Investigating the P300 Response as a Marker of Working Memory in Virtual Training Environments
Notice bibliographique
Résumé
Conventional performance metrics fail to offer high-resolution evaluation of learning and memory during training tasks; the P300 component of the event-related potential (ERP) is a promising tool for enhancing the assessment of training quality in virtual environments, but this technique is yet to be investigated. A driver training simulator and scenario were developed to explore the capability of the P300 for this purpose. A user study was conducted with 32 participants divided into two groups objectively determined by driving performance scores, thus enabling observations of the P300 response to be equated to varying levels of learning and memory. Participant electroencephalogram data were recorded during the procedure, which was postprocessed to filter and extract ERPs to capture neural responses to specific events in the virtual training scenario. These were combined to produce a result for each participant, which was then grand averaged to create an overall ERP for each group. Across the eight electrode sites, statistically significant differences were found between the grand average waveforms of the two groups, with high memory retention producing significantly greater peak-to-peak amplitude (U = 9.00, p = 0.045), peak latency (U = 0.00, p $<; $ 0.001), and positive area (U = 13.00, p = 0.05) of the waveform than low memory retention. The evidenced relationship between the P300 response and working memory in this context suggests that it has the potential for monitoring learning and memory in stimulus-driven virtual training systems.
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 | 0,004 |
| 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) | 0,001 | 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 ».