MétaCan
Menu
Retour à la cohorte
Enregistrement W2920919106 · doi:10.1080/0144929x.2019.1590458

Exposure to a pleasant odour may increase the sense of reality, but not the sense of presence or realism

2019· article· en· W2920919106 sur OpenAlexafffund
Oliver Baus, Stéphane Bouchard, Kévin Nolet

Notice bibliographique

RevueBehaviour and Information Technology · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensUniversité du Québec en OutaouaisUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaFonds de Recherche du Québec-Société et CultureCanada Research ChairsCanada Foundation for Innovation
Mots-clésRealismSense of presencePsychologyVirtual realityOlfactionAffect (linguistics)AestheticsCognitive psychologyOlfactory cuesSocial psychologyCommunicationComputer scienceArtHuman–computer interactionVisual arts

Résumé

récupéré en direct d'OpenAlex

Smell can increase the sense of presence, reality, and realism when exposed in a virtual environment. This effect has been found to be increased when the nature of the odour is concordant visually with the scene, i.e. exposure to an unpleasant odour in a filthy virtual kitchen. The objective of this project was to verify whether this effect could be generalised to pleasant odours. Participants were immersed in a virtual apartment with a kitchen where the visual scene suggested that cinnamon apple pies had recently been baked. Participants were randomly and blindly assigned to three conditions: exposition to the ambient air, to a pleasant odour of cinnamon apple pie, or an unpleasant odour of urine. The results indicated that while exposure to the visually concordant pleasant odour did increase the sense of reality in a statistically significant manner, it did not affect the sense of presence or realism. Results also suggested that the visual/olfactory concordance may have facilitated the detection of the pleasant odour. The potential implications of the results, potential explanations for the lack of effect on the sense of presence, as well as potential follow-up research projects are discussed.

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)0,003
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 enseignants0,006
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
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 savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,026
Tête enseignante GPT0,274
Écart entre enseignants0,248 · 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

Citations23
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBehaviour and Information TechnologyMême sujetVirtual Reality Applications and ImpactsTravaux en français237 207