Virtual Reality’s Effect on Time Estimation is Inconsistent and Depends on Environment Size
Notice bibliographique
Résumé
Abstract Despite anecdotal reports that time flies in virtual reality (VR), only a few studies have found that participants underestimate time in VR in comparison with a matched non-VR control condition. Across three experiments, we attempt to replicate one of these studies (Mullen and Davidenko, 2021) and to identify factors that may mediate the effect of VR on time estimation. Participants were assigned to play a simple video game for a specified duration (five or 10 minutes) in one of two display conditions (VR or conventional monitor), and we recorded the actual durations they produced. Experiments 1 and 2 both failed to replicate a VR-induced underestimation effect, suggesting that the previously reported effect is not reliable. However, the VR group in Experiment 2 produced significantly longer intervals than the VR group in Experiment 1. This difference may be related to changes in virtual camera size, which inversely determines the simulated scale of the environment in VR. Experiment 3 tested this possibility by assigning participants to estimate time in VR conditions that used a small, medium, or large virtual camera. Participants tended to underestimate time in smaller-camera (i.e., larger environment) conditions relative to larger-camera (smaller environment) conditions. Collectively, these results suggest that controlled experiments may fail to detect VR-induced time compression because the virtual environments that they use as stimuli (specifically, those that can be viewed from a fixed perspective in a non-VR control condition) lack the immersive scale of commercial VR experiences.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».