Find research datasets worth reusing
Search datasets from major research repositories and use ShareScore to quickly assess how well each record supports discovery, access, and reuse.
558
datasets available to search
ShareScore release 0.7.1
Dataset results
558 results for “VR”
Investigating effect chains from cognitive and noise-induced short-term stress build-up to restoration in an urban or nature setting using 360° VR
<p>Dataset for demographic, psychological and physiological data obtained for RESTORE (Experiment 1 WP1). Study results are published in the article titled "Investigating effect chains from cognitive and noise-induced short-term stress build-up to restoration in an urban or nature setting using 360° VR" in the Journal of Environmental Psychology. Explanations on all variables (column names) in the datasets are given either in the second spreadsheet in each Excel file or in the csv files appended with _legend.csv (see latest version of the dataset). File 'Psychophysiological_participant_data_aggregated' is aggregated per participant (single or mean values), and the file 'Restoration_EDA_baseline-corrected_aggregated' contains EDA data aggregated per time point per restoration setting (Nature vs Urban) and prior cognitive demand condition. Methodological details on how the data was obtained and processed are given in the Open Access article.</p>
LimeSurvey-Befragung: Authentizitätszuschreibungen in der VR-Anwendung Blackbox (Phase I von II, ID824987)
<p>Bei den hier vorliegenden Datensätzen handelt es sich um den Appendix meiner Dissertation "Virtual Reality in Gedenkstätten – Eine empirische Untersuchung zu Authentizitätskonstruktionen". Diese wurde am 30.04.2024 eingereicht, eine Veröffentlichung steht noch aus.</p> <p>Der Datensatz enthält alle derzeit möglichen Exportformate der LimeSurvey-Befragung: Authentizitätszuschreibungen in der VR-Anwendung Blackbox (Phase I von II, ID824987). (Limesurvey: Community Edition, Version 5.6.13+230327). Gesichert wurden sowohl die Umfragestruktur, als auch die Statistiken (statistic-survey824987.xls, statistic-survey824987.pdf).</p> <p> </p> <p>Die folgenden Beschreibungen wurden wörtlich von https://umfrage.uni-wuppertal.de/ übernommen:</p> <ul> <li><strong>Umfrage-Struktur (*.lss)</strong> <ul> <li>Bei diesem Export werden alle Gruppen, Fragen, Antworten und Bedingungen für Ihre Umfrage in einer .lss-Datei (die im Grunde eine XML-Datei ist) abgelegt. Diese Umfragestruktur kann beim Erstellen einer neuen Umfrage mit der Funktion 'Umfrage importieren' verwendet werden. Eine Umfrage, die ein benutzerdefinierte Designvorlage verwendet, wird zwar importiert, aber die Vorlage, auf die sie verweist,könnte dem neuen Server nicht vorhanden sein. In diesem Fall verwendet das System die globale Standarddesignvorlage.</li> </ul> </li> <li><strong>Umfragearchiv (.lsa) </strong> <ul> <li>Dieser Export soll eine vollständige Sicherung einer aktiven Umfrage zu Archivierungszwecken erstellen. Es enthält die folgenden Daten in einer ZIP-Datei, die mit '.lsa' endet. <ul> <li>Umfragestruktur Antwortdaten (Achtung: Enthält keine in eine Datei-Upload-Frage hochgeladenen Dateien. Diese müssen separat exportiert werden.)</li> <li>Umfrageteilnehmerdaten (wenn verfügbar)</li> <li>Timings (falls aktiviert)</li> </ul> </li> </ul> </li> <li><strong>queXML Format (*.xml)</strong> <ul> <li>queXML ist eine XML-Beschreibung eines Fragebogens. Es ist nicht für die Sicherung einer LimeSurvey-Umfrage geeignet, da es keine Bedingungen exportieren kann und es ist nicht möglich, alle Fragetypen zu exportieren. Durch das Exportieren eines Fragebogens nach queXML können Sie PDF-Dokumente erstellen, die gedruckt, ausgefüllt, gescannt und mit der queXF-Software verarbeitet werden können. Um mehr über queXML zu erfahren, sehen Sie sich diese Seite an: quexml.acspri.org.au.</li> </ul> </li> <li><strong>queXML PDF-Export</strong> <ul> <li>queXML ist eine XML-Beschreibung eines Fragebogens. Auf der folgenden Seite können Sie eine PDF-Datei erstellen, die ausgedruckt und erneut gescannt werden kann. Es ist nicht für die Sicherung einer LimeSurvey-Umfrage geeignet, da es keine Bedingungen exportieren kann und es ist nicht möglich, alle Fragetypen zu exportieren. Um mehr über queXML zu erfahren, klicken Sie auf diese Seite: quexml.acspri.org.au .