیت های انیمه به تصاویر لباس

در این بخش، روشی را برای ترجمه تصویر شخصیت انیمه به تصویر لباس کازپلی پیشنهاد می کنیم. pix2pix مرسوم [11] برای ترجمه‌هایی که شامل تغییرات بزرگ در شکل اشیاء هدف می‌شوند مناسب نیست و بنابراین، همانطور که بخش 4.1 توضیح می‌دهد، در ترجمه تصویر شخصیت انیمه به تصویر cosplay با مشکل مواجه می‌شود. تیشرت انیمه ناروتو کلیک کنید تیشرت انیمه ای دخترانه معماری GAN ما از pix2pix [11] به عنوان ستون فقرات استفاده می‌کند، و ما یک ضرر جدید با تکنیک‌های مفید معرفی می‌کنیم که بخش 4.2 ارائه می‌کند.

خط پایه pix2pix

چارچوب pix2pix از یک ژنراتور G و تشخیص دهنده دامنه Dd تشکیل شده است. مجموعه داده های زوجی از تصاویر آموزشی با {(x,y)} نشان داده می شود، که در آن x یک تصویر شخصیت انیمه و y یک تصویر لباس cosplay است. هدف این بود که تصویر ورودی را با استفاده از بازی Minimax زیر به تصویر هدف نزدیکتر کنیم:

minGmaxDdLGANdomain(G,Dd)+λLL1(G),

(1)

جایی که λ اهمیت دو عبارت را کنترل می کند و تابع هدف LGANdomain(G,Dd) و تابع ضرر L1 LL1(G) به صورت تعریف می شوند.

LGANdomain(G,Dd)=E(x,y)[log(Dd(x,y)]+Ex[log(1−Dd(x,G(x)))],

(2)

LL1(G)=E(x,y)[∥y−G(x)∥1].

(3)

چارچوب pix2pix U-Net [27] را به عنوان G و یک شبکه مبتنی بر پچ و کاملاً کانولوشن [21] را به عنوان Dd پذیرفته است. U-Net یک مسیر انقباضی بین رمزگذار و رمزگشای رمزگذار خودکار معمولی دارد که به تولید تصویر با کیفیت بالا کمک می کند. متمایز کننده قضاوت می کند که آیا وصله های تصویر محلی واقعی یا جعلی هستند، که جزئیات تصاویر تولید شده را بهبود می بخشد.

همانطور که در (1) مشاهده می شود، pix2pix یادگیری مخالف و از دست دادن L1 را ترکیب می کند. به حداقل رساندن اتلاف L1 امکان یادگیری مطابقت اشکال و رنگ‌ها بین دو حوزه تصویری را که ترکیب‌های بصری آن‌ها ارتباط نزدیکی دارند (به عنوان مثال، ساختن تصاویر و تصاویر تقسیم‌بندی معنایی آنها [6]) را می‌دهد. با این حال، در مورد ترجمه از یک تصویر شخصیت انیمه به یک تصویر لباس cosplay، اشکال اشیاء مطابقت ندارند و بنابراین نمی‌توانند به خوبی با از دست دادن L1 ثبت شوند. علاوه بر این، یادگیری خصمانه که بر وصله‌های تصویر محلی تمرکز دارد، توانایی بهبود کیفیت جهانی تصاویر تولید شده را ندارد.

معماری GAN پیشنهادی

برای حل مشکلات فوق با استفاده از چارچوب معمولی pix2pix در کارمان، ما یک معماری جدید GAN با تمایز دامنه بهبود یافته ارائه می‌کنیم (به بخش 4.2.1 مراجعه کنید). برای افزایش کیفیت تولید، GAN ما دارای عملکردهای اضافی است: یک تشخیص دهنده واقعی/جعلی (به بخش 4.2.2 مراجعه کنید) و از دست دادن تطبیق ویژگی (به بخش 4.2.3 مراجعه کنید). ما یک ضرر جدید را پیشنهاد می کنیم که سازگاری بین تصاویر ورودی و خروجی را حفظ می کند (به بخش 4.2.4 مراجعه کنید). تابع هدف نهایی برای آموزش GAN ما در بخش 4.2.5 توضیح داده شده است. شکل 6 معماری کلی GAN های ما را نشان می دهد و شکل 7 معماری تمایزکنندگان ما را نشان می دهد.

شکل 6

شکل 6

مروری بر معماری GAN پیشنهادی

تصویر در اندازه کامل

شکل 7

شکل 7

ساختارهای متمایزکننده مدل ما

تصویر در اندازه کامل

تمایز دامنه بهبود یافته است

برای ترجمه موثر انیمه به واقعی، از دو تکنیک برای بهبود تشخیص دهنده دامنه Dd استفاده شد. اول، برای تثبیت تولید تصویر با کیفیت بالا از سطوح درشت به ریز، ما تمایزگر را به یک معماری چند مقیاسی [37] گسترش دادیم، anime همانطور که در شکل 7 (الف) نشان داده شده است. به طور خاص، با استفاده از سه تمایز (D1، D2 و D3) با ساختارهای شبکه یکسان اما مقیاس‌های تصویر متفاوت، هدف به عنوان یک یادگیری چند وظیفه‌ای اصلاح می‌شود.

minGmaxDdDd∑k=13LGANدامنه(G,Ddk),={Dd1,Dd2,Dd3}.

(4)

حل این مشکل، ژنراتور G را راهنمایی می‌کند تا با حفظ جزئیات دقیق، تصاویری سازگار جهانی تولید کند. ما نرمال سازی طیفی [24] را برای هر تفکیک کننده اعمال کردیم تا محدودیت Lipschitz را برآورده کنیم.

دوم، ما یک نظارت اصلاح شده بر تمایز دامنه طراحی کردیم. تشخیص دهنده دامنه اصلی pix2pix تعیین می کند که آیا یک تصویر ورودی و یک تصویر تولید شده جفت می شوند یا خیر. به طور خاص، با توجه به یک تصویر ورودی، تصویر واقعی زمین (GT) و هر تصویر سنتز شده را به ترتیب درست و نادرست در نظر می‌گیرد. با این حال، این نظارت برای به تصویر کشیدن رابطه بین انیمه و دامنه واقعی بسیار ضعیف است. با الهام از کارهای مرتبط [41]، قضاوت‌های نادرست جدیدی اضافه کردیم: برای هر تصویر ورودی، به تصاویر دیگر برچسب‌های نادرست می‌دادیم، زمانی که آنها لباس واقعی بودند، اما با تصویر واقعی مرتبط با تصویر ورودی مطابقت نداشتند. این نظارت جدید مرتبط/غیر مرتبط می‌تواند انتقال تصویر شخصیت انیمه را به یک تصویر لباس واقعی‌تر و مرتبط‌تر تسهیل کند.

ممیز واقعی/جعلی

با استفاده از تمایز دامنه به تنهایی، تولید تصاویر با تغییرات شکل قابل توجه، مانند ترجمه از شخصیت های انیمیشن به تصاویر لباس، دشوار است. این به این دلیل است که تمایز کننده دامنه فقط تعیین می کند که آیا دو تصویر ورودی مرتبط یا غیر مرتبط هستند و در کیفیت تصویر تولید شده تخصص ندارد. برای بهبود کیفیت تصویر، ما نیاز به استفاده از یک تفکیک کننده داشتیم که کیفیت تصویر تولید شده را بررسی می کرد که به آن تشخیص دهنده واقعی/جعلی می گویند [41]. آخرت، واقعی/فاke discriminator به عنوان Dr.

مانند تمایز کننده دامنه بهبودیافته، این تشخیص دهنده واقعی/جعلی نیز باید به تولید تصویر با کیفیت بالا کمک کند. در اینجا، برای حفظ سازگاری محلی، ما یک تفکیک کننده وصله چند مقیاسی مشابه ساختار گزارش شده در [30] پیشنهاد می کنیم. همانطور که در شکل 7 (ب) نشان داده شده است، تفکیک کننده وصله چند مقیاسی ما سه وصله مختلف را خروجی می دهد: نقشه های ویژگی 1 × 1، 13 × 13، و 61 × 61. این متمایز کننده های مختلف به ترتیب Dr1، Dr2 و Dr3 نشان داده می شوند. استفاده از چندین اندازه وصله امکان ثبت جزئیات ریز و ساختارهای درشت را در تصویر فراهم می کند. GAN تصاویر را از طریق بازی Minimax زیر تولید می کند:

minGmaxDrDr∑k=13LGANواقعی/جعلی(G,Drk),={Dr1,Dr2,Dr3},

(5)

که در آن تابع هدف LGANreal/fake(G,Dr) توسط داده می شود

Ey[log(Dr(y))]+Ex[log(1-Dr(G(x)))].

(6)

ما همچنین نرمال سازی طیفی را برای هر تمایز اعمال کردیم.

