Effects of simulated and perceived motion on cognitive task performance
Notice bibliographique
Résumé
Compelling simulated motion in virtual environments can induce the sensation of self motion (or vection) in stationary observers. While the usefulness and functional significance of vection is still debated, the literature has shown that perceived magnitude of vection is lower when observers perform attentionally demanding cognitive tasks than when attentional demands are absent. Could simulated motion and the resulting vection experienced in virtual environments in turn affect how observers perform various attention demanding tasks? In this study therefore, we investigated how accurately and rapidly observers could perform attention-demanding aural and visual tasks while experiencing levels of vection-inducing motion in a virtual environment. Seventeen adult observers were exposed to different levels of simulated motion at virtual camera speeds of 0 (stationary), 5, 10 and 15 m/s in a straight virtual corridor rendered through a Vive-Pro Virtual Reality headset. During these simulations, they performed aural or visual discrimination tasks, or no task at all. We recorded the accuracy, the time observers took to respond to each task, and the intensity of vection they reported. Repeated Measures ANOVA showed that levels of simulated motion did not significantly affect accuracy on either task (F(3,48) = 1.469, p = .235 aural; F(3,48) = 1.504, p = .226 visual), but significantly affected the response times on aural tasks (F(3,48) = 4.320, p = .009 aural; F(3,48) = 0.916, p = .440 visual). Observers generally perceived less vection at all levels of motion when they performed visual discrimination tasks compared to when they had no task to perform (F(2,32) = 13.784, p = .038). This suggests that perceived intensities of vection are significantly reduced when people perform attentionally demanding tasks related to visual processing. Conversely, vection intensity or simulated motion speed can affect performance on aural tasks.
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 | 0,000 | 0,004 |
| 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 | 0,000 | 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) | 0,001 | 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 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 ».