Virtual Reality High-Intensity Interval Training Exergaming Compared to Traditional High-Intensity Circuit Training Among Medical Students: Pilot Crossover Study
Notice bibliographique
Résumé
Background: This study evaluated the effectiveness of a virtual reality (VR) high-intensity interval training (HIIT) boxing protocol compared to traditional high-intensity circuit training (HICT) in improving exercise motivation, engagement, and physiological responses among 30 healthy medical students. Objective: The purpose was to compare the VR HIIT protocol, which involved using an Oculus Quest 2 for a futuristic exoskeleton game experience, with a traditional 12-exercise HICT. Methods: In total, 30 medical students engaged in both VR HIIT, using an Oculus Quest 2 for a futuristic exoskeleton game experience, and a traditional 12-exercise HICT. Metrics included heart rate (HR) and blood lactate levels before and after exercise alongside ratings of perceived exertion and the Situational Motivation Scale. Results: VR HIIT showed significantly higher mean HR (mean 161, SD 15 vs mean 144, SD 11 bpm; d=1.5; P<.001), peak HR (mean 182, SD 15 vs mean 176, SD 11 bpm; d=0.8; P=.001), and ratings of perceived exertion (mean 16, SD 2 vs mean 15, SD 2; d=0.4; P=.03). Postexercise lactate levels were higher in HICT (mean 8.8, SD 4.5 vs mean 10.6, SD 3.0 mmol/L; d=0.6; P=.006). Intrinsic motivation and other psychological measures showed no significant differences, except for lower fatigue in HICT (d=0.5; P=.02). Conclusions: VR HIIT significantly enhances physiological parameters while maintaining intrinsic motivation, making it a viable alternative to traditional HICT. However, the short-term nature of this study is a limitation, and future research should explore the long-term engagement and therapeutic impacts of VR exercise in diverse and clinical populations.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».