</li> </ul> </li> <li><strong>Tab-getrennte-Werte Format (*.txt)</strong> <ul> <li>Diese Funktion erleichtert die Verwendung von Excel zum Verfassen und Bearbeiten von Umfragen. Es beseitigt vollständig die Abhängigkeit von SGQA-Codes. Darüber hinaus erleichtert es die Bulk-Bearbeitung Ihrer Umfrage, z. B. Suchen/Ersetzen, Bulk-Neuordnung, Schleifen (sich wiederholende Gruppen) und Testen (z. B. vorübergehende Deaktivierung von Pflicht- oder Validierungskriterien).</li> </ul> </li> <li><strong>Druckbare Umfrageversion (* .html)</strong> <ul> <li>Dadurch wird eine .zip-Datei mit der Umfrage in allen Sprachen heruntergeladen. Es enthält auch die notwendigen Stylesheets, um es auf jedem HTML-fähigen Gerät oder Browser zu anzeigen zu können. Dies wird keine Logik oder EM-Funktionalität enthalten, das müssen Sie selbst berücksichtigen.</li> </ul> </li> </ul>
VR-Together Pilot 1: 3D Animated Character Meshes
<p>This dataset contains the 3D Animated Characters as used for the Pilot 1 experience of the VR-Together project. The animated characters come as a set of FBX files with associated diffuse and normal maps. </p>
VR-Together Pilot 3: 3D Character Models and Animation Data
<p>VR-Together Pilot 3 Character and Animation Dataset.</p> <p>This dataset contains the 3D characters and animations as used in <a href="https://vrtogether.eu/about-vr-together/pilots/pilot3/">Pilot 3 of the VR-Together project</a>. It contains the 4 characters of the associated experience and their post-processed motion capture animation data in the FBX format, as well as the texture data in the PNG format. </p> <p>The data contained in this dataset was prepared for the Unity game engine, but should be usable in other content creation systems without issue. </p> <p>VR-Together has been funded by the European Commission as part of the H2020 program, under the grant agreement 762111.</p>
RESONANCES Database : Experiment no. 1 — VR Settings
<p>This dataset is an output of the RESONANCES physiological signal-based testing protocol aimed at recognizing and measuring atmospheric emotions. It contains the virtual reality (VR) settings designed to carry out the experiment: a dark, blue, amber, and bright corridor. The training configuration is helpful to teach participants to memorize the protocol, become familiar with the VR technology, and interact with the questionnaire interface.</p> <p>This dataset is made of 7 files:<br>no. 1 dataset summary (.pdf)<br>no. 1 instructions sheet (.txt)<br>no. 5 zipped folders (.zip) including files to run the VR settings (00_Corridor_Training; 01_Corridor_Dark; 02_Corridor_Amber; 03_Corridor_Blue; 04_Corridor_Bright)</p>
Improving students' privacy awareness – Analysis of a pilot survey to design a VR environment for self-paced learning
<p>In this research, we measured the knowledge of students at the University of Debrecen in the field of data privacy awareness, online and password security.</p> <p><strong>Description</strong></p> <ul> <li>In the questionnaire, green-highlighted answer signs the correct answer to each question.</li> <li>Total data set contains the answers to each question and the respondent's age.</li> <li>Correct/incorrect data set contains information if the answer is correct to each question, and it also contains the respondent's age. One means the answer was correct, and zero means the answer was incorrect.</li> </ul>
fMRI study of a VR-based motor imagery and observation task, a conventional motor imagery task, and a motor execution task
