Bridging game metrics and user perception in remote virtual reality exergames: Lessons from a COVID-19 home-based study
Notice bibliographique
Résumé
Objective With the increasing affordability of virtual reality (VR) technology, VR exergames are emerging as promising tools for promoting physical activity and engagement among older adults. However, little is known about how VR-generated game metrics and user experience data evolve over time and influence long-term adherence. This study examined the feasibility of a custom VR exergame- Seas the Day -for at-home use during the COVID-19 lockdown. Methods Thirteen community-dwelling older adults completed 18 seated VR sessions over 6 weeks (3×/week), integrating Tai Chi, rowing, and fishing activities. Automatically recorded in-game metrics included rowing repetitions, Tai Chi completion time, fishing response times, distance traveled, and in-game errors. A difficulty-adjusted performance index (DAPI) was computed using session one as baseline to track progress over time. Participants also completed a Game User Experience Scale at weeks 3 and 6. Results Most participants showed improving or stable performance across sessions, with a smaller subset declining, highlighting individual differences. Significant gains were observed in Tai Chi completion time, rowing efficiency, and fishing response times. DAPI results confirmed overall upward performance trends despite repeated exposure. Game User Experience ratings remained high, particularly for enjoyment and ease of use, indicating sustained engagement and adherence. Conclusion Custom VR exergames can support physical activity and engagement among older adults in home settings, even during periods of social restriction. Game metrics and self-reported experience offer complementary insights into feasibility, adaptability, and individualized progress, underscoring VR exergaming's potential to promote well-being while emphasizing the need for personalized engagement strategies.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».