از دست دادن تطبیق ویژگی

از دست دادن تطبیق ویژگی در ابتدا توسط [37] ارائه شد تا تصویری نزدیکتر به تصویر واقعی مربوطه ایجاد کند. برای یک جفت معین از تصاویر واقعی و سنتز شده، به عنوان تلفات L1 بین خروجی های لایه میانی یک تشخیصگر محاسبه می شود. ما D(i) را به عنوان لایه i-ام تشخیص دهنده تعیین کردیم. در روش پیشنهادی، از دست دادن تطبیق ویژگی بر اساس تمایزگر دامنه و از دست دادن تطبیق ویژگی بر اساس تشخیص‌دهنده واقعی/جعلی به صورت زیر تعریف می‌شوند:

LFMdomain(G,Dd)=E(x,y)∑i=1TNi[∥∥D(i)d(x,y)−D(i)d(x,G(x))∥∥1],

(7)

LFMreal/fake(G,Dr)=E(x,y)∑i=1TNi[∥∥D(i)r(y)−D(i)r(G(x))∥∥1]،

(8)

که در آن T تعداد کل لایه ها است و Ni تعداد عناصر هر لایه را نشان می دهد [37].

شکل 8

شکل 8

بررسی اجمالی محاسبه تلفات سازگاری ورودی، که بر اساس از دست دادن L1 ماتریس استخراج شده از لایه های میانی تفکیک کننده است.

تصویر در اندازه کامل

از دست دادن ثبات ورودی

در وظیفه ما، ژنراتور باید تصاویر واقعی لباس تولید می کرد که اطلاعات دقیق شکل و رنگ تصاویر شخصیت های انیمیشن اصلی خود را حفظ می کرد. برای حفظ سازگاری بین تصاویر ورودی و تصاویر خروجی مربوطه آنها، ما روشی را برای به حداقل رساندن تفاوت بین آنها پیشنهاد می کنیم که از دست دادن ثبات ورودی نامیده می شود. شکل 8 نمای کلی محاسبات ما را نشان می دهد. همانطور که نشان داده شده است، ما تلفات L1 را در تمام لایه های میانی به صورت زیر محاسبه کردیم:

Linputreal/fake(G,Dr)=Ex∑i=1TNi[∥∥D(i)r(x)−D(i)r(G(x))∥∥1].

(9)

شکل 9

شکل 9

ساختار ژنراتور U-Net ما. (تصویر: ساکای واکانا، تاری تاری)

تصویر در اندازه کامل

آموزش

در نهایت، با استفاده از U-Net به عنوان مولد که ساختار آن در شکل 9 نشان داده شده است، هدف کامل ما بر اساس ترکیبی از اهداف GAN، تطبیق ویژگی ها، و تلفات سازگاری ورودی به شرح زیر محاسبه شد.

 minG(maxDd,Dr(∑3k=1LGANdomain(G,Ddk)+∑3k=1LGANreal/fake(G,Drk))+∑3k=1LFMdomain(G,Ddk)+∑3k=1Linputreal/fake(G,Drk) +λLL1(G)).

(10)

آموزش GAN های مبتنی بر تصاویر با وضوح بالا اغلب منجر به مشکل گرادیان می شود و زمان محاسبات زیادی را می طلبد. برای کاهش این مشکل، ما از یک طرح درشت به ریز برای آموزش GAN استفاده کردیم [13]. این طرح به‌تدریج هم مولد و هم متمایزکننده را رشد می‌دهد: با شروع تصاویر با وضوح پایین، لایه‌های جدیدی اضافه کردیم که جزئیات با وضوح بالاتر را با پیشرفت آموزش معرفی کردیم. اثربخشی این طرح درشت به ریز نیز در آزمایش‌ها مورد بررسی قرار گرفت.

ارزیابی تجربی

جزئیات پیاده سازی

ما مجموعه داده را به 32608 تصویر آموزشی و 3025 تصویر آزمایشی تقسیم کردیم. همه شبکه‌ها با استفاده از بهینه‌ساز Adam [14] با نرخ یادگیری اولیه 0.0002 = α و پارامترهای مومنتوم β1 = 0.5 و β2 = 0.99 روی دو پردازنده گرافیکی NVIDIA RTX 2080Ti آموزش دیدند. پس از 70 دوره، نرخ یادگیری α به صورت خطی در طول 30 دوره بعدی کاهش یافت. وزن اولیه از توزیع نرمال با میانگین صفر و انحراف معیار 0.02 نمونه برداری شد. برای جلوگیری از برازش بیش از حد، ما تکنیک‌های افزایش داده زیر را [31] برای تصاویر انیمه ورودی اعمال کردیم: چرخش‌های تصادفی سه درجه، برش تصادفی، و لرزش رنگ و اشباع 0.05. ما همچنین تلنگرهای افقی تصادفی را روی تصاویر لباس اعمال کردیم. برای از دست دادن خصمانه GAN ها، ما از اختلاف مجذور استفاده کردیم، همانطور که برای LSGAN ها پیشنهاد شد [22]. در تمام آزمایش‌ها، ما از λ = 10 در معادله استفاده کردیم. (10) و N1 = 5، N2،3،4 = 1.5، و N5 = 1 در معادلات. (7) و (8).

معیارهای ارزیابی

عملکرد یک سیستم ترجمه جفت تصویر به تصویر باید از دو دیدگاه ارزیابی شود: شباهت های مبتنی بر تصویر و شباهت های مبتنی بر توزیع. اول، چون هر تصویر منبع یک سیستم دارای یک تصویر هدف مربوطه است، تصاویر تولید شده و هدف باید مشابه باشند. ثانیاً، تصاویر تولید شده در همان حوزه را می توان به طور منطقی فرض کرد که از یک توزیع احتمال یکسان نمونه برداری شده اند، بنابراین توزیع های احتمال به دنبال مجموعه تصاویر تولید شده و هدف باید مشابه باشند. نقطه اول و دوم با استفاده از شباهت وصله تصویر ادراکی آموخته شده (LPIPS) [42] و Fréchet Inception d اندازه گیری شد.به ترتیب (FID) [10].

شباهت وصله تصویر ادراکی آموخته شده (LPIPS) [42]: LPIPS میزان مشابه بودن دو تصویر را با استفاده از بردارهای ویژگی استخراج شده از لایه میانی AlexNet [15] تعیین می کند. مقدار LPIPS کمتر به این معنی است که تصویر تولید شده از نظر ادراکی بیشتر شبیه تصویر واقعی است. Footnote2

فاصله شروع فریشت (FID) [10]: با فرض اینکه تصاویر در همان حوزه از یک توزیع احتمال یکسان نمونه برداری می شوند، FID واگرایی بین دو توزیع احتمال را به ترتیب با مجموعه تصاویر تولید شده و هدف اندازه گیری می کند. به طور خاص، FID فاصله Wasserstein-2 بین توزیع‌های تقریبی با گاوسی را محاسبه می‌کند، که با استفاده از بردارهای استخراج‌شده از لایه میانی شبکه‌های اولیه [33] هنگام وارد کردن تصاویر تولید شده و هدف تخمین زده شد. با بهبود سیستم سنتز تصویر، امتیاز FID باید کاهش یابد. آزمایش‌های ما دو مدل Inception v3 را برای محاسبه FID آماده کردند: یک مدل عمومی که با استفاده از ImageNet از قبل آموزش داده شده بود و دیگری که برای یک دامنه مد به‌خوبی تنظیم شده بود. به طور خاص، دومی با استفاده از 289222 تصویر از پایگاه داده DeepFashion [19] آموزش داده شد تا بتواند 50 دسته لباس ریزدانه را در معیار پیش‌بینی رده و ویژگی تشخیص دهد. ویژگی های بصری خاص نمرات محاسبه شده با استفاده از مدل اول و دوم به ترتیب با FID و FIDFashion نشان داده می شوند.

مقایسه پیکربندی های مختلف روش پیشنهادی

جدول 2 مقایسه پیکربندی آموزش. روش پیشنهادی مربوط به پیکربندی (j) است که بهبود را از خط پایه در FID و LPIPS نشان می‌دهد.

جدول اندازه کامل

شکل 10

شکل 10

نتایج تولید تصویر با پیکربندی های مختلف (a)–(i)، که با ردیف های جدول 2 مطابقت دارد. GT مخفف "زمینه حقیقت" است. (تصاویر ورودی عبارتند از: Tsurumaru Kuninaga، Touken Ranbu؛ Sakai Wakana، TARI TARI؛ Sakurauchi Riko، Love Live! Sunshine!!؛ Gamagori Ira، Kill la Kill؛ Ginko، Mushishi؛ Yona، Akatsuki no Yona؛ Kitashirakawa Tamako، Tamako Market; و Tateyama Ayano، پروژه Kagerou)

تصویر در اندازه کامل

برای ارزیابی اثربخشی تکنیک های شرح داده شده در بخش 4.2، چندین پیکربندی از روش پیشنهادی را آزمایش کردیم. جدول 2 نتایج ارزیابی کمی را نشان می دهد. خط مبنا (a) از pix2pix مرسوم [11] استفاده می‌کند، همانطور که در بخش 4.1 توضیح داده شد. در (ب)، طرح درشت به ریز را اضافه کردیم، که در آن اندازه نقشه‌های ویژگی تمایزکننده را از 70 × 70 به 1 × 1 تغییر دادیم. پانوشت4 در (ج)، موقعیت‌های تمام تصاویر لباس را کالیبره کردیم. اثربخشی رویکرد ساخت مجموعه داده ما را تأیید کنید. در (d)، ما تمایز واقعی/جعلی [41] را اضافه کردیم. این تمایز به طور قابل توجهی دو نوع امتیاز FID را در مقایسه با (c) بهبود بخشید. این ژنراتور را قادر می سازد تا تصاویری مشابه تصاویر GT تولید کند. در (e)، جفت‌های غیر مرتبط با برچسب‌های نادرست را به آموزش تمایزکننده دامنه اضافه کردیم. در (f)، ما نرمال سازی طیفی را برای هر تمایز اعمال کردیم، که آموزش را پایدار کرد و به طور قابل توجهی دو نوع امتیاز FID را بهبود بخشید. در (g)، ما از تمایز چند مقیاسی Dd استفاده کردیم. در (h)، ما از متمایز کننده وصله چند مقیاسی Dr استفاده کردیم که نمرات FID را بهبود بخشید. در (i)، ضررهای تطبیق ویژگی LFMdomain (G, Dd) و LFMreal/fake (G, Dr) را اضافه کردیم. اینها به تولید تصاویری کمک کردند که یکپارچگی جهانی و محلی را ثبت کردند و همه معیارهای عملکرد را در مقایسه با (h) بهبود بخشیدند. در نهایت، در (j)، از دست دادن سازگاری ورودی را اضافه کردیم و روش پیشنهادی را تکمیل کردیم. روش ما بهترین امتیازات FID و FIDfashion و همچنین امتیاز LPIPS بهتری را نسبت به پایه بدست آورد. شکل 10 نتایج تولید تصویر لباس هر پیکربندی را برای هشت تصویر آزمایشی نشان می دهد. ما در شکل 10 مشاهده کردیم که افزودن هر تکنیک به معماری به طور موثر کیفیت تصویر را بهبود می بخشد. به طور خاص، همانطور که در شکل 10 (h) و شکل 10 (j) نشان داده شده است، تشخیص دهنده وصله چند مقیاسی Dr و از دست دادن قوام ورودی به توصیف دقیق بافت ها کمک کردند.

مقایسه روش پیشنهادی با روشهای مرسوم

با استفاده از مجموعه داده ساخته شده با رویکرد ما در بخش 3، روش خود را با روش‌های مرسوم زیر مقایسه کردیم:

نحوه کشیدن لباس انیمه

Drawingforall.net در حال حاضر تعدادی دستورالعمل مختلف در مورد نحوه ترسیم انیمه دارد. ما هم دستورالعمل های اولیه در مورد به تصویر کشیدن انیمه و هم دستورالعمل هایی در مورد شخصیت های خاص داریم. تیشرت با طرح انیمه در یک آموزش اخیر نحوه کشیدن بدنه انیمه را توضیح دادیم و اکنون نحوه کشیدن لباس انیمه را نشان می دهیم، زیرا به ندرت مجبور می شویم یکی را بدون دیگری ترسیم کنیم. در زیر نحوه کشیدن لباس انیمه مردانه و نحوه کشیدن لباس انیمه زنانه را نشان می دهیم.

مرحله 1

برای طراحی لباس انیمه مردانه ابتدا باید تمام جزئیات را به شکل اشکال هندسی ساده به تصویر بکشیم. برای گرفتن چنین طرح لباس گشادی از خطوط روشن استفاده کنید.

نحوه کشیدن لباس انیمه مردانه

گام 2

اکنون قابل توجه ترین و مهم ترین جزئیات مانند یقه، کراوات، کمربند و جیب ها را در طراحی لباس خود اضافه کنید. تمام این خطوط و همچنین در مرحله قبل باید بسیار سبک باشند.

نحوه کشیدن لباس انیمه برای مبتدیان

مرحله 3

حالا بیایید طراحی لباس انیمه را با جزئیات بیشتری انجام دهیم. برای انجام این کار، همه را با استفاده از خطوط تیره و واضح ردیابی کنید. دستورالعمل های غیر ضروری را حذف کنید و جزئیاتی مانند جیب ها، پلیسه ها و درزها را اضافه کنید.

آموزش طراحی لباس انیمه

مرحله 4

با افزودن سایه، کشیدن لباس انیمه مردانه را به پایان برسانید. ابتدا خطوط سایه ها را در مکان های مشخص شده در مثال ما ترسیم کنید، سپس خطوط را با استفاده از یک دریچه یکنواخت پر کنید.

نحوه کشیدن لباس انیمه

بنابراین، همانطور که می بینید، کشیدن لباس انیمه مردانه بسیار ساده است. می توانید عناصر را جایگزین کنید، به عنوان مثال با به تصویر کشیدن یک تی شرت همراه با شورت، به جای پیراهن و شلوار. به هر حال، اصل طراحی لباس انیمه مردانه باقی خواهد ماند. اما کشیدن لباس انیمه زنانه کمی دشوارتر است. البته می‌توانید پیراهن و شلوار را روی یک دختر به تصویر بکشید، همانطور که بالاتر می‌بینید، اما در انیمه اغلب دامن، لباس و بلوز روی دختران انیمه دیده می‌شود. و بنابراین در زیر نحوه کشیدن دامن و بلوز انیمه را نشان خواهیم داد.

مرحله 1

بنابراین، برای کشیدن لباس انیمه زنانه، باید خطوط اصلی را با استفاده از خطوط روشن و اشکال هندسی ساده ترسیم کنیم.

نحوه کشیدن لباس انیمه زنانه

گام 2

حالا مهم‌ترین و جدایی‌ناپذیر‌ترین قسمت‌ها مانند باند دور گردن، سرآستین‌ها و چین‌های پایین دامن را اضافه می‌کنیم.

نحوه کشیدن لباس انیمه

مرحله 3

اکنون با استفاده از خطوط روشن و تیره، همه چیز را با خطوط تیره و واضح ردیابی کنید. همانطور که در مثال زیر نشان داده شده است، چین ها و جزئیات اضافی را بکشید.

نحوه کشیدن لباس انیمه

مرحله 4

و مرحله تکمیل که به کمک جوجه کشی ساخته خواهد شد. ابتدا خطوط سایه ها را ایجاد می کنیم و سپس با کمک همین هچینگ این نواحی را پر می کنیم، همانطور که در نمونه لباس انیمه مردانه نشان داده شد.

نحوه کشیدن لباس انیمه

بنابراین در بالا به شما نشان دادیم که چگونه لباس های انیمه بکشید. این درس برای کسانی که می خواهند عمیق تر برای ترسیم انیمه بیاموزند بسیار مهم خواهد بود. سعی کنید جزئیات را تغییر دهید، سعی کنید لباس های انیمه را از دیدگاه های مختلف ترسیم کنید و البته مهم ترین چیز، سعی کنید همین لباس های انیمه را روی شخصیت های انیمه به تصویر بکشید.

لینک سایت منبع

بازی های ویدیویی چگونه بر مغز تاثیر می گذارند

بازی‌های ویدیویی به وضوح یک نوع سرگرمی محبوب است، به طوری که بازی‌بازان مجموعاً 3 میلیارد ساعت در هفته را جلوی نمایشگر خود می‌گذرانند. به دلیل استفاده گسترده از آنها، دانشمندان در مورد چگونگی تأثیر بازی های ویدیویی بر مغز و رفتار تحقیق کرده اند. تیشرت گیمری بیشتر بخوانید تیشرت گیمر آیا این تاثیرات مثبت است یا منفی؟ ما شواهد را بررسی می کنیم.

تحقیقات فزاینده ای بر روی تأثیر بازی های ویدیویی بر مغز متمرکز شده است.

در یک نگاه، بیش از 150 میلیون نفر در ایالات متحده به طور منظم یا حداقل 3 ساعت در هفته بازی های ویدیویی انجام می دهند. میانگین گیمرهای آمریکایی یک بزرگسال 35 ساله است که 72 درصد از گیمرهای 18 ساله یا بالاتر دارند. برای استفاده کودکان از بازی های ویدیویی، اکثر والدین – ۷۱ درصد – نشان می دهند که بازی های ویدیویی تأثیر مثبتی بر زندگی فرزندشان دارد.

فروش بازی های ویدیویی همچنان سال به سال افزایش می یابد. در سال 2016، صنعت بازی های ویدیویی بیش از 24.5 میلیارد بازی فروخت که در مقایسه با 23.2 میلیارد در سال 2015 و 21.4 میلیارد بازی در سال 2014 افزایش یافته است.

