Do Older and Young Adults Learn to Integrate Geometry While Navigating in an Environment of a Serious Game?
Notice bibliographique
Résumé
We evaluated the outcomes of an intervention using a serious game designed to be played on iPads for improving spatial reorientation by training users to integrate geometry of the environment, instead of relying solely on featural cues. Using data logged online through a clinical study of using this game, the effect of training among 16 older adults (69.3 ± 6.4 years, 4 males), who played the game repeatedly (self-administered) over a period of 8 weeks, was investigated. The game contains a hexagonal room with 3 objects, textured walls, and grids on the floor, which are removed one by one as the participant played the game. In each level, the room also rotates such that the viewpoint of the user is different from that of the previous level. Participants cannot play a higher level unless they make no mistake during the trials of the lower test level. In addition to data of older adults available from that clinical trial, we recruited 16 young adults (27.3 ± 5.6 years, 4 males) to play the game for 5 sessions and compared their results with those of the older adults. We evaluated the error type made in each test level and the scores for each session among older adults. Further, we compared the frequency of each error type between young and older adults during the test levels that a landmark adjacent to the target was removed over the first 5 sessions. The results of older adults' performance suggest they learned to make fewer mistakes over the sessions. Also, both young and older adults learned to integrate the geometrical cues rather than relying on the landmark cue adjacent to the target to find the target. Overall, the results indicate the designed hexagonal room game can enhance spatial cognition among all age groups of adults.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».