Les apports de la réalité virtuelle à la prise en charge des déficiences cognitives
Bibliographic record
Abstract
Dans la perspective de l’étude et du traitement des dysfonctionnements de la cognition, chercheurs et thérapeutes se sont saisis, dès le début des années 1990, des possibilités offertes par les concepts et les technologies de la réalité virtuelle. Ces technologies offrent en effet à l’être humain de nouveaux espaces d’interaction et d’expression dans lesquels il peut être immergé, dans des conditions de plus en plus diversifiées allant de systèmes lourds permettant une immersion multi-sensorielle (tel que CAVE®) à des supports utilisés dans la vie quotidienne accessibles à des coûts de plus en plus bas (console Wii). Elles permettent une exploration multiparamétrique de l’activité de l’utilisateur, et ainsi la compréhension de sa performance dans des tâches simulées ayant du sens. Le champ de la santé et du handicap est un domaine d’application prometteur dans lequel l’intégration de ces technologies soulève de nombreuses questions tant au niveau de la compréhension du fonctionnement humain, de la simulation des tâches et des univers virtuels qu’au niveau de l’interfaçage du participant avec le monde virtuel. Les travaux menés dans ce domaine sont donc marqués par une forte interdisciplinarité, avec des compétences tant humaines et sociales que cliniques et technologiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".