Evaluating the User Experience of Exercising Reaching Motions With a Robot That Predicts Desired Movement Difficulty
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The notion of an optimal difficulty during practice has been articulated in many areas of cognitive psychology: flow theory, the challenge point framework, and desirable difficulties. Delivering exercises at a participant's desired difficulty has the potential to improve both motor learning and users' engagement in therapy. Motivation and engagement are among the contributing factors to the success of exercise programs. The authors previously demonstrated that error amplification can be used to introduce levels of challenge into a robotic reaching task, and that machine-learning algorithms can dynamically adjust difficulty to the desired level with 85% accuracy. Building on these findings, we present the results of a proof-of-concept study investigating the impacts of practicing under desirable difficulty conditions. A control condition with a predefined random order for difficulty levels was deemed more suitable for this study (compared to constant or continuously increasing difficulty). By practicing the task at their desirable difficulties, participants in the experimental group perceived their performance at a significantly higher level and reported lower required effort to complete the task, in comparison to a control group. Moreover, based on self-reports, participants in the experimental group were willing, on average, to continue the training session for 4.6 more training blocks (∼45 min) compared to the control group's average. This study demonstrates the efficiency of delivering the exercises at the user's desired difficulty level to improve the user's engagement in exercise tasks. Future work will focus on clinical feasibility of this approach in increasing stroke survivors' engagement in their therapy programs.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle