MétaCan
Menu
Retour à la cohorte
Enregistrement W4414000437 · doi:10.1101/2025.09.02.673854

Tool and hand adaptation and localization in immersive virtual reality

2025· preprint· en· W4414000437 sur OpenAlexaff
Shanaathanan Modchalingam, Denise Y. P. Henriques

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2025
Typepreprint
Langueen
DomaineComputer Science
ThématiqueHand Gesture Recognition Systems
Établissements canadiensYork UniversityWestern University
Organismes subventionnairesnon disponible
Mots-clésAdaptation (eye)Virtual realityHuman–computer interactionComputer sciencePsychologyCognitive psychologyNeuroscience

Résumé

récupéré en direct d'OpenAlex

Abstract The human brain readily adapts movements to achieve motor goals. Most visuomotor adaptation studies use planar reaching with a cursor, where misaligned feedback leads to compensatory adjustments, reach aftereffects, and shifts in perceived hand location. Whether these effects extend to more natural settings and tool use remains unclear. In the Hand Experiment, we showed that in immersive virtual reality (VR), adaptation to 30° and 60° visuomotor rotations produced robust reach aftereffects and the expected shifts in hand localization. In the Pen Experiment, we extended this paradigm to a familiar hand-held tool, assessing localization of both the tool tip and the hand. Adaptation with the pen induced comparable or greater recalibration effects than with the hand-cursor, including shifts in both perceived tool and hand position. These findings demonstrate that visuomotor adaptation in immersive VR generalizes beyond cursor-based tasks, revealing how the sensorimotor system recalibrates internal representations of both the body and tools in realistic 3D environments. Author summary for PLOS ONE This study shows that when people adapt their movements in virtual reality, the brain recalibrates not only the sensed position of the hand but also of familiar tools, highlighting how we update body and tool representations in everyday-like environments.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,746
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,020
Tête enseignante GPT0,230
Écart entre enseignants0,210 · 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.

Devis d'étudeObservationnel
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetHand Gesture Recognition SystemsTravaux en français237 207