Using Augmented Reality to Assess the Role of Intuitive Physics in the Water-Level Task
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The “Water Level Task” (WLT) is a classic cognitive task that assesses an individual’s ability to draw the water level in a tilted container. Most of the existing research has used 2D imagery and shown that adults struggle with the task. Our research investigates if the use of augmented reality (AR) improves an individual’s performance by engaging embodied interaction and natural interaction with the world, thus taking advantage of their “intuitive physics.” We created a traditional online WLT to recruit low- and high-scoring participants for the AR experiment. Using a HoloLens2 AR headset, we created two containers half-filled with water. One of the simulations featured a water surface that did not remain horizontal when the container was tilted, while in the other simulation, the water surface remained level. Participants were able to interact with the containers and were asked to indicate which simulation looked more natural. Our results revealed that individuals prone to errors in the 2D version of the task were more likely to make errors in the AR version, indicating that misconceptions about water orientation persist even in a more natural setting. However, people’s perceptions of the natural orientation of water differed in 2D and AR settings, suggesting that different perceptual and cognitive factors were involved in participants’ intuitive understanding of the natural orientation of water in the two settings. Additionally, we found that participants were insensitive to minor tilts of the water surface. Our study highlights the potential benefits of using AR to create more realistic and interactive virtual environments, which provides a basis for further study of intuitive physics and how humans interact with physical environments.
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.
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 | 0,000 | 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 | 0,000 | 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) | 0,000 | 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 découle