Deep-Breathing Biofeedback Trainability in a Virtual-Reality Action Game: A Single-Case Study with Police Trainers
Notice bibliographique
Résumé
It is widely recognized that police performance may be hindered by psychophysiological state changes during acute stress. To address the need for awareness and control of these physiological changes, police academies in many countries have implemented Heart-Rate Variability (HRV) biofeedback training. Despite these trainings now being widely delivered in classroom setups, they typically lack the arousing action context needed for successful transfer to the operational field, where officers must apply learned skills, particularly when stress levels rise. The study presented here aimed to address this gap by training physiological control skills in an arousing action context. We developed a Virtual-Reality (VR) breathing-based biofeedback training in which police officers perform deep and slow diaphragmatic breathing in an engaging game-like action context. This VR game consisted of a selective shoot/don’t shoot game designed to assess response inhibition, an impaired capacity in high arousal situations. Biofeedback was provided based on adherence to a slow breathing pace: the slower and deeper the breathing, the less constrained peripheral vision became, facilitating accurate responses to the in-game demands. A total of nine male police trainers completed 10 sessions over a 4-week period as part of a single-case experimental ABAB study-design (i.e., alternating sessions with and without biofeedback). Results showed that eight out of nine participants showed improved breathing control in action, with a positive effect on breathing-induced low frequency HRV, while also improving their in-game behavioral performance. Critically, the breathing-based skill learning transferred to subsequent sessions in which biofeedback was not presented. Importantly, all participants remained highly engaged throughout the training. Altogether, our study showed that our VR environment can be used to train breathing regulation in an arousing action context.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».