MétaCan
Menu
Retour à la cohorte
Enregistrement W4390906951 · doi:10.2196/46397

Effectiveness of Metaverse Space–Based Exercise Video Distribution in Young Adults: Randomized Controlled Trial

2024· article· en· W4390906951 sur OpenAlexvenueno aff
Rami Mizuta, Noriaki Maeda, Tsubasa Tashiro, Yūta Suzuki, Sayo Kuroda, Ayano Ishida, Sakura Oda, Tomoya Watanabe, Yuki Tamura, Makoto Komiya, Yukio Urabe

Notice bibliographique

RevueJMIR mhealth and uhealth · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMetaverseRandomized controlled trialSpace (punctuation)Physical activityComputer sciencePsychologyMultimediaPhysical therapyMedicineVirtual realityHuman–computer interaction

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In response to the serious lack of physical activity among young adults, recent attempts have been made to encourage young people to exercise through exercise video distribution. However, merely distributing videos does not lead to improved physical activity levels. Metaverse space, which enables web-based interaction through avatars, allows users to watch exercise videos in the same space as other avatars. OBJECTIVE: This study explored whether exercise video distribution using metaverse space is effective in improving physical activity levels, along with mental health and locomotive function, among young people. METHODS: In this parallel-group randomized controlled trial participants were recruited using printed poster displays. A total of 48 young adults aged between 18 and 30 years were assigned to 3 groups of 16 each: the metaverse, YouTube, and control group. To encourage exercise, the metaverse group was given an exercise video each week with a load of around 4-8 metabolic equivalents of tasks (METs) for 8 videos delivered in the metaverse space. The YouTube group was sent a URL on YouTube every week to view exercise videos with the same content as the metaverse group. The control group was given no special instructions. The intervention period was 8 weeks. Pre- and postintervention physical activity, well-being, locomotive syndrome risk tests, and social capital were measured. Although this study was not blinded to the participants, the measurers did not know to which group the participants belonged. Mixed model repeated-measures analyses and a post hoc Wilcoxon signed rank sum test were performed to detect the effects of the intervention in all groups. RESULTS: The results of the mixed model repeated-measures analyses showed a significant interaction between groups and before and after the intervention for total physical activity (metaverse group: pre 737.1, SD 609.5 METs/week, post 1575.4, SD 1071.8 METs/week; YouTube group: pre 661.7, SD 710.7 METs/week, post 911.9, SD 1103.3 METs/week; and control group: pre 930.6, SD 665.1 METs/week, post 844.7, SD 701.8 METs/week; P=.04) but none for the indicators of well-being (P=.40), locomotive function scale (P=.17), and social capital (P=.23). A post hoc test showed a significant increase in physical activity in the metaverse group before and after the intervention (P=.006). CONCLUSIONS: This study is the first to show that delivering exercise videos through metaverse space can increase physical activity in young adults by providing a gathering space for individuals similarly motivated for exercise practice. This way, the sense of isolation during exercise is reduced compared with merely distributing videos on YouTube. The use of metaverse space in health promotion is likely to spread, and this study provides a useful reference for its exploration. TRIAL REGISTRATION: ClinicalTrials.gov NCT06019156; https://ichgcp.net/clinical-trials-registry/NCT06019156.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,197
Score d'incertitude au seuil0,539

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,338
Écart entre enseignants0,320 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetVirtual Reality Applications and ImpactsTravaux en français237 207