A Virtual Reality Food Court to Study Meal Choices in Youth: Design and Assessment of Usability
Notice bibliographique
Résumé
BACKGROUND: Regular consumption of take-out and fast foods with sugary drinks is associated with poor quality diets and higher prevalence of obesity. Among the settings where such food is consumed is the food court typically found in shopping malls prominent in many countries. OBJECTIVE: The objective of this research was to develop a virtual reality food court that could be used to test food environmental interventions, such as taxation, and ultimately to facilitate the selection of healthier food choices. METHODS: Fourteen food courts in Sydney, Australia were selected to include those in the city center and suburbs of high and low socioeconomic status. Researchers visited the courts to collect information on number and type of food outlets, all menu items for sale, cost of foods and beverages and sales promotions. This information was used to assemble 14 food outlets typically found in food courts, and representative menus were compiled. The UNITY gaming platform was used to design a virtual reality food court that could be used with HTC VIVE goggles. Participants navigated the virtual reality food court using the head-mounted display, keyboard, and mouse and selected a lunch meal, including food and beverage. A validated questionnaire on presence within the virtual reality food court and system usability was completed at the end of the session. The constructs for presence included a sense of control, sensory fidelity, realism, distraction, and involvement. Questions were rated on a scale from 1 (worst) through 7 (best) for each of 28 questions giving a maximum total score of 196. The systems usability scale (SUS) that gives a final score out of 100 was also assessed. RESULTS: One hundred and sixty-two participants with a mean age of 22.5 (SD 3.1) years completed the survey. The mean score for total presence was 144 (SE 1.4) consisting of control: 62.1 (SE 0.8), realism: 17.5 (SE 0.2), involvement: 9.6 (SE 0.2), sensory fidelity: 34.9 (SE 0.4), and distraction: 24.0 (SE 0.3). The mean SUS was 69 (SE 1.1). CONCLUSIONS: Virtual reality shows promise as a tool to study food choice for test interventions to inform practice and policy.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».