سه بازی ویدیویی پرفروش سال 2016 عبارتند از: Call of Duty: Infinite Warfare، Battlefield 1، و Grand Theft Auto V. این بازی ها در ژانرهای تیراندازی اول شخص یا اکشن ماجراجویی قرار می گیرند - دو ژانر برتر با 27.5 بازی. درصد و 22.5 درصد فروش به ترتیب. ژانرهای تیراندازی اول شخص و اکشن اغلب متهم به تحریک پرخاشگری و ایجاد خشونت و اعتیاد هستند.

دهه‌ها تحقیق در مورد بازی‌های ویدیویی و خشونت نتوانسته است بین دانشمندان به توافق برسد. game دانشمندان نتوانسته‌اند ارتباط علی بین بازی‌های ویدیویی و اعمال خشونت‌آمیز در دنیای واقعی پیدا کنند.

بازی های ویدیویی و تغییرات مغزی

با این حال، شواهد رو به رشدی نشان می‌دهد که بازی‌های ویدیویی می‌توانند بر مغز تأثیر بگذارند و علاوه بر این، تغییراتی در بسیاری از مناطق مغز ایجاد کنند.

معتادان به بازی تغییرات عملکردی و ساختاری در سیستم پاداش عصبی دارند.

دانشمندان اخیراً نتایج 116 مطالعه علمی را جمع‌آوری و خلاصه کرده‌اند تا مشخص کنند بازی‌های ویدیویی چگونه می‌توانند بر مغز و رفتار ما تأثیر بگذارند. یافته های بررسی آنها در Frontiers in Human Neuroscience منتشر شد.

«بازی‌ها گاهی ستایش می‌شوند یا اهریمنی می‌شوند، اغلب بدون اینکه داده‌های واقعی پشتیبان آن ادعاها باشد. علاوه بر این، بازی یک فعالیت محبوب است، بنابراین به نظر می رسد همه نظرات قوی در مورد این موضوع دارند.

با نگاهی به تمام تحقیقات تا به امروز، Palaus و تیم هدف خود را بررسی کردند که آیا روندهایی در رابطه با تأثیر بازی های ویدیویی بر ساختار و فعالیت مغز ظاهر شده است یا خیر. در مجموع 22 مطالعه بررسی شده تغییرات ساختاری در مغز را بررسی کردند و 100 مطالعه تغییرات در عملکرد و رفتار مغز را تجزیه و تحلیل کردند.

نتایج مطالعات نشان می دهد که انجام بازی های ویدیویی نه تنها عملکرد مغز ما را تغییر می دهد بلکه ساختار آن را نیز تغییر می دهد.

به عنوان مثال، استفاده از بازی های ویدئویی بر توجه تاثیر می گذارد. مطالعات موجود در این بررسی نشان می‌دهد که بازیکنان بازی‌های ویدیویی در چندین نوع توجه، از جمله توجه پایدار و توجه انتخابی، پیشرفت‌هایی را نشان می‌دهند. علاوه بر این، مناطقی از مغز که در توجه نقش دارند، در گیمرها در مقایسه با غیربازی‌کنندگان کارآمدتر هستند و برای متمرکز ماندن روی کارهای سخت، به فعالیت کمتری نیاز دارند.

شواهد همچنین نشان می‌دهند که انجام بازی‌های ویدیویی اندازه و شایستگی بخش‌هایی از مغز را که مسئول مهارت‌های فضایی بینایی هستند، افزایش می‌دهد - توانایی فرد برای شناسایی روابط بصری و فضایی بین اشیا. در گیمرهای طولانی مدت و افرادی که داوطلبانه برنامه آموزشی بازی های ویدیویی را دنبال کرده بودند، هیپوکامپ سمت راست بزرگ شد.

محققان کشف کرده‌اند که بازی‌های ویدیویی می‌توانند اعتیادآور باشند - پدیده‌ای که به عنوان "اختلال بازی اینترنتی" شناخته می‌شود.

در معتادان به بازی، تغییرات عملکردی و ساختاری در سیستم پاداش عصبی - گروهی از ساختارهای مرتبط با احساس لذت، یادگیری و انگیزه وجود دارد. قرار دادن معتادان به بازی‌های ویدیویی در معرض نشانه‌های مرتبط با بازی که باعث هوس می‌شوند، و نظارت بر پاسخ‌های مغزی آنها، این تغییرات را برجسته کرد - تغییراتی که در سایر اختلالات اعتیادآور نیز دیده می‌شود.

پالاوس می‌گوید: «ما بر نحوه واکنش مغز به قرار گرفتن در معرض بازی‌های ویدیویی تمرکز کردیم، اما این اثرات همیشه به تغییرات زندگی واقعی ترجمه نمی‌شوند. تحقیقات در مورد تأثیرات بازی های ویدیویی هنوز در مراحل ابتدایی خود است و دانشمندان هنوز در حال بررسی دقیق این موضوع هستند که چه جنبه هایی از بازی بر روی مناطق مغز و چگونه تأثیر می گذارد.

Palaus ادامه می‌دهد: «احتمالاً بازی‌های ویدیویی هم جنبه‌های مثبت (در مورد توجه، مهارت‌های بصری و حرکتی) و هم جنبه‌های منفی (خطر اعتیاد) دارند، و ضروری است که این پیچیدگی را بپذیریم.

آیا بازی های آموزشی مغز مفید هستند؟

تیمی از محققان دانشگاه ایالتی فلوریدا اعلام کرده‌اند که مردم باید نسبت به تبلیغاتی که باعث افزایش عملکرد مغز ناشی از بازی‌های تمرین مغز می‌شود، شک داشته باشند. گفته اند علم این ادعاها را تایید نمی کند.

انجام بازی های آموزشی مغز توانایی های شناختی را در افراد مسن بهبود نمی بخشد.

«یافته‌های ما و مطالعات قبلی تأیید می‌کند که شواهد بسیار کمی از این نوع بازی‌ها وجود داردوالی بوت، دانشیار روان‌شناسی، متخصص زوال شناختی مرتبط با افزایش سن، می‌گوید: es می‌تواند زندگی شما را به شیوه‌ای معنادار بهبود بخشد.

مردم به طور فزاینده ای تحت تأثیر این تصور هستند که برنامه های آموزشی مغز از آنها در برابر از دست دادن حافظه یا اختلالات شناختی محافظت می کند.

محققان آزمایش کردند که آیا انجام بازی‌های تمرینی مغز باعث افزایش حافظه کاری بازیکنان و در نتیجه بهبود سایر توانایی‌های شناختی از جمله استدلال، حافظه و سرعت پردازش می‌شود یا خیر. با این حال، این مورد نبود.

نیل چارنس، استاد روانشناسی و یکی از مقامات برجسته در زمینه پیری و شناخت، توضیح می‌دهد: «امکان آموزش افراد برای انجام کارهایی که معمولاً وظایف کلی حافظه کاری را در نظر می‌گیرید، بسیار خوب باشند: حفظ ۷۰، ۸۰، حتی ۱۰۰ رقم».

اما این مهارت ها بسیار خاص هستند و انتقال زیادی را نشان نمی دهند. چیزی که به ویژه سالمندان باید در مورد آن نگران باشند این است که اگر بتوانم در جدول کلمات متقاطع خیلی خوب باشم، آیا این به من کمک می کند تا به یاد بیاورم کلیدهایم کجا هستند؟ و احتمالاً پاسخ منفی است.»

چارنس خاطرنشان می کند که اگر هدف شما بهبود عملکرد شناختی است، ورزش هوازی ممکن است به شما کمک کند. برخی تحقیقات نشان داده اند که فعالیت هوازی به جای فعالیت ذهنی باعث تقویت مغز می شود.

بازی های ویدیویی حافظه را تقویت می کنند

در مقابل، یک مطالعه منتشر شده در Nature نشان داد که از طریق استفاده از یک بازی ویدئویی سه بعدی طراحی شده، عملکرد شناختی می‌تواند در افراد مسن بهبود یابد و برخی از اثرات نامطلوب بر مغز مرتبط با پیری معکوس شود.

مقدار کمی تمرین مغز می تواند زوال مغز مرتبط با افزایش سن را معکوس کند.

دانشمندان دانشگاه کالیفرنیا-سان فرانسیسکو (UCSF) توضیح می‌دهند که این معیاری از حمایت علمی در عرصه تناسب اندام مغز ارائه می‌کند – که به دلیل کمبود شواهد مورد انتقاد قرار می‌گیرد – که آموزش مغز می‌تواند تغییرات معنی‌دار و پایدار را تحریک کند.

پس از 12 ساعت آموزش در طول یک ماه، شرکت کنندگان در مطالعه بین 60 تا 85 سال عملکرد خود را در این بازی بهبود دادند که از افرادی که در دهه 20 زندگی خود برای اولین بار بازی می کردند، پیشی گرفت. علاوه بر این، دو حوزه شناختی مهم دیگر بهبود یافتند: حافظه فعال و توجه پایدار. این مهارت ها 6 ماه پس از اتمام دوره آموزشی آنها حفظ شد.

