Assessing Video Games to Improve Driving Skills: A Literature Review and Observational Study
Notice bibliographique
Résumé
BACKGROUND: For individuals, especially older adults, playing video games is a promising tool for improving their driving skills. The ease of use, wide availability, and interactivity of gaming consoles make them an attractive simulation tool. OBJECTIVE: The objective of this study was to look at the feasibility and effects of installing video game consoles in the homes of individuals looking to improve their driving skills. METHODS: A systematic literature review was conducted to assess the effect of playing video games on improving driving skills. An observatory study was performed to evaluate the feasibility of using an Xbox 360 Kinect console for improving driving skills. RESULTS: Twenty-nine articles, which discuss the implementation of video games in improving driving skills were found in literature. On our study, it was found the Xbox 360 with Kinect is capable of improving physical and mental activities. Xbox Video games were introduced to engage players in physical, visual and cognitive activities including endurance, postural sway, reaction time, eyesight, eye movement, attention and concentration, difficulties with orientation, and semantic fluency. However, manual dexterity, visuo-spatial perception and binocular vision could not be addressed by these games. It was observed that Xbox Kinect (by incorporating Kinect sensor facilities) combines physical, visual and cognitive engagement of players. These results were consistent with those from the literature review. CONCLUSIONS: From the research that has been carried out, we can conclude that video game consoles are a viable solution for improving user's physical and mental state. In future we propose to carry a thorough evaluation of the effects of video games on driving skills in elderly people.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».