MétaCan
Menu
Retour à la cohorte
Enregistrement W4403263759 · doi:10.2196/63461

Virtual Reality High-Intensity Interval Training Exergaming Compared to Traditional High-Intensity Circuit Training Among Medical Students: Pilot Crossover Study

2024· article· en· W4403263759 sur OpenAlexvenueno aff
Pietro Merola, Marcos Barros Cardoso, Gabriel Barreto, Matheus Carvalho Chagas, Luana Farias de Oliveira, Bryan Saunders, Danilo Cortozi Berton

Notice bibliographique

RevueJMIR Serious Games · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueVirtual Reality Applications and Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintHigh-intensity interval trainingTraining (meteorology)Virtual realityInterval (graph theory)Intensity (physics)Interval trainingComputer sciencePhysical therapyHuman–computer interactionMedicineMathematicsWorld Wide WebPhysicsOptics

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,089
Tête enseignante GPT0,334
Écart entre enseignants0,245 · 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 source (Gemma direct ou Codex distillé), 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

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetVirtual Reality Applications and ImpactsTravaux en français237 207