دکتر آدام گازالی، دکترای دکتر، استادیار عصب‌شناسی، فیزیولوژی و روانپزشکی UCSF و مدیر مرکز تصویربرداری علوم اعصاب، می‌گوید: «این یافته نمونه‌ای قدرتمند از پلاستیکی بودن مغز مسن‌تر است. دکتر Gazzaley خاطرنشان می کند که مایه دلگرمی است که حتی کمی تمرین مغز می تواند برخی از افت مغز را که با افزایش سن رخ می دهد معکوس کند.

مطالعه‌ای که اخیراً توسط عصب‌شناسان دانشگاه کالیفرنیا-ایروین (UCI) انجام شد، نشان داد که انجام بازی‌های ویدیویی سه بعدی می‌تواند شکل‌گیری خاطرات را نیز تقویت کند. شرکت‌کنندگان به گروهی تقسیم شدند که بازی‌های ویدیویی را با محیط دو بعدی یا سه بعدی انجام می‌دادند. پس از انجام بازی‌ها به مدت 30 دقیقه در روز به مدت 2 هفته، به دانش‌آموزان تست‌های حافظه داده شد که هیپوکامپ مغز را درگیر می‌کرد.

شرکت کنندگان در گروه سه بعدی به طور قابل توجهی نمرات آزمون حافظه خود را در مقایسه با گروه دو بعدی بهبود دادند. عملکرد حافظه گروه سه بعدی 12 درصد افزایش یافت - همان مقداری که عملکرد حافظه معمولاً بین 45 تا 70 سالگی کاهش می یابد.

کریگ استارک، از مرکز نوروبیولوژی یادگیری و حافظه UCI می‌گوید: «اول، بازی‌های سه‌بعدی دارای چند چیز هستند که بازی‌های دو بعدی ندارند. «آنها اطلاعات فضایی بسیار بیشتری در آنجا برای کاوش دارند. دوم، آنها بسیار پیچیده تر هستند، با اطلاعات بسیار بیشتری برای یادگیری. در هر صورت، ما می دانیم که این نوع یادگیری و حافظه نه تنها هیپوکامپ را تحریک می کند، بلکه به آن نیاز دارد.

بازی‌های ویدیویی استراتژیک، به‌ویژه، در بهبود عملکرد مغز در میان سالمندان نویدبخش بوده و ممکن است از زوال عقل و بیماری آلزایمر محافظت کنند.

Chandramallika Basak، دستیار می گوید: "اگر هدف بهبود کنترل شناختی، استدلال و مهارت های شناختی بالاتر افراد سالمند و جلوگیری از زوال عقل و بیماری آلزایمر تا زمانی که ممکن است باشد، شاید بازی های استراتژی راهی برای رفتن باشد." استاد مرکز طول عمر حیاتی و دانشکده علوم رفتاری و مغز در دانشگاه تگزاس در دالاس.

بساک، مانند چارنس، موافق است که آموزش شناختی باید پس از برنامه های فعالیت بدنی در جهت بهبود عملکرد شناختی قرار گیرد. برنامه های آمادگی جسمانی با اثرات مثبت بر شناخت و عملکرد و ساختار مغز مرتبط است.

شواهدی وجود دارد که نشان می‌دهد بازی‌های ویدیویی ممکن است یک درمان مناسب برای افسردگی و بهبود حافظه و خلق و خوی بزرگسالان با اختلال شناختی خفیف باشد.

تأثیر بازی‌های ویدیویی بر مغز حوزه جدیدی از تحقیقات است که همچنان مورد بررسی قرار خواهد گرفت. ما ممکن است سطح پتانسیلی را که بازی های ویدیویی می توانند در تقویت توانایی شناختی و جلوگیری از اختلالات شناختی ارائه دهند، از بین ببریم.

لینک سایت منبع

ارتباط بین بازی های ویدئویی و عملکرد روانی

بازی ویدیویی یک فعالیت بسیار محبوب در اوقات فراغت با بیش از دو میلیارد کاربر در سراسر جهان است (Newzoo, 2017). با این حال، رسانه ها و همچنین حرفه ای ها بر خطرات بالقوه بازی های ویدیویی بیش از حد تاکید کرده اند. با تحقیق حاضر، هدف ما روشن کردن رابطه بین بازی های ویدئویی و عملکرد روانشناختی گیمرها بود. پرسشنامه‌هایی در مورد سلامت شخصیت و روان‌شناختی و همچنین عادات بازی ویدیویی برای ۲۷۳۴ نفر (۲۳۷۷ مرد، ۳۵۷ زن، Mage = ۲۳.۰۶، SDage = ۵.۹۱) اجرا شد. تیشرت گیمینگ نتایج نشان داد یک همبستگی منفی متوسط ​​بین بازی‌های ویدیویی مشکل‌ساز و عملکرد روان‌شناختی با توجه به علائم روان‌شناختی، تأثیرپذیری، مقابله و عزت نفس. علاوه بر این، دلایل گیمرها برای بازی و ژانرهای بازی ترجیحی آنها به طور متفاوتی با عملکرد روانشناختی مرتبط بود و قابل توجه ترین یافته ها برای بازیکنان با انگیزه حواس پرتی و همچنین بازیکنان بازی اکشن بود. مطالعات آینده برای بررسی اینکه آیا این خطرات سلامت روانی منعکس کننده علل یا پیامدهای بازی های ویدئویی هستند، مورد نیاز است.

مقدمه

بازی ویدیویی یک فعالیت تفریحی بسیار محبوب در میان بزرگسالان است (مرکز تحقیقاتی پیو، 2018). میزان زمان صرف شده برای بازی های ویدیویی به طور پیوسته افزایش یافته است، از 5.1 ساعت در هفته در سال 2011 به 6.5 ساعت در هفته در سال 2017 (The Nielsen Company, 2017). شناخته شده است که بازی های ویدئویی دارای مزایایی مانند بهبود تمرکز، چندوظیفه و حافظه کاری هستند، اما ممکن است در صورت استفاده زیاد، هزینه هایی نیز به همراه داشته باشد. با گذراندن بخش عمده ای از روز به بازی، بازی کننده های ویدیویی بیش از حد در معرض خطر نشان دادن پیشرفت تحصیلی و شغلی پایین تر، مشکلات با همسالان و مهارت های اجتماعی پایین تر هستند (میهارا و هیگوچی، 2017). از یک طرف، استفاده از بازی های ویدیویی گسترده است و ممکن است با پیش سازهای خاص و همچنین عواقبی همراه باشد. از سوی دیگر، اطلاعات کمی در مورد روابط بین عادات مختلف بازی های ویدئویی و عملکرد روانی وجود دارد. هدف این مطالعه روشن کردن این روابط مهم با استفاده از یک نمونه بزرگ است.

یک بازی ویدئویی به عنوان «بازی ای است که ما به لطف یک دستگاه سمعی و بصری بازی می کنیم و می تواند بر اساس یک داستان باشد» (اسپوزیتو، 2005). در چند سال اخیر، میزان تحقیقات علمی اختصاص داده شده به بازی های ویدیویی افزایش یافته است (به عنوان مثال، فرگوسن، 2015؛ کالورت و همکاران، 2017؛ هاماری و کرونن، 2017). بیشتر مطالعات علمی در این زمینه تحقیقاتی بر گستره بازی های ویدیویی و همبستگی های متنوع آن متمرکز شده اند. در حالی که برخی از محققان بر مزایای بازی کردن تاکید کرده‌اند و حتی استفاده درمانی از بازی‌های ویدیویی را پیشنهاد کرده‌اند (پریماک و همکاران، 2012؛ گرانیک و همکاران، 2014؛ کولدر کاراس و همکاران، 2018)، برخی دیگر مجذوب پتانسیل آن شده‌اند. خطرات (اندرسون و همکاران، 2010؛ مولر و ولفلینگ، 2017).

والدین و متخصصان ممکن است نگران این باشند که کودکان بیش از حد بازی‌شان «معتاد» باشند. با این حال، استفاده مشکل‌ساز و بالقوه اعتیادآور از بازی‌های ویدیویی فراتر از گستره بازی است (در ساعت در هفته؛ Skoric و همکاران، 2009). همچنین شامل مواردی مانند میل شدید، از دست دادن کنترل و پیامدهای منفی بازی بیش از حد است. در حالی که هنوز موضوع بحث است که آیا بازی ویدیویی مشکل ساز باید به عنوان یک اعتیاد رفتاری در نظر گرفته شود، وضعیت آن به عنوان یک اختلال روانی از زمان انتشار DSM-5 در سال 2013 مشخص شده است. در DSM-5، انجمن روانپزشکی آمریکا (2013) اختلال بازی اینترنتی را با معیارهای تشخیصی که ارتباط نزدیکی با اختلال قمار دارد تعریف کرد. به طور کلی، این تصمیم توسط بسیاری از محققان حمایت شده است (به عنوان مثال، پتری و همکاران، 2014) اما باعث ایجاد اختلاف نظر نیز شده است. محققان انتخاب معیارهای تشخیصی و تعریف مبهم ساختار اختلال بازی اینترنتی را مورد انتقاد قرار داده اند، که بازی های آفلاین را از ارتباط با استفاده اعتیادآور حذف می کند (به عنوان مثال، گریفیث و همکاران، 2016؛ بین و همکاران، 2017).

