MétaCan
Menu
Retour à la cohorte
Enregistrement W4401880341 · doi:10.1109/segah61285.2024.10639554

An Approach for Automatic Adaptation of Serious Games Applied to Virtual Motor Rehabilitation

2024· article· en· W4401880341 sur OpenAlexaff
Alexandre Kira, Rodrigo Garcia Pontes, Luciano Vieira de Araújo, Carlos Bandeira de Mello Monteiro, Álvaro Uribe-Quevedo, Fátima L. S. Nunes

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueHuman Motion and Animation
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésAdaptation (eye)Computer scienceRehabilitationHuman–computer interactionPsychologyNeuroscience

Résumé

récupéré en direct d'OpenAlex

Virtual rehabilitation has seen the use of game design principles to create serious games and exergames aimed at further involving the patient in therapy to increase adherence and compliance. The addition of game design elements to the therapeutic context can keep patients engaged throughout the exercises, which are characterized as repetitive and monotonous. Studies involving virtual rehabilitation with the use of serious games have obtained promising results, but there are still challenges regarding the possibility of automatic adaptation based on metrics associated with the limitations and needs of each individual. This paper proposes an approach to automatic adaptation to serious games applied to virtual motor rehabilitation. A game was developed as a proof of concept and experiments were conducted with physiotherapists and typical users to evaluate the feasibility of applying it in real therapy sessions. The results indicate the preference of physiotherapists for games with automatic adaptation, which demonstrates positive attitudes toward integrating this technology into rehabilitation practices. Usability feedback from healthcare professionals and typical users suggested ease of interaction and highlighted areas for improvement, including the potential of virtual rehabilitation games to optimize therapy outcomes.

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)0,000
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,600
Score d'incertitude au seuil0,248

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,011
Tête enseignante GPT0,236
Écart entre enseignants0,225 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHuman Motion and AnimationTravaux en français237 207