<p>We used functional magnetic resonance imaging (fMRI) to map brain activation during: i) a VR-based motor imagery and observation task called NeuRow; ii) a conventional non-VR, motor imagery task based on the Graz paradigm; and iii) a motor execution task. Data were collected from two groups of healthy right-handed participants: 11 young adults (mean 58 age 27 ± 4 years) and 10 older adults (mean age 51 ± 6 years). The experimental protocol was designed in collaboration with the local healthcare system of Madeira, Portugal (SESARAM), in accordance with the 1964 Declaration of Helsinki, and approved by the scientific and ethic committees of the Central Hospital of Funchal with approval reference number: 21/2019. A written informed consent was obtained from each participant upon recruitment.</p> <p>Imaging was carried out on a 3T GE Signa HDxt MRI scanner (General Electrics Healthcare, Little Chalfont, United Kingdom) using a 12-channel head coil. fMRI data were acquired using a multi-slice 2D gradient-echo EPI sequence (TR/TE = 2500/30 ms, voxel size = 3.75x3.75x3.00 mm3, flip angle = 90, and FoV = 240x240 mm2). For co-registration purposes, whole-brain structural images were also acquired using a T1-weighted 3D Fast Spoiled Gradient-Echo (FSPGR) sequence (TR/TE = 7.8/3.0 ms, voxel size = 1.00x1.00x0.60 mm3).</p> <p>The following three tasks were performed for left and right arm movement separately, yielding a total of six fMRI runs (pseudo-randomized order): (a) NeuRow task: motor imagery and observation task through VR scenario (NeuRow); (b) Graz task: motor imagery only with abstract instructions (Graz), (c) and motor execution (ME): finger-tapping. Each fMRI run consisted of 8 trials, each with 20 s of baseline followed by 20 s of task (total run duration 5.33 min).</p>
A Systematic Review on the Visualization of Avatars and Agents in AR & VR displayed using Head-Mounted Displays
<p>This repository contains the data for the article "Systematic Review on the Visualization of Avatars and Agents in<br> AR & VR displayed using Head-Mounted Displays" including a BibTex file and supporting figures.</p>
Dataset from VR Streaming Server (Emulated) and Radio Access Network for Streaming Traffic
<p>The dataset contains an experiment in a site where UEs attach to a gNodeB that provides access to a streaming server that is stressed with high demanding transcoding workloads to emulate VR/AR processes. The UEs are realized through the Remote UE mode enabled by Amarisoft Simbox emulator, and the gNodeB is realized through the Amarisoft Callbox, which also provides the user plane function. The emulated VR streaming server is deployed as a Nginx pod in a Kubernetes cluster.</p> <p>We rely on MonB5G sampling functions that feed monitoring data (CPU and RAN parameters) to the monitoring system. A streaming video server has been deployed with the help of a NGINX server. It provides video-on-demand and video streaming, which can be accessed by any user (or UE) for real-time reproduction. This VR video streaming emulation aids to assess the performance of the network and therefore the benefits that each solution has brought. The video “Big Buck Bunny” with h.264 encoding and a resolution of 1920x1080p has been used for the experiments.The description of dataset features are:<br> 1-) Index Number,<br> 2-) Time: Time of the experiment,<br> 3-) N: number of VR streaming clients,<br> 4-) C: Average CPU of VR streaming server [mc]<br> 5-) O: Outbound traffic at the server average outbound traffic (O) flowing from the data interface of the video server. <br> 6-) R: Instantaneous downlink bit rate [Mbps],</p> <p>The original video file information:</p> <table> <tbody> <tr> <td> <p>Video codec </p> </td> <td> <p>Advanced Video Codec (AVC) </p> </td> </tr> <tr> <td> <p>Width </p> </td> <td> <p>1920 pixels </p> </td> </tr> <tr> <td> <p>Height </p> </td> <td> <p>1080 pixels </p> </td> </tr> <tr> <td> <p>Display aspect radio </p> </td> <td> <p>16:9 </p> </td> </tr> <tr> <td> <p>Duration </p> </td> <td> <p>10 min 34 s </p> </td> </tr> <tr> <td> <p>Max Bitrate </p> </td> <td> <p>16.7 Mb/s </p> </td> </tr> <tr> <td> <p>Frame rate </p> </td> <td> <p>30 FPS </p> </td> </tr> </tbody> </table>
Selective Attention VR and PC : Data And Analysis
