Combining 3D-MOT With Sport Decision-Making for Perceptual-Cognitive Training in Virtual Reality
Notice bibliographique
Résumé
This study introduces a virtual life-sized perceptual-cognitive training paradigm that combines three-dimensional multiple object tracking (3D-MOT) with motor (Experiment 1) or perceptual (Experiment 2) sport decision-making tasks. We sought to assess the impact of training on task performance and determine optimal training conditions for improvement and learning. Fifty-seven participants were randomly assigned to one of four training conditions (isolated 3D-MOT, 3D-MOT combined with a decision-making task, consolidated 3D-MOT later combined with a decision-making task, and isolated decision-making task). We evaluated task performance using speed thresholds, success rate (%), and reaction time (s). Findings were that the dual-task paradigm was associated with performance beyond chance level on both 3D-MOT and decision-making tasks despite an important dual-task cost. Interestingly, the results seemed to favor consolidated 3D-MOT training over simultaneous 3D-MOT training when combined with a motor decision-making task but not when combined with a perceptual decision-making task. The number of shared attentional resources in the nature of the additional task (i.e., perceptual or motor decision-making) seems to be key in interpreting the dual-task interference. These findings must be considered when designing representative multitask perceptual-cognitive training.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».