چندین مطالعه، بررسی ادبیات، و متاآنالیز بر روی همبستگی‌های بازی‌های ویدیویی مشکل‌ساز متمرکز شده‌اند، که معمولاً به‌عنوان یک پیوستار با اعتیاد ارزیابی می‌شوند که انتهای بالای مقیاس را مشخص می‌کند (به عنوان مثال، فرگوسن و همکاران، 2011؛ ​​کوس و گریفیث، 2012). . مشخص شده است که میزان استفاده اعتیادآور از بازی های ویدئویی با ویژگی های شخصیتی مانند عزت نفس پایین (کو و همکاران، 2005) و خودکارآمدی پایین (جئونگ و کیم، 2011)، اضطراب و پرخاشگری مرتبط است (مهروف و گریفیث، 2010)، و حتی به علائم بالینی افسردگی و اختلالات اضطرابی (وانگ و همکاران، 2018). پیامدهای بالقوه استفاده از بازی های ویدئویی نیز شناسایی شده است، مانند کمبود دوستان واقعی (کوورت و همکاران، 2014a)، استرس و مقابله ناسازگار (Milani و همکاران، 2018)، بهزیستی روانی-اجتماعی پایین و تنهایی. (لمنز و همکاران، 2011)، مشکلات روان تنی (مولر و همکاران، 2015؛ میلانی و همکاران، 2018)، و کاهش پیشرفت تحصیلی (چیو و همکاران، 2004؛ جنتیله، 2009). اندازه اثر به طور گسترده در مطالعات مختلف متفاوت بوده است (فرگوسن و همکاران، 2011). به نظر می رسد تفاوت های جنسی و سنی در رابطه با رفتار بازی های ویدیویی وجود دارد: مشخص شد که بازی های ویدیویی بالقوه مشکل ساز بیشتر است.احتمالاً در بین مردان نسبت به زنان (به عنوان مثال، گرینبرگ و همکاران، 2010؛ استیوز و همکاران، 2017)، و در میان گیمرهای جوان تر (رهبین و همکاران، 2016).

علاوه بر بررسی استفاده مشکل‌ساز از بازی‌های ویدیویی و ارتباط آن با عملکرد روان‌شناختی، توجه به این موضوع که چرا افراد بازی‌های ویدیویی انجام می‌دهند نیز مرتبط است. بازیکنان به دلایل بسیار متفاوتی از بازی های ویدیویی استفاده می کنند (رایان و همکاران، 2006؛ یی، 2006) مانند اینکه حواس خود را از دردسرهای روزانه پرت کنند یا از روابط اجتماعی که در دنیای مجازی ایجاد کرده اند لذت می برند. مشخص شده است که بازی ویدیویی بالقوه مشکل‌ساز به دلایل مختلفی برای بازی از جمله مقابله و فرار (Hussain and Griffiths, 2009؛ Schneider et al., 2018)، اجتماعی شدن (Laconi و همکاران، 2017) و رضایت شخصی (Ng) مرتبط است. و ویمر هاستینگز، 2005). مقابله (لاکونی و همکاران، 2017)، تعامل اجتماعی و رقابت از جمله دلایل اصلی بازی در میان مردان بود اما نه در میان زنان (لوکاس و شری، 2004). نتایج متفاوتی در رابطه با تفاوت های سنی ظاهر شد (گرینبرگ و همکاران، 2010)، اما به نظر می رسید که گیمرهای جوان تر به ویژه با تعاملات اجتماعی برای بازی های ویدیویی انگیزه دارند (هیلگارد و همکاران، 2013). با این حال، تاکنون مشخص نیست که دلایل مختلف افراد برای انجام بازی‌های ویدیویی تا چه اندازه با عملکرد روانی آنها مرتبط است.

علاوه بر بررسی ارتباط بین استفاده بالقوه مشکل ساز از بازی های ویدیویی و عملکرد روانی و همچنین بین دلایل انجام بازی های ویدیویی و عملکرد روانشناختی، همچنین بررسی ژانرهای بازی که افراد ترجیح می دهند نیز مرتبط است. همبستگی ترجیحات برای ژانرهای خاص بازی (به عنوان مثال، شبیه سازی، استراتژی، اکشن، نقش آفرینی) افزایش شناختی است (Dobrowolski و همکاران، 2015؛ Bediou و همکاران، 2018)، اما همچنین مقدار زمان صرف شده برای بازی (لمنز و هندریکس، 2016؛ رهبین و همکاران، 2016) و علائم آسیب شناختی روانی (لاکونی و همکاران، 2017). نشان داده شد که مردان بازی‌های اکشن و استراتژی را ترجیح می‌دهند، در حالی که زنان به بازی‌های مهارتی ترجیح می‌دهند (Scharkow et al., 2015; Rehbein et al., 2016). به نظر می‌رسد که گیمرهای جوان‌تر بازی‌های اکشن را ترجیح می‌دهند، بازیکنان مسن‌تر بیشتر بازی‌های مهارتی را ترجیح می‌دهند (Scharkow et al., 2015). با این حال، هنوز درک نشده است که ترجیحات برای ژانرهای خاص بازی ویدیویی تا چه اندازه با عملکرد روانی مرتبط هستند.

به طور معمول، تحقیقات صرفاً بر روی بازی‌های ویدیویی خشن متمرکز شده است (مانند اندرسون و بوشمن، 2001؛ السون و فرگوسن، 2014) یا یک بازی خاص در یک سبک بازی خاص (معمولاً World of Warcraft؛ گراهام و گاسلینگ، 2013؛ ویسر و همکاران. ، 2013؛ Herodotou et al., 2014)، در نتیجه تنوع عادات بازی ممکن در ژانرهای مختلف بازی را نادیده گرفت.

در مطالعه حاضر، هدف ما بررسی رابطه بین بازی های ویدئویی و عملکرد روانی به روشی دقیق بود. برای این منظور، عملکرد روانشناختی را با به کارگیری متغیرهای مختلفی مانند علائم روانشناختی، راهبردهای مقابله ای و حمایت اجتماعی مورد بررسی قرار دادیم. به همین ترتیب، ما بازی‌های ویدیویی را به روشی مشابه با جزئیات ارزیابی کردیم، از (الف) استفاده مشکل‌ساز از بازی‌های ویدیویی، (ب) دلایل بازی تا (ج) ژانرهای بازی ترجیحی. این استراتژی ما را از تعمیم های بالقوه نامعتبر در مورد بازی های ویدئویی به طور کلی باز می دارد و به ما امکان می دهد تا طیف عادات بازی و روابط مربوطه بین این عادت ها و مجموعه متنوعی از متغیرهای نشان دهنده عملکرد روانی را بررسی کنیم.

بازی‌های ویدیویی بیش از حد باید برای افرادی که عملکرد روانی ضعیفی دارند جذاب باشد، زیرا بازی‌ها به افراد اجازه می‌دهند از مشکلات روزمره خود دوری کنند و در عوض خود را در محیط دیگری غوطه‌ور کنند (Taquet et al., 2017). علاوه بر این، بازی های ویدیویی به افراد فرصتی برای ارتباط اجتماعی با افراد دیگر علیرغم مشکلات روانی کم و بیش مشهودی که ممکن است داشته باشند، می دهد (کوورت و همکاران، 2014b؛ مازورک و همکاران، 2015). از سوی دیگر، استفاده بالقوه مشکل‌ساز از بازی‌های ویدیویی ممکن است منجر به مشکلات روان‌شناختی شود، زیرا زمان و تعداد فرصت‌هایی را که گیمرها برای تمرین رفتار واقعی دارند، کاهش می‌دهد (جنتیل، 2009). بنابراین، ما انتظار داشتیم که یک همبستگی منفی بین بازی‌های ویدیویی مشکل‌ساز و متغیرهای نشان‌دهنده عملکرد روان‌شناختی پیدا کنیم، به طوری که انتظار داشتیم استفاده بالقوه مشکل‌ساز از بازی‌های ویدیویی با استراتژی‌های مقابله ناکارآمد مرتبط باشد (وود و گریفیث، 2007)، عاطفه منفی (ماتیاک و همکاران. ، 2011)، و عملکرد ضعیف مدرسه (میهارا و هیگوچی، 2017). علاوه بر این، ما انتظار داشتیم که همبستگی های متفاوتی از دلایل افراد برای انجام بازی های ویدیویی و عملکرد روانی آنها پیدا کنیم: بازی برای دلایل فرار محور مانند حواس پرتی باید با شاخص های مختلفی از عملکرد ضعیف روانشناختی همراه باشد (Király و همکاران، 2015)، در حالی که بازی کردن به دلایل سود محور مانند خط داستانی یا ارتباطات اجتماعی در بازی باید با عملکرد روانی کافی مرتبط باشد (Longman et al., 2009). همچنین، ما انتظار داشتیم ژانرهای بازی مورد علاقه مردم را پیدا کنیم (مانندبه عنوان مثال، استراتژی، اقدام) به طور متفاوتی با عملکرد روانشناختی آنها مرتبط باشد (پارک و همکاران، 2016). در نهایت، هدف ما روشن کردن سهم منحصر به فرد هر یک از معیارهای عملکرد روانشناختی در پیش‌بینی استفاده مشکل‌ساز از بازی‌های ویدیویی بود.

