A comparison design study of feedback modalities to support deep breathing whilst performing work tasks
Notice bibliographique
Résumé
BACKGROUND: Deep breathing exercises are known to help decrease stress. Wearable and ambient computing can help initiate and support deep breathing exercises. Most studies have focused on a single sensory modality for providing feedback on the quality of breathing and other physiological data. OBJECTIVE: Our research compares different feedback modalities on an individual's experience and ability to perform breath-based techniques at work. METHODS: We designed three different interactive prototypes that used light, vibration and sound feedback modalities. We tested each prototype with 19 participants whilst they were performing typical work tasks in a naturalistic setting, followed by semi-structured interviews. RESULTS: We found that sound was the most successful feedback for the majority of participants, followed by vibration and ambient light. We developed an analytic tool, the Extended Cycle of Awareness, to facilitate understanding of the patterns of awareness and the flow of experience generated by participant interaction with prototype systems that provide feedback on the quality of breathing. Participants followed one of three different types of patterns: (1) ignoring the feedback; (2) not understanding the feedback and being overwhelmed by it; (3) successfully using the feedback to initiate deep breathing and reflect on the change in the quality of breathing. CONCLUSIONS: We offer a set of design recommendations for crafting interactive systems to support deep breathing at work, including personalization, designing for the cyclical process of attention and awareness, and designing for reflective practice.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».