<p><strong>Data and Analysis Repository for</strong></p> <p><strong>Developing Virtual Reality and Computer Screen Experiments One to One Using Selective Attention as a Case Study</strong></p> <p>June 2023, Rasmus Ahmt Hansen and Marta Topor</p> <p>The current repository holds all data and analysis scripts used in the report named above. Data files are saved in .csv format and analysis scripts were written using R and R Markdown.</p> <p>The report preprint can be accessed at:</p> <p>The study aimed to develop a reliable PC control condition for a VR experiment assessing selective attention in grade 0 children.<br> The selective attention task we developed and implemented can be accessed here:</p> <ul> <li>PC : <a href="https://doi.org/10.5281/zenodo.7844487">https://doi.org/10.5281/zenodo.7844487</a></li> <li>VR : <a href="https://doi.org/10.5281/zenodo.7844593">https://doi.org/10.5281/zenodo.7844593</a></li> </ul> <p><strong>Participants</strong></p> <p>73 grade 0 children from Danish primary schools completed the selective attention test in both VR and PC environments. Performance quality was low and thus we only included 19 participants in final analyses. All data, included and excluded, are openly available in this repository.</p> <p><strong>Data</strong></p> <ul> <li>Raw data from the PC condition can be found in the RAW PC folder</li> <li>Raw data from the VR condition can be found in the RAW VR folder</li> <li>Demographic data, anonymised, can be found in the demographics.csv file</li> <li>The final data from the 19 participants included in statistical analyses can be found in the final_data_set.csv file</li> </ul> <p><strong>Analysis</strong></p> <ul> <li>Demographic analyses can be found in the demographics.R file</li> <li>Data processing, quality control and statistical analyses can be found in the full_analysis_script.Rmd</li> <li>The plots folder holds plots used in the study report</li> </ul>
VR-Together Pilot 3: Geometry of living room, bedroom. Materials, textures and illumination
<p>VR-Together Pilot 3 geometry of living room and bedroom, materials, textures and illumination.</p> <p>This dataset contains de material created for the <a href="https://vrtogether.eu/about-vr-together/pilots/pilot3/">Pilot 3 of the VR-Together project</a>. In particular, it contains the following material:</p> <ul> <li>Geometry of the living room</li> <li>Geometry of the bedroom</li> <li>Objects</li> <li>Textures</li> <li>Illumination scheme</li> </ul> <p>All the previous material has been created in Unity.</p> <p>VR-Together has been funded by the European Commission as part of the H2020 program, under the grant agreement 762111.</p>
VR Gaming Dataset - 2025
<p>This dataset includes ALVR statistics (.json) and Wireshark packet traces (.csv) for a wide range of single-user and multi-user PCVR configurations. Our configurations are based on ALVR and SteamVR. For each user, we stream a video game from a wired server (desktop or laptop) to a wireless head-mounted display (Meta Quest 2 or 3) over Wi-Fi. In each case, the data was captured on the server.</p>
Unveiling Variations: A Comparative Study of VR Headsets Regarding Eye Tracking Volume, Gaze Accuracy, and Precision
<p>This repository contains the supplementary material to the paper "Unveiling Variations: A Comparative Study of VR Headsets Regarding Eye Tracking Volume, Gaze Accuracy, and Precision".</p> <p>Functions for converting between Fick angles, 3D vectors, and visual angles are authored by Per Baekgaard, available at <em><a href="https://github.com/baekgaard/fickpy">https://github.com/baekgaard/fickpy</a> </em></p> <p> </p> <p>In detail:</p> <p>- Dataset</p> <ul> <li>Analysis scripts</li> </ul> <p>- The Unity application:</p> <ul> <li>testHTCTobiiPro - TobiiPro licence is not included in the upload</li> <li>testViveProEye_sranipal</li> <li>testAndroid <ul> <li>scene: eval_viveFocus3, when building apk, use only Wave as xr provider</li> <li>scene: eval_metaQuestPro, Meta Quest Pro standalone</li> <li>scene: eval_metaQuestPro_pcVr, Meta Quest Pro tethered</li> </ul> </li> </ul>
Entwickelnden-Interview zur VR-Anwendung BlackBox
