Development and Evaluation of a Virtual Reality Puzzle Game to Decrease Food Intake: Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: Virtual reality (VR) has gained popularity in daily life, and VR food cues seem to elicit food cravings, similar to real food cues. However, little is known about the impact of VR food cues on actual food intake. OBJECTIVE: In real life (RL), exposure to food cues in a situation in which the desire to eat food interferes with the completion of a food-related task reduces the subsequent food intake (ie, the pre-exposure effect). In this study, we examine, on the one hand, whether the pre-exposure effect could be replicated in RL and, on the other hand, whether this effect could be extended to VR contexts. METHODS: The study used a 2 (stimulus type: food vs nonfood) × 2 (mode: VR vs RL) between-subject design (n=175). Participants were randomly assigned to 1 of the 4 conditions. RESULTS: We found the main effect of mode on food intake, with a higher food intake after both VR conditions than after RL conditions (P=.02). In addition, among female participants, we found that exposure to both food cues (ie, VR and RL) resulted in lower food intake than exposure to both nonfood cues (P=.05). In contrast, this effect was not observed among male participants (P=.34). Additionally, VR and RL cues generated similar emotional and behavioral responses (eg, arousal and game difficulty). CONCLUSIONS: We were unable to replicate the exposure effect in our complete sample. Subgroup analyses, however, showed that for women, exposure to food cues (either in VR or in RL) reduces food intake, indicating that a VR pre-exposure procedure may effectively be applied exclusively for women. TRIAL REGISTRATION: ClinicalTrials.gov NCT05169996; https://clinicaltrials.gov/ct2/show/NCT05169996.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».