MétaCan
Menu
Retour à la cohorte
Enregistrement W3198147979 · doi:10.1167/jov.21.9.2786

The effect of airflow on (visually induced) motion sickness during a simulated driving task

2021· article· en· W3198147979 sur OpenAlexaff
Elizaveta Igoshina, Frank Russo, Bruce Haycock, Behrang Keshavarz

Notice bibliographique

RevueJournal of Vision · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensToronto Metropolitan UniversityUniversity Health NetworkHospital for Sick ChildrenToronto Rehabilitation InstituteUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMotion sicknessSimulator sicknessAirflowSimulationDriving simulatorTask (project management)Physical medicine and rehabilitationComputer sciencePsychologyEngineeringMedicine

Résumé

récupéré en direct d'OpenAlex

Driving simulators are highly valuable tools for research, rehabilitation, and training purposes, but are also known for commonly causing simulator sickness, a special form of traditional motion sickness that is primarily driven by stimulation of the visual system. Simulator sickness can increase the users’ rate of terminating a simulated driving session dramatically and can be as high as 77%. Although the alleviation of simulator sickness is crucial for ensuring the users’ well-being and guaranteeing the quality of driving performance data, reliable methods that successfully reduce simulator sickness have not yet been identified. Thus, the goals of the present study were (1) to investigate the efficacy of airflow as a countermeasure against simulator sickness and (2) to explore the relationship between airflow and the participants’ subjective comfort. Twenty-four healthy young adults (14F, 10M) were engaged in a 25.5km long simulated driving task using The KITE Research Institute’s high-fidelity driving simulator. To study the effect of airflow on simulator sickness, car vents were directed to generate airflow that directly passed over the driver’s skin (direct airflow condition; n = 11) or towards the ceiling of the car (indirect airflow condition, n = 13). Simulator sickness was assessed using the Fast Motion Sickness scale and the Simulator Sickness Questionnaire. Results suggested that simulator sickness was reported to be mild on average (mean FMS score of 5.31) and did not differ between the two airflow conditions. However, participants in the direct airflow condition reported to feel colder (p = .019) and to be more uncomfortable (p = .044) than participants in the indirect airflow condition. Taken together, our findings indicated that both types of airflow had similar effects on simulator sickness, but that the use of indirect airflow may be preferred to direct airflow as it promotes greater subjective comfort while achieving similar results.

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)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,010
Tête enseignante GPT0,302
Écart entre enseignants0,292 · 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'étudeSimulation ou modélisation
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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetVirtual Reality Applications and ImpactsTravaux en français237 207