Measuring the susceptibility to visually induced motion sickness and its relationship with vertigo, dizziness, migraine, syncope and personality traits
Notice bibliographique
Résumé
The widespread use of visual technologies such as Virtual Reality increases the risk of visually induced motion sickness (VIMS). Previously, the 6-item short version of the Visually Induced Motion Sickness Susceptibility Questionnaire (VIMSSQ short form) has been validated for predicting individual variation in VIMS. The aim of the current study was to investigate how the susceptibility to VIMS is correlated with other relevant factors in the general population. A total of 440 participants (201 M, 239F), mean age 33.6 (SD 14.8) years, completed an anonymous online survey of various questionnaires including the VIMSSQ, Motion Sickness Susceptibility Questionnaire (MSSQ), Vertigo in City questionnaire (VIC), Migraine (scale), Social & Work Impact of Dizziness (SWID), Syncope (faintness), and Personality ('Big Five' TIPI). The VIMSSQ correlated positively with the MSSQ (r = 0.50), VIC (r = 0.45), Migraine (r = 0.44), SWID (r = 0.28), and Syncope (r = 0.15). The most efficient Multiple Linear Regression model for the VIMSSQ included the predictors MSSQ, Migraine, VIC, and Age and explained 40% of the variance. Factor analysis of strongest correlates with VIMSSQ revealed a single factor loading with VIMSSQ, MSSQ, VIC, Migraine, SWID, and Syncope, suggesting a common latent variable of sensitivity. The set of predictors for the VIMSSQ in the general population has similarity with those often observed in patients with vestibular disorders. Based on these correlational results, we suggest the existence of continuum of underlying risk factors for sensitivity, from healthy population to patients with extreme visual vertigo and perhaps Persistent Postural-Perceptual Dizziness.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».