Notice bibliographique
Résumé
This research concerns the relationships among space, story, and body in nonfictional Virtual Reality (VR) projects with the user as a first-person protagonist. What was once called immersive journalism (i.e., attempting to offer users physical experiences of factual journalism) has become increasingly film-oriented over the last five years with the further development of head-mounted displays for the consumer market. As such, projects often tell stories that relate to reality and allow protagonists to enter realistic narratives. Mel Slater has investigated VR projects since 2005, analyzing factors such as place illusion (PI) and plausibility illusion (Psi). In later writings, Slater expanded his research to include the body-oriented sense of embodiment (SoE) (Slater 2009; Slater et al. 2010; De La Pena et al. 2010; Kilteni et al. 2012). Since nonfictional VR mostly tells a story in the direction of the users, incorporating them into the story design, the effects of narration also should be considered. Domenic Arsénault (2005) noted three levels of narrative immersion in VR when dealing with narrative projects. Considering this, it is possible to develop a four-level matrix including place, plausibility, body perception, and narration. Starting in 2020, a Graduate student research project at the University of Leipzig was set up using this matrix to analyse four current examples for a small, non-representative study of twenty-four participants. Our findings demonstrate that space and story in first-person VR experiences are very important, while the installation of plausibility and coherence is less significant. The connecting factor of these two levels is one's own body. Users read, experience, and understand projects with their senses, perceptions, and cognition, making a discussion of an episteme of the body possible. Thus, stories from real life are not conveyed indirectly but experienced directly and personally.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,024 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,008 |
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 ».