Opportunities and challenges in using virtual reality to improve cognitive functioning of the elderly
Notice bibliographique
Résumé
Over the past decade, researchers have utilized novel technologies to improve the lives of the elderly population. Virtual Reality (VR) is among the most promising platforms that could help the elderly stay cognitively active; However, the extent to which this population is willing to seek out and engage in VR activities remains unclear. In this document, we have discussed our two studies regarding VR and seniors. Our first study is a pilot project including three senior residents of Winnipeg. In this study, we assessed the impact of VR game name “DoVille” on the cognitive capacities of the elderly. We designed a two-week procedure with 20 minutes of VR sessions per day. While the comparison of pre-DoVille and post-DoVille test scores were statistically insignificant, we have gained valuable information about the feasibility and possible challenges of similar projects in the future. Among these issues, we have discussed the eligibility criteria, VR sessions’ setting and length of training sessions for the seniors. The second study is a survey project assessing the attitudes of the elderly toward VR during the COVID-19 pandemic. All senior residents of Manitoba between the ages of 65 and 90 were eligible to participate in the study. The survey was administered online and by phone, and 103 individuals responded to our questionnaire. Our results suggest that a large proportion of elderly individuals have become interested in VR technology as a result of the COVID-19 pandemic. We developed two models for VR use based on the responses. Our model of VR use for communication/interaction could account for approximately 50% of the variance in interest levels in VR, and our model of VR use for cognitive benefits accounted for 35% of the variance. These models included variables such as previous experience with technology, age and gender. In conclusion, these two studies provide us with a better understanding of the elderly’s interest in technology and how we could implement new VR interventions for them in the future.
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 | 0,019 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».