MétaCan
Menu
Retour à la cohorte
Enregistrement W4229007880 · doi:10.3916/c72-2022-07

Virtual reality with distractors to overcome public speaking anxiety in university students

2022· article· en· W4229007880 sur OpenAlexaff
Emma Rodero, Olatz Larrea

Notice bibliographique

RevueComunicar · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueCommunication in Education and Healthcare
Établissements canadiensÉcole Nationale d'Administration Publique
Organismes subventionnairesUniversitat Pompeu Fabra
Mots-clésAnxietyPsychologyPublic speakingPublic universityTest (biology)Virtual realitySocial psychologyMedical educationMedicine

Résumé

récupéré en direct d'OpenAlex

The ability to communicate effectively is a crucial aspect of education. For college students, learning how to speak in public is essential for their academic and professional future. However, many students report fear of speaking in public, the so-called Public Speaking Anxiety (PSA). This study aims to implement a training program using Virtual Reality (VR) with distractors to reduce the college students' anxiety. Anxiety was measured with two methods: electrodermal activity and self-report. We also analyze gender differences. There were an experimental and a control group. Both groups had to deliver the same speech twice: pre-test (before training); and post-test (after the training program) while participants’ electrodermal activity was measured. Only the experimental group was trained with VR. Students also completed the Public Speaking Anxiety Scale and a survey to examine their experience. The results showed that the VR training reduced the anxiety levels significantly in the experimental group, but there were no significant differences in the control group. The data also revealed a higher level of anxiety in male than in female students. Finally, participants reported a positive impression of the VR training. These results showed the effectiveness of Virtual Reality software with distractors to reduce public speaking anxiety. La capacidad de comunicarse de manera eficaz es un aspecto fundamental en la educación. Para los estudiantes universitarios, aprender a hablar en público es esencial para su futuro académico y profesional. Sin embargo, muchos estudiantes manifiestan tener miedo a hablar en público, lo que se conoce como ansiedad a hablar en público (PSA en inglés). Este estudio tiene como objetivo implementar un programa de capacitación utilizando Realidad Virtual (RV) con distractores para reducir la ansiedad de los estudiantes universitarios medida con actividad electrodérmica y métodos autoinformados. Para ello se utilizó un grupo experimental y otro de control. Ambos grupos tuvieron que pronunciar el mismo discurso dos veces: prueba pretest (antes del entrenamiento) y postest (después del entrenamiento) mientras se midió la actividad electrodérmica. Solo el grupo experimental fue entrenado con RV. Los estudiantes también completaron una escala de ansiedad al hablar en público y una encuesta para examinar su experiencia. Los resultados mostraron que el entrenamiento con RV redujo significativamente los niveles de ansiedad en el grupo experimental y no hubo diferencias significativas en el grupo de control. Los datos también revelaron un mayor nivel de ansiedad en los estudiantes varones que en las mujeres. Finalmente, los participantes reportaron una impresión positiva del entrenamiento con RV. Estos resultados muestran la efectividad del entrenamiento de RV con distractores para reducir la ansiedad al hablar en público.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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)0,0020,000

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 Opus0,084
Tête enseignante GPT0,396
Écart entre enseignants0,312 · 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'étudeObservationnel
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

Citations20
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComunicarMême sujetCommunication in Education and HealthcareTravaux en français237 207