Investigating Dynamics of Subjective Anxiety and Behavior Due to Personal Space Violations and COVID-19-Related Stressors in a Social VR Simulation
Notice bibliographique
Résumé
Personal space is the physical distance individuals prefer to maintain from others, and its violation induces stress, anxiety, and behavioral change—a phenomenon intensified during the COVID-19 pandemic. While prior research has largely relied on postexperiment questionnaires in passive, one-to-one scenarios, few studies have examined dynamic, crowd-based settings, and to our knowledge, none have collected time-resolved subjective anxiety aligned with moment-to-moment environmental stimuli. We introduce a novel social VR simulation that enables such dynamic analysis by combining continuous self-reports of anxiety with highresolution behavioral tracking during a two-stage, goal-oriented task. In Stage 1, participants navigated immersive VR environments (indoor/outdoor) while encountering virtual agents—some invading personal space, coughing, or (not) wearing masks. In Stage 2, they retrospectively annotated their experiences using first-person video playback. We also administered personality and COVID-related questionnaires. Across$N=109$participants, we collected over 40,000 seconds of annotated data ($\approx 374.56$s per person). Key findings include: 1) Personal space invasions significantly increased anxiety and movement, 2) Coughing agents elevated stress responses, while masks had no significant effect, and 3) Goal achievement consistently reduced anxiety, overriding other stressors. These results provide fine-grained insight into the temporal dynamics of emotional and behavioral responses to social stressors, and offer new design implications for social VR 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 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 | 0,000 | 0,003 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».