Exploring fundamentals of immersive environment setups on food sensory perception in space contexts
Notice bibliographique
Résumé
Research suggests that space travel alters sensory perception, however, it is not yet clear what individual factors affect this perception. Taylor et al. (2020) emphasised the importance of tailoring strategies to enhance palatability and intake based on individual differences. This study aims to evaluate how an immersive space-like environment, created using screens, influences food odour perception and emotional responses. Specifically, it explores the setup of immersive screen studies to assess sensory perception and affective responses over time, considering factors such as lighting conditions in dark versus bright rooms. 29 participants were involved in a crossover design experiment in which they watched a 20-min video of a rocket launch, accompanied by environmental sounds at 70 dB, following NASA's International Space Station noise constraints. The participants were randomly assigned to evaluate the video in either a dark or bright room. The rocket launch video was chosen for its emotional impact, as it can induce awe and self-transcendent experiences, like the “Overview Effect” experienced by astronauts. Participants assessed the intensity of three food odours (vanilla, citrus, and almond) at four time points: just after takeoff, and at 5, 10, and 15 min. Measurements included liking (9-point hedonic scale), intensity (Labeled Magnitude Scale), and emotional responses (using 39 terms from the EsSense Profile). Results showed that for vanilla and almond, odour liking remained consistent over time, regardless of lighting conditions. However, for citrus, liking increased over time in the dark room. An inverse relationship between positive and negative emotions throughout the immersion period was observed, highlighting the importance of time in evoking emotional responses. Emotions during testing with the immersive screens were generally positive, such as feelings of ‘calm’, suggesting that the methodology may not be entirely suitable for simulating the more cluttered and isolated environment of a space shuttle.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».