Design and Application of a Novel Virtual Reality Navigational Technology (VRNChair)
Notice bibliographique
Résumé
This paper presents a novel virtual reality navigation (VRN) input device, called the VRNChair, offering an intuitive and natural way to interact with virtual reality (VR) environments. Traditionally, VR navigation tests are performed using stationary input devices such as keyboards or joysticks. However, in case of immersive VR environment experiments, such as our recent VRN assessment, the user may feel kinetosis (motion sickness) as a result of the disagreement between vestibular response and the optical flow. In addition, experience in using a joystick or any of the existing computer input devices may cause a bias in the accuracy of participant performance in VR environment experiments. Therefore, we have designed a VR navigational environment that is operated using a wheelchair (VRNChair). The VRNChair translates the movement of a manual wheelchair to feed any VR environment. We evaluated the VRNChair by testing on 34 young individuals in two groups performing the same navigational task with either the VRNChair or a joystick; also one older individual (55 years) performed the same experiment with both a joystick and the VRNChair. The results indicate that the VRNChair does not change the accuracy of the performance; thus removing the plausible bias of having experience using a joystick. More importantly, it significantly reduces the effect of kinetosis. While we developed VRNChair for our spatial cognition study, its application can be in many other studies involving neuroscience, neurorehabilitation, physiotherapy, and/or simply the gaming industry.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».