Virtual Realities as Optimal Learning Environments in Sport - A Transfer Study of Virtual and Real Dart Throwing
Notice bibliographique
Résumé
Virtual realities offer a safe and repeatable learning environment, which is optimal for skills that are difficult to replicate in real-world settings. Previous research has demonstrated transfer of motor skill between basketball and darts but not of perceptual performance (Rienhoff et al., 2013). Our study considered the transferability of a specific skill between virtual and real learning environments - in our case throwing accuracy (TA) and quiet eye duration (QED) in dart throwing. Participants (n = 38) were separated into three groups (virtual training, real training, & control) and completed 15 throws in pre- and post-tests on a real and on a virtual (Microsoft XBox Kinect) dartboard. The training groups performed three sessions of 50 throws each. QED was measured using SMI eye tracking glasses and TA was defined as radial distance from the bull’s eye. Results showed significant differences in TA for group and condition; the real training group outperformed the control group and TA was better in the virtual group. The interaction of test and group was significant. Both training groups improved between tests while the control group performed worst. Results for QED showed a significant increase between tests. Furthermore, significant differences for condition and a significant interaction of condition and test were measured. QED was longer and enhanced in the virtual group. Our results generally showed the efficiency of both training modalities and the slight difference in training effects between groups suggests transferability between tasks.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».