Key points are not available for this paper at this time.
La réalité virtuelle (RV) continue de croître à mesure que des dispositifs technologiques plus accessibles deviennent disponibles. Les jeux vidéo sont l'une des applications les plus rentables, tandis que la réhabilitation a le plus grand impact social. Les deux applications nécessitent une évaluation appropriée de l'utilisateur pour offrir des expériences personnalisées qui évitent des situations ennuyeuses ou stressantes. Malgré les applications réussies, il existe plusieurs opportunités pour améliorer le domaine des interactions homme–machine, l'une des plus populaires étant l'utilisation de la détection affective pour créer des expériences personnalisées. Dans ce sens, cette étude présente la mise en œuvre de deux stratégies d'adaptation dynamique de la difficulté. L'état affectif de la personne est estimé à travers un modèle de classification par apprentissage automatique, qui sert ensuite à adapter la difficulté du jeu vidéo en ligne. Les résultats montrent qu'il est possible de maintenir l'utilisateur à un niveau de difficulté donné, ce qui est analogue à atteindre l'état de flux bien connu. Parmi les deux stratégies mises en œuvre, aucune différence statistique n'a été trouvée dans la charge de travail induite par les utilisateurs. Cependant, des exigences physiques plus élevées et une plus grande frustration ont été induites par l'une des stratégies, validées par l'activité musculaire enregistrée. Les résultats obtenus contribuent à l'état de l'art des stratégies DDA en réalité virtuelle pilotées par des données affectives.
Orozco-Mora et al. (Ven,) ont étudié cette question.