VisualEars: How an immersive art exhibit impacts mood during the COVID-19 pandemic
Notice bibliographique
Résumé
This paper explores the positive impact of viewing a virtual art exhibit on mood during the COVID-19 Pandemic. During global lockdowns, depression, anxiety, and the burden of other mental illnesses have increased even among prior psychiatrically healthy individuals. Art and music-based interventions have shown to be effective clinical interventions in individuals with mental illness. The VisualEars project explored whether a virtual activity involving vision and auditory stimuli could improve positive and negative affect. Eight musical pieces were selected, and 28 visual artists from around the world visualized two musical pieces. A total of 56 works of art were created and hung in eight 3D virtual rooms. Visitors were randomly selected to either view the art exhibit without music (non-immersive) or view the art exhibit while listening to music (immersive). Visitors were asked to complete a positive and negative affect schedule (PANAS) in three languages (English, French, and Farsi) pre and post their virtual visit. A total of 160 participants completed baseline PANAS, 58 of which completed the follow-up PANAS. Linear mixed-effects models found that older participants had lower negative affect scores overall ( b = −0.3, p = 0.003), while male participants had lower positive affect scores overall ( b = −0.27, p = 0.02). Following the virtual exhibit participants of both conditions had higher positive ( b = 0.17, p = 0.03), and lower negative affect scores ( b = −0.19, p = 0.007). We found that the virtual art exhibit increased positive affect and decreased negative affect in participants, suggesting an overall improvement in mood attributable to the virtual exhibit. This suggests that virtual exhibits may serve as a beneficial and accessible intervention to improve mood during a pandemic.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».