Predicting VR cybersickness and its impact on visuomotor performance using head rotations and field (in)dependence
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
Introduction: This exploratory study aims to participate in the development of the VR framework by focusing on the issue of cybersickness. The main objective is to explore the possibilities of predicting cybersickness using i) field dependence-independence measures and ii) head rotations data through automatic analyses. The second objective is to assess the impact of cybersickness on visuomotor performance. Methods: 40 participants completed a 13.5-min VR immersion in a first-person shooter game. Head rotations were analyzed in both their spatial (coefficients of variations) and temporal dimensions (detrended fluctuations analyses). Exploratory correlations, linear regressions and clusters comparison (unsupervised machine learning) analyses were performed to explain cybersickness and visuomotor performance. Traditional VR human factors (sense of presence, state of flow, video game experience, age) were also integrated. Results: Results suggest that field dependence-independence measured before exposure to VR explain ¼ of the variance of cybersickness, while the Disorientation scale of the Simulator Sickness Questionnaire predicts 16.3% of the visuomotor performance. In addition, automatic analyses of head rotations during immersion revealed two different clusters of participants, one of them reporting more cybersickness than the other. Discussion: These results are discussed in terms of sensory integration and a diminution of head rotations as an avoidance behavior of negative symptoms. This study suggests that measuring field dependence-independence using the (Virtual) Rod and Frame Test before immersion and tracking head rotations using internal sensors during immersion might serve as powerful tools for VR actors.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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