<p>Bei den hier vorliegenden Datensatz handelt es sich um den Appendix meiner Dissertation "Virtual Reality in Gedenkstätten – Eine empirische Untersuchung zu Authentizitätskonstruktionen". Diese wurde am 30.04.2024 an der Universität zu Köln eingereicht, eine Veröffentlichung steht noch aus.</p> <p>Enthalten sind Entwickelnden-Interview zur VR-Anwendung <a href="https://web.archive.org/web/20240311104957/https://www.spurlab.de/prototypen/blackbox" target="_blank" rel="noopener">BlackBox</a>:</p> <ul> <li>Gusztáv Hámos; Katja Pratschke (mp3, Transkript), wurde am 19.03.2024 via Zoom durchgeführt)</li> <li>Swantje Bahnsen (wurde schriftlich am 14.03.2024 via E-Mail durchgeführt)</li> </ul> <p>Zur angewandten Methodik vgl. Kapitel 7.2 der oben erwähnten Dissertation. Dazu folgende Auszüge aus der Arbeit, die Methodik und Vorgehen erläutern:</p> <ul> <li>"Für die Transkription der Interviews wurde ein einfaches System befolgt, das sich an den Vorschlägen Thorsten Dresings und Thorsten Pehls orientierte. Die Transkription wurde als Arbeitsinstrument begriffen, welches das mündliche Gespräch in Textform wiedergibt, um die aufgestellten Arbeitshypothesen zu überprüfen. Es galt dabei, einen Kompromiss zwischen größtmöglicher inhaltlicher Präzision, der Schaffung eines analysierbaren Textes und einem vertretbaren Zeit- und Arbeitsaufwand zu finden. Da eine inhaltsorientierte Analyse erfolgte, konnte z. B. auf die Erfassung von nonverbaler Kommunikation und Prosodie, d. h. die Erfassung von Satzmelodie, Betonungen usw., verzichtet werden. Die Transkription erfolgte nicht wörtlich, d. h., grammatikalische Fehler wurden stillschweigend verbessert. Wortverschleifungen wurden an das Schriftdeutsch angepasst, Wort- und Satzabbrüche, Dopplungen, Stottern, Verzögerungslaute und Verständnissignale wurden nicht transkribiert. Größere Veränderungen wurden durch Klammern gekennzeichnet. Nonverbale Äußerungen, wie z. B. Lachen, wurden durch Klammern erfasst. Unverständliche Wörter wurden mit (unv.) gekennzeichnet, längere unverständliche Passagen ggf. mit erklärenden Notizen zur Ursache ergänzt. Ein vermuteter Wortlaut wurde mit Klammern und Fragezeichen versehen. Zeitmarken wurden zum Ende jeder beantworteten Frage gesetzt. Die interviewende Person wurde durch ein „I“, die interviewte Person mit dem jeweils zugewiesenen Identifikationscode gekennzeichnet. Nach diesem wurden auch die Audio- beziehungsweise Textdateien abgespeichert. "</li> </ul>
Interview-Sammlung zur VR-Anwendung "Ernst Grube - das Vermächtnis"
<p>Bei den hier vorliegenden Datensätzen handelt es sich um den Appendix meiner Dissertation "Virtual Reality in Gedenkstätten – Eine empirische Untersuchung zu Authentizitätskonstruktionen". Diese wurde am 30.04.2024 an der Universität zu Köln eingereicht, eine Veröffentlichung steht noch aus.</p> <p>Der Datensatz enthält sowohl die Interviews (mp3, Transktipte), als auch die Standardisierungsmaßnahmen für die Versuchsleitung , in welchem die Interviewfragen enthalten sind.</p> <p> </p> <p> </p> <p>Zur angewandten Methodik vgl. Kapitel 7.2 der oben erwähnten Dissertation. Dazu folgende Auszüge aus der Arbeit, die Methodik und Vorgehen eräütern:</p> <ul> <li>"Zur Aufzeichnung der Interviews wurden zwei unterschiedliche, separate und gleichzeitig aufnehmende Settings benutzt: Während ein Rechner, ausgestattet mit t.bone SC 420 und der Windows-eigenen Software Audiorekorder arbeitete, wurde durch einen weiteren Rechner, ausgestattet mit der freien Software Audiomass aufgezeichnet. So sollte sichergestellt werden, dass mindestens eine qualitativ hochwertige Aufnahme erfolgte. Die Interviews wurden anschließend mit der Spracherkennungssystem Whisper von OpenAI automatisiert transkribiert und manuell durch Nadine Cremer nachbearbeitet."</li> <li>"Für die Transkription der Interviews wurde ein einfaches System befolgt, das sich an den Vorschlägen Thorsten Dresings und Thorsten Pehls orientierte. Die Transkription wurde als Arbeitsinstrument begriffen, welches das mündliche Gespräch in Textform wiedergibt, um die aufgestellten Arbeitshypothesen zu überprüfen. Es galt dabei, einen Kompromiss zwischen größtmöglicher inhaltlicher Präzision, der Schaffung eines analysierbaren Textes und einem vertretbaren Zeit- und Arbeitsaufwand zu finden. Da eine inhaltsorientierte Analyse erfolgte, konnte z. B. auf die Erfassung von nonverbaler Kommunikation und Prosodie, d. h. die Erfassung von Satzmelodie, Betonungen usw., verzichtet werden. Die Transkription erfolgte nicht wörtlich, d. h., grammatikalische Fehler wurden stillschweigend verbessert. Wortverschleifungen wurden an