مواد و روش ها

شرکت کنندگان 1

در مجموع 2891 نفر (2421 مرد، 470 زن) با میانگین سنی 23.17 سال (SD = 5.99، محدوده: 13-65) در مطالعه ما شرکت کردند. از این شرکت کنندگان، N = 2734 (95%) استفاده خود از بازی های ویدیویی را تایید کردند و بنابراین در تجزیه و تحلیل های بیشتر قرار گرفتند (2377 مرد، 357 زن، با میانگین سنی 23.06 سال؛ SD = 5.91، محدوده: 13-65). توزیع شرکت‌کنندگان با توجه به جنسیت و سن، منعکس‌کننده یافته‌های تحقیقات گذشته است که در آن مردان و افراد جوان‌تر احتمال بیشتری برای بازی‌های ویدیویی دارند (به عنوان مثال، گریفیث و همکاران، 2004). محل اقامت شرکت کنندگان آلمان بود.

رویه و ابزار 2

ما پیوندهایی را به پرسشنامه آنلاین خود در انجمن های مختلف آنلاین و همچنین در سایت های محبوب بازی آنلاین ارسال کردیم. برای دستیابی به ناهمگونی نمونه، هیچ معیار خروجی جز دسترسی به اینترنت و درک زبان آلمانی مشخص نشد. به عنوان انگیزه برای شرکت در مطالعه، چهار کوپن 50 یورویی قرعه کشی شد.

بازی ویدیویی

استفاده از بازی های ویدیویی بالقوه مشکل ساز

AICA-S، مقیاس ارزیابی اعتیاد به اینترنت و بازی های رایانه ای (Wölfling و همکاران، 2016)، برای ارزیابی رفتار بازی شرکت کنندگان با توجه به استفاده مشکل ساز بالقوه استفاده شد. بر اساس معیارهای DSM برای اختلال بازی اینترنتی (تحمل، ولع، از دست دادن کنترل، تنظیم احساسات، کناره گیری و تلاش های ناموفق برای کاهش)، این مقیاس استاندارد شده خود گزارشی شامل 15 مورد است که معمولاً دارای یک مقیاس پنج درجه ای است که از 1 (هرگز) تا 5 (خیلی اوقات). امتیاز نهایی (حداقل = 0، حداکثر = 27 امتیاز) با استفاده از امتیازدهی وزنی محاسبه می شود (اقلام با همبستگی کل آیتم > 0.55 در نمونه هنجار دو برابر وزن می شوند؛ Wölfling و همکاران، 2011). امتیاز AICA-S می تواند برای تمایز بین استفاده منظم (0-6.5 امتیاز) و استفاده مشکل ساز از بازی های ویدیویی (امتیاز 7-13: سوء استفاده؛ 13.5-27 امتیاز: اعتیاد) استفاده شود. در نمونه ما، N = 2265 (83٪) به عنوان گیمرهای معمولی و N = 469 (17٪) به عنوان گیمرهای مشکل ساز شناسایی شدند. ما از AICA-S به عنوان یک متغیر پیوسته برای تمام تحلیل‌های بیشتر استفاده کردیم (M = 3.98، SD = 3.22، محدوده: 0-24). این ابزار برای گروه‌های سنی مختلف در جمعیت عمومی و در نمونه‌های بالینی اعتبارسنجی شده است (مولر و همکاران، 2014a، 2019، اما به اندازه نمونه کوچک توجه کنید؛ مولر و همکاران، 2014b). آلفای کرونباخ 70/0 = α بود. همانطور که انتظار می رفت، امتیاز AICA-S با جنس مذکر (r = 0.17∗∗∗) و سن (r = -0.15∗∗∗) مرتبط بود. به طور متوسط، شرکت‌کنندگان بازی‌های ویدیویی را برای M = 4.09 ساعت در روز (SD = 4.44، محدوده: 0-24)، و M = 4.21 ساعت در روز در آخر هفته (SD = 2.99، محدوده: 0-24) بازی کردند.

دلایل بازی کردن

گیمرها تعداد دفعات بازی های ویدیویی را به دلایل خاصی مشخص کردند. آنها هر یک از 10 دلیل را به طور جداگانه در مقیاس لیکرت از 1 (هرگز) تا 4 (اغلب) رتبه بندی کردند. شایع ترین دلایل آرامش (M = 2.96، SD = 0.91)، سرگرمی (M = 2.94، SD = 0.85)، و به دلیل خط داستانی (M = 2.67، SD = 1.10) بود.

ژانرهای بازی

از گیمرها پرسیده شد که معمولاً چند وقت یک‌بار زیرشاخه‌های مختلف بازی‌های ویدیویی مانند تیراندازی اول شخص، استراتژی مبتنی بر دور، بازی‌های نقش‌آفرینی آنلاین انبوه چند نفره (MMORPG)، شبیه‌سازی زندگی و موارد دیگر را انجام می‌دهند. رتبه بندی در مقیاس لیکرت از 1 (هرگز) تا 4 (بسیار اوقات) انجام شد. با استفاده از طبقه بندی آپرلی (2006) از ژانرهای بازی، ما زیرژانرها را به ژانرهای اصلی اکشن (M = 2.54، SD = 0.84)، استراتژی (M = 2.13، SD = 0.80)، نقش آفرینی (M = 2.01، SD =) دسته بندی کردیم. 0.73)، و شبیه سازی (M = 1.58، SD = 0.44). مجموعه‌ای برای زیرژانرهای طبقه‌بندی‌نشده (M = 1.54، SD = 0.39) اضافه شد تا به‌علاوه زیرژانرهایی مانند jump’n’runs و بازی‌های مهارتی را در نظر بگیرد. آمار توصیفی و همبستگی های متقابل برای همه معیارها (از جمله جنس و سن) در جداول تکمیلی S1-S4 ارائه شده است.

عملکرد روانشناختی

شرکت‌کنندگان رتبه‌بندی عملکرد روان‌شناختی خود را بر اساس سازه‌های زیر ارائه کردند:

آسیب شناسی روانی عمومی

SCL-K-9 (Klaghofer and Brähler، 2001)، نسخه کوتاهی از SCL-90-R (Derogatis، 1975)، برای ارزیابی اختلال ذهنی شرکت کنندگان در مورد علائم روانشناختی (جسم سازی، وسواس-اجباری، حساسیت بین فردی) اجرا شد. افسردگی، اضطراب، خصومت، اضطراب فوبیک، افکار پارانوئید، و روان پریشی). امتیاز SCL-K-9 به شدت با امتیاز اصلی SCL-90-R همبستگی دارد (r = 0.93). به 9 گویه در مقیاس های 5 درجه ای لیکرت از 1 (اصلاً موافق نیستم) تا 5 (کاملاً موافقم) پاسخ داده شد. آلفای کرونباخ رضایت بخش بود (α = 0.77).

مقابله

ما 10 راهبرد مقابله را با COPE مختصر ارزیابی کردیم (کارور، 1997؛ نسخه آلمانی توسط Knoll و همکاران، 2005)، که نسخه کوتاهتر COPE است (کارور و همکاران، 1989): حواس پرتی، انکار، مصرف مواد. ، تخلیه ، سرزنش خود ، رفتارجداسازی شفاهی، پذیرش، مقابله فعال، برنامه ریزی و چارچوب بندی مجدد مثبت. دو گویه در هر خرده مقیاس در مقیاس های 5 درجه ای از نوع لیکرت از 1 (هرگز) تا 5 (بسیار اوقات) اجرا شد. همبستگی دو آیتم در هر خرده مقیاس از r = 0.32، p < 0.001 برای قالب بندی مجدد مثبت تا r = 0.78، p <0.001 برای مصرف مواد (به استثنای یک استثنا: r = -0.05، p = 0.01 برای حواس پرتی).

تاثیر می گذارد

ما عاطفه عمومی را به عنوان یک ویژگی و عاطفه را در طول بازی های ویدیویی به عنوان یک حالت با استفاده از نسخه آلمانی (Krohne و همکاران، 1996) برنامه تأثیر مثبت و منفی (PANAS؛ Watson et al., 1988) اندازه گیری کردیم. در یک مقیاس 5 درجه ای از نوع لیکرت که از 1 (اصلاً) تا 5 (کاملاً) متغیر بود، شرکت کنندگان شدت 20 صفت را ارزیابی کردند. آلفای کرونباخ 0.78 = α برای عاطفه مثبت کلی، α = 0.83 برای عاطفه منفی کلی، α = 0.85 برای عاطفه مثبت در حین بازی، و α = 0.83 برای عاطفه منفی در حین بازی بود.

خجالتی بودن

اندازه گیری برای ارزیابی کمرویی در بزرگسالان (Asendorpf, 1997) شامل 5 گویه است که در مقیاس 5 درجه ای از نوع لیکرت از 1 (اصلا) تا 5 (کاملا) پاسخ داده شد. آلفای کرونباخ عالی بود (α = 0.86).

تنهایی

ما نسخه آلمانی (Elbing، 1991) مقیاس تنهایی NYU (روبنشتاین و شیور، 1982) را اجرا کردیم. به 4 گویه در مقیاس 5 تا 6 درجه ای لیکرت پاسخ داده شد. آلفای کرونباخ رضایت بخش بود (α = 0.79).

ترجیح تنهایی

به یک مقیاس 10 سوالی ترجیح برای تنهایی (نستلر و همکاران، 2011) در یک مقیاس لیکرت 6 درجه ای از 1 (اصلاً) تا 6 (کاملاً) پاسخ داده شد. آلفای کرونباخ عالی بود (α = 0.86).

رضایت از زندگی

شرکت کنندگان به یک مقیاس رضایت از زندگی یک ماده ای در مقیاس 4 درجه ای از نوع لیکرت پاسخ دادند که از 1 (اصلاً) تا 4 (کاملاً) بود.

اعتماد به نفس

ما نسخه آلمانی (فون کولانی و هرزبرگ، 2003) مقیاس عزت نفس روزنبرگ (RSES؛ روزنبرگ، 1979) را اجرا کردیم. به 10 گویه در مقیاس 4 درجه ای لیکرت از 1 (اصلاً) تا 4 (کاملا) پاسخ داده شد. آلفای کرونباخ عالی بود (α = 0.88).

خودکار کارآمدی

ما یک مقیاس خودکارآمدی تعمیم یافته 10 سوالی را اجرا کردیم (شوارتزر و اورشلیم، 1995)، که در مقیاس 4 درجه ای از نوع لیکرت از 1 (اصلاً) تا 4 (کاملاً) پاسخ داده شد. آلفای کرونباخ عالی بود (α = 0.86).

حمایت اجتماعی و دوستان

ما خرده مقیاس حمایت اجتماعی در دسترس درک شده را از مقیاس حمایت اجتماعی برلین اجرا کردیم (BSSS؛ شوارتزر و شولز، 2003). به 8 گویه در مقیاس 5 درجه ای لیکرت از 1 (اصلا) تا 5 (کاملا) پاسخ داده شد. آلفای کرونباخ عالی بود (α = 0.94). شرکت کنندگان تعداد دوستان و آشنایان آفلاین خود را نشان دادند (r = 0.44، p <0.001) و همچنین تعداد دوستان آنلاین و آشنایان آنلاین آنها (r = 0.33، p <0.001). به دلیل توزیع های چپ، ما داده ها را قبل از تجمیع لگاریتم کردیم.

درجات

شرکت کنندگان معدل خود را گزارش کردند. نمرات آلمانی بر اساس مقیاسی از 1 (عالی) تا 6 (ناکافی) ارزیابی می شود. بنابراین، نمرات بالاتر نشان دهنده نمرات بدتر است.

شرکت کنندگان بیشتر جنس و سن خود را گزارش کردند. هر دو به عنوان متغیرهای کنترل در تجزیه و تحلیل های بعدی استفاده شدند.

تجزیه و تحلیل می کند

در گام اول، همبستگی های مرتبه صفر بین متغیرهای بازی ویدیویی و معیارهای عملکرد روانی را محاسبه کردیم. در مرحله دوم، ما همبستگی‌های جزئی را محاسبه کردیم که در آن جنسیت و سن را کنترل می‌کردیم، زیرا تحقیقات گذشته بارها نشان داده است که جنسیت و سن هم با بازی‌های ویدیویی (هومر و همکاران، 2012؛ میهارا و هیگوچی، 2017) و هم با عملکرد روان‌شناختی مرتبط هستند. (کسلر و همکاران، 2007؛ نولن هوکسما، 2012). در نهایت، ما سهم منحصر به فرد هر معیار عملکرد روانشناختی را در پیش‌بینی بازی‌های ویدئویی بالقوه مشکل‌ساز بررسی کردیم. بنابراین، ما رگرسیون‌ها را با بازی‌های ویدیویی بالقوه مشکل‌ساز به‌عنوان متغیر وابسته و جنس، سن، و معیارهای عملکرد روان‌شناختی به‌عنوان پیش‌بینی‌کننده (به طور همزمان وارد معادله رگرسیون) محاسبه کردیم. با استفاده از این روش، ما قادر به تعیین تأثیری بودیم که هر متغیر بیش از متغیرهای دیگر داشت. برای مثال، می‌توانیم تشخیص دهیم که آیا آسیب‌شناسی روانی عمومی استفاده از بازی‌های ویدیویی بالقوه مشکل‌ساز را پیش‌بینی می‌کند، زمانی که تأثیر همه متغیرهای دیگر (مانند خجالتی، تنهایی و دیگران) ثابت بود.

علاوه بر این، ما تجزیه و تحلیل هایی را در مورد تفاوت های جنسی و سنی در پیوند بین بازی های ویدئویی و عملکرد روانی گنجانده ایم. از آنجایی که ما یک نمونه خود انتخابی جمع آوری کردیم که در آن جنسیت ها و گروه های سنی مختلف به طور مساوی ارائه نشده بودند، یافته های ما فقط مقدماتی هستند، اما ممکن است تحقیقات آینده را تحریک کنند.

نتایج

استفاده بالقوه مشکل ساز از بازی های ویدئویی و عملکرد روانی

ابتدا، بررسی کردیم که آیا استفاده بالقوه مشکل ساز از بازی های ویدئویی به متغیرهای مختلف عملکرد روانی مرتبط است یا خیر. همانطور که در جدول 1 مشاهده می شود، نتایج برای همبستگی های مرتبه صفر مشابه نتایج برای همبستگی های مرتبه صفر بودهمبستگی های جزئی که در آنها برای جنس و سن کنترل می شد. یک رابطه مثبت متوسط ​​با استفاده بالقوه مشکل ساز از بازی های ویدئویی برای وجود علائم روانشناختی از جمله افسردگی، اضطراب و خصومت ظاهر شد. علاوه بر این، چندین استراتژی مقابله با استفاده بالقوه مشکل‌ساز بازی‌های ویدیویی ارتباط متفاوتی داشتند: سرزنش خود و عدم مشارکت رفتاری قوی‌ترین روابط مثبت را با استفاده بالقوه مشکل‌ساز از بازی‌های ویدیویی نشان داد، و به دنبال آن انکار، پذیرش، مصرف مواد، حواس‌پرتی و بیرون‌زدایی. . برنامه‌ریزی، مقابله فعال و تا حدودی بازنگری مثبت با استفاده بالقوه مشکل‌ساز بازی‌های ویدیویی ارتباط منفی داشت. علاوه بر این، ارتباط با استفاده بالقوه مشکل ساز از بازی های ویدیویی برای عاطفه مثبت عمومی منفی و برای عاطفه منفی عمومی مثبت و بزرگتر بود. با این حال، استفاده بالقوه مشکل ساز از بازی های ویدیویی به وضوح با تجربه تأثیر مثبت و منفی در حین بازی ارتباط مثبت داشت. علاوه بر این، ترجیح به تنهایی، خجالتی بودن و تنهایی با استفاده بالقوه مشکل‌ساز بازی‌های ویدیویی همبستگی مثبت داشت. عزت نفس پایین، رضایت کمتر از زندگی، و تا حدی کمتر، حمایت اجتماعی ضعیف‌تر و خودکارآمدی پایین‌تر با استفاده بالقوه مشکل‌ساز از بازی‌های ویدیویی همراه شد. ارتباطی بین دوستان و آشنایان آفلاین کمتر اما ارتباطات آنلاین بیشتر با بازی‌های ویدیویی مشکل‌ساز وجود داشت. در نهایت، عملکرد ضعیف تر در مدرسه (یعنی نمرات بالاتر) با استفاده بالقوه مشکل ساز از بازی های ویدیویی مرتبط بود. این نتایج نشان می دهد که بازی های ویدئویی بالقوه مشکل ساز با عملکرد روانی ضعیف همراه است و بالعکس.