MétaCan
Menu
Retour à la cohorte
Enregistrement W2905664179 · doi:10.1080/10447318.2018.1555736

The Effect of Head Tracking on the Degree of Presence in Virtual Reality

2018· article· en· W2905664179 sur OpenAlexaff
Tina L. Y. Wu, Adam Gomes, Keegan Fernandes, David Wang

Notice bibliographique

RevueInternational Journal of Human-Computer Interaction · 2018
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésHeadsetImmersion (mathematics)Virtual realitySimulator sicknessMotion sicknessOptical head-mounted displayComputer scienceSimulationHead (geology)Human–computer interactionComputer visionPhysical medicine and rehabilitationPsychologyMathematicsMedicine

Résumé

récupéré en direct d'OpenAlex

The performance of a virtual reality (VR) system can be assessed from two aspects in the human-VR interaction loop. One aspect is the degree of immersion, which objectively quantifies the performance of the VR system using metrics such as the display field of view or the refresh rate. The other aspect is presence, which measures the user response to the VR system. This article presents a study that compares the impact on presence by changing immersion through enabling and disabling of the head tracking ability on a VR headset. The study quantitatively assesses this change by taking objective measurements of posture and subjective ratings of the VR experience, in terms of presence and motion sickness, after participants have gone through two versions of a roller coaster simulation; one with head tracking on and the other with head tracking off. The results indicate that a loss of immersion, caused by turning the head tracking feature off, results in a significant reduction in postural sway. This loss of immersion also affected presence, as shown through the user surveys. The survey responses indicate that the simulation with head tracking off was less enjoyable and caused more motion sickness compared to when head tracking is kept on.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,092
Tête enseignante GPT0,388
Écart entre enseignants0,296 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations28
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Human-Computer InteractionMême sujetVirtual Reality Applications and ImpactsTravaux en français237 207