MétaCan
Menu
Retour à la cohorte
Enregistrement W3121449635 · doi:10.3389/frvir.2021.576871

Predicting Individual Susceptibility to Visually Induced Motion Sickness by Questionnaire

2021· article· en· W3121449635 sur OpenAlexaff
John F. Golding, Aisha Rafiq, Behrang Keshavarz

Notice bibliographique

RevueFrontiers in Virtual Reality · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensToronto Rehabilitation InstituteToronto Metropolitan UniversityUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésMotion sicknessSimulator sicknessNauseaCronbach's alphaMigraineMedicineVisual analogue scaleLogistic regressionPsychologyPhysical medicine and rehabilitationPhysical therapyInternal medicinePsychiatryPsychometricsClinical psychology

Résumé

récupéré en direct d'OpenAlex

Background: The introduction of new visual technologies increases the risk of visually induced motion sickness (VIMS). The aim was to evaluate the 6-item Visually Induced Motion Sickness Susceptibility Questionnaire (VIMSSQ; also known as the VIMSSQ-short) and other predictors for individual susceptibility to VIMS. Methods: Healthy participants (10M + 20F), mean age 22.9 (SD 5.0) years, viewed a 360° panoramic city scene projected in the visual equivalent to the situation of rotating about an axis tilted from the vertical. The scene rotated at 0.2 Hz (72° s −1 ), with a ‘wobble’ produced by superimposed 18° tilt on the rotational axis, with a field of view of 83.5°. Exposure was 10 min or until moderate nausea was reported. Simulator Sickness Questionnaire (SSQ) was the index of VIMS. Predictors/correlates were VIMSSQ, Motion Sickness Susceptibility Questionnaire (MSSQ), migraine (scale), syncope, Social & Work Impact of Dizziness (SWID), sleep quality/disturbance, personality (“Big Five” TIPI), a prior multisensory Stepping-Vection test, and vection during exposure. Results: The VIMSSQ had good scale reliability (Cronbach’s alpha = 0.84) and correlated significantly with the SSQ ( r = 0.58). Higher MSSQ, migraine, syncope, and SWID also correlated significantly with SSQ. Other variables had no significant relationships with SSQ. Regression models showed that the VIMSSQ predicted 34% of the individual variation of VIMS, increasing to 56% as MSSQ, migraine, syncope, and SWID were incorporated as additional predictors. Conclusion: The VIMSSQ is a useful adjunct to the MSSQ in predicting VIMS. Other predictors included migraine, syncope, and SWID. No significant relationship was observed between vection and VIMS.

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)0,002
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,024
Tête enseignante GPT0,292
Écart entre enseignants0,268 · 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

Citations95
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Virtual RealityMême sujetVirtual Reality Applications and ImpactsTravaux en français237 207