Augmented feedback for powered wheelchair training in a virtual environment
Notice bibliographique
Résumé
BACKGROUND: Powered wheelchair (PW) driving is a complex activity and requires the acquisition of several skills. Given the risks involved with PW use, safe and effective training methods are needed. Virtual reality training allows users to practice difficult tasks in a safe environment. An additional benefit is that augmented feedback can be provided to optimize learning. The purpose of this study was to investigate whether providing augmented feedback during powered wheelchair simulator training results in superior performance, and whether skills learned in a virtual environment transfer to real PW driving. METHODS: Forty healthy young adults were randomly allocated to two groups: one received augmented feedback during simulator training while the control group received no augmented feedback. PW driving performance was assessed at baseline in both the real and virtual environment (RE and VE), after training in VE and two days later in VE and RE (retention and transfer tests). RESULTS: Both groups showed significantly better task completion time and number of collisions in the VE after training and these results were maintained two days later. The transfer test indicated better performance in the RE compared to baseline for both groups. Because time and collisions interact, a post-hoc 2D Kolmogonov-Smirnov test was used to investigate the differences in the speed-accuracy distributions for each group; a significant difference was found for the group receiving augmented feedback, before and after training, whereas the difference was not significant for the control group. There were no differences at the retention test, suggesting that augmented feedback was most effective during and immediately after training. CONCLUSIONS: PW simulator training is effective in improving task completion time and number of collisions. A small effect of augmented feedback was seen when looking at differences in the speed-accuracy distributions, highlighting the importance of accounting for the speed-accuracy tradeoff for PW driving.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».