Tailored Immersion: Implementing Personalized Components Into Virtual Reality for Veterans With Post-Traumatic Stress Disorder
Notice bibliographique
Résumé
Introduction With the application of virtual reality (VR), tailored interventions can be created that mirror the traumatic experiences of veterans with post-traumatic stress disorder (PTSD). Visual elements can be mimicked, and auditory and other senses stimulated. In doing so, the degree of immersion can be adjusted to optimize the therapeutic process. Objectively measuring the sensory immersion is key to keep subjects within their personal window of tolerance. Based on this information the therapist can decide manipulate the sensory stimulation embedded in the treatment. Objectives The objectives of this study are to explore the different immersive design aspects of VRET that can be modified to influence the experienced presence in veterans with PTSD, and to discuss possible methods of measuring the emotional response facilitated by immersive design aspects and experienced presence. Methods Four design aspects are discussed: system, sensory cues, narrative and challenge. We also report on a user experiment in three veterans that informed on quality and depth of immersion. Results Believability of the neutral virtual environment was important for maintaining the veterans’ presence within the VR experience. The immersive design aspects that were personalized and supportive in the narrative of the veteran such as music and self-selected images appeared to have a strong influence on recall and reliving of the traumatic events. Conclusions Finally, in order to increase the therapeutic effect in veterans with PTSD, the highlighted design aspects should be recognized and tailored to maximize immersion in virtual reality exposure therapy. Disclosure No significant relationships.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».