MétaCan
Menu
Retour à la cohorte
Enregistrement W3045817334 · doi:10.2196/17972

Results and Guidelines From a Repeated-Measures Design Experiment Comparing Standing and Seated Full-Body Gesture-Based Immersive Virtual Reality Exergames: Within-Subjects Evaluation

2020· article· en· W3045817334 sur OpenAlexvenueno aff
Wenge Xu, Hai‐Ning Liang, Qiuyu He, Xiang Li, Kangyou Yu, Yuzheng Chen

Notice bibliographique

RevueJMIR Serious Games · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGestureSimulator sicknessSittingPsychologyRating of perceived exertionMotion sicknessVirtual realityPhysical therapyLikert scalePhysical medicine and rehabilitationPerceived exertionSimulationHeart rateMedicineComputer scienceHuman–computer interactionDevelopmental psychology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Although full-body seated exercises have been studied in a wide range of settings (ie, homes, hospitals, and daycare centers), they have rarely been converted to seated exergames. In addition, there is an increasing number of studies on immersive virtual reality (iVR) full-body gesture-based standing exergames, but the suitability and usefulness of seated exergames remain largely unexplored. OBJECTIVE: This study aimed to evaluate the difference between playing a full-body gesture-based iVR standing exergame and seated exergame in terms of gameplay performance, intrinsic motivation, and motion sickness. METHODS: A total of 52 participants completed the experiment. The order of the game mode (standing and sitting) was counterbalanced. Gameplay performance was evaluated by action or gesture completion time and the number of missed gestures. Exertion was measured by the average heart rate (HR) percentage (AvgHR%), increased HR%, calories burned, and the Borg 6-20 questionnaire. Intrinsic motivation was assessed with the Intrinsic Motivation Inventory (IMI), whereas motion sickness was assessed via the Motion Sickness Assessment Questionnaire (MSAQ). In addition, we measured the fear of falling using a 10-point Likert scale questionnaire. RESULTS: Players missed more gestures in the seated exergame than in the standing exergame, but the overall miss rate was low (2.3/120, 1.9%). The analysis yielded significantly higher AvgHR%, increased HR%, calories burned, and Borg 6-20 rating of perceived exertion values for the seated exergame (all P<.001). The seated exergame was rated significantly higher on peripheral sickness (P=.02) and sopite-related sickness (MSAQ) (P=.004) than the standing exergame. The score of the subscale "value/usefulness" from IMI was reported to be higher for the seated exergame than the standing exergame. There was no significant difference between the seated exergame and standing exergame in terms of intrinsic motivation (interest/enjoyment, P=.96; perceived competence, P=.26; pressure/tension, P=.42) and the fear of falling (P=.25). CONCLUSIONS: Seated iVR full-body gesture-based exergames can be valuable complements to standing exergames. Seated exergames have the potential to lead to higher exertion, provide higher value to players, and be more applicable in small spaces compared with standing exergames. However, gestures for seated exergames need to be designed carefully to minimize motion sickness, and more time should be given to users to perform gestures in seated exergames compared with standing exergames.

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)0,010
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,019
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0150,002

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 Opus0,122
Tête enseignante GPT0,349
Écart entre enseignants0,227 · 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'étudeEssai non randomisé
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

Citations55
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetVirtual Reality Applications and ImpactsTravaux en français237 207