Pedalling through Pixels: Decoding the methodological framework of virtual reality cycling research
Notice bibliographique
Résumé
• VR studies capture cyclist behavior, opinions, and perceptions. • Lack of behavioral validation raises concerns about applicability. • Methodological inconsistencies in VR research can yield conflicting results. • Simulator sickness tied to methodology may affect outcomes. • Common beliefs in VR research lack sufficient supporting evidence. As cycling continues to grow in popularity and importance, virtual reality (VR) presents an opportunity to conduct safe and efficient studies on cyclist behaviours, opinions, and perceptions. The goal of this review is to develop an improved understanding of the methodological framework for conducting cycling simulator research. To do this, 50 VR cycling studies from 2020 to 2024 were reviewed, examining their study design and methodological considerations, technological setup and apparatuses, and data collection and evaluation techniques. From this analysis, it was found that there are many inconsistencies in the design and execution of VR cycling studies, including number of trials (range from 1 to 54), time in VR, participant sample sizes (range from 1 to 208), processes for calibration and validation, and data collection and evaluation techniques. The current lack of consistency within the field of VR cycling research presents a significant challenge, since changes in the methodological framework can influence the results and insights obtained. Even in recent years, conflicting results have been reported in the literature, and either no supporting evidence or conflicting evidence was found in this review for some commonly held beliefs about VR cycling research. In the future, studies are needed to investigate how the identified inconsistencies affect study results to move towards a more rigorous methodological framework for cycling simulator research.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».