MétaCan
Menu
Retour à la cohorte
Enregistrement W2743473020

The effects of stereoscopic 3D on an incidence response training game

2013· dissertation· en· W2743473020 sur OpenAlexaboutno aff
Mina Tawadrous

Notice bibliographique

Revuee-scholar@UOIT (University of Ontario Institute of Technology) · 2013
Typedissertation
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésStereoscopyTraining (meteorology)Computer scienceArtificial intelligenceGeographyMeteorology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

A critical incident is defined as one of the most serious situations that\ncan occur at any institution. Among these critical incidents are fire\nhazards, which resulted in 224 civilian deaths, and approximately 1.5$\nbillion dollars in direct property damage in Canada in 2011 alone. As\na result of these costs, much effort is currently being placed in both\nfire safety prevention and fire safety evacuation. However, many current\ntraining techniques come at a high cost, and remain ineffective for\nreal life fire situations, especially those which take place in large institutions.\nAn example of this can be seen in university chemical labs, which\nhold many hazardous and flammable materials. In this thesis, the development\nof an incidence response training game for chemical lab fires\nis described. Serious games leverage the power of computer games to\ncaptivate and engage players/learners for a specific purpose such as to\ndevelop new knowledge or skills. Not only do serious games allow for\nhigher engagement rates, and easier distribution than current training\ntechniques, but by utilizing stereoscopic 3D (S3D) technologies it is\nhypothesized by many researchers that even higher engagement rates\nas well as knowledge retention levels can be reached. However, there is\na lack of research examining the effects of S3D within an incidence response\nserious game. In this thesis, three experiments were conducted\nto examine potential benefits of employing S3D within a serious game\nfor incidence response: i) engagement effects with S3D, ii) calibration\nof S3D settings, and iii) knowledge retention levels with S3D.\nThe results of these experiments revealed that users were neither\nmore engaged, nor did they increase their knowledge retention with the\nincorporation of S3D, contrary to prior research. Furthermore, allowing\na user to define their own S3D settings is critical, and the inability to\ndo so may create visual discomfort or an unnoticeable S3D effect.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,737
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,284
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuee-scholar@UOIT (University of Ontario Institute of Technology)Même sujetSimulation-Based Education in HealthcareTravaux en français237 207