Identifying Causes of and Solutions for Cybersickness in Immersive Technology: Reformulation of a Research and Development Agenda
Notice bibliographique
Résumé
Immersive technologies, such as virtual and augmented reality, initially failed to live up to expectations, but have improved greatly, with many new head-worn displays and associated applications being released over the past few years. Unfortunately, ‘cybersickness’ remains as a common user problem that must be overcome if mass adoption is to be realized. This article evaluates the state of research on this problem, identifies challenges that must be addressed, and formulates an updated cybersickness research and development (R&D) agenda. The new agenda recommends prioritizing creation of powerful, lightweight, and untethered head-worn displays, reduction of visual latencies, standardization of symptom and aftereffect measurement, development of improved countermeasures, and improved understanding of the magnitude of the problem and its implications for job performance. Some of these priorities are unresolved problems from the original agenda which should get increased attention now that immersive technologies are proliferating widely. If the resulting R&D agenda is carefully executed, it should render cybersickness a challenge of the past and accelerate mass adoption of immersive technologies to enhance training, performance, and recreation.
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 | 0,024 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,023 |
| Communication savante | 0,019 | 0,028 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,012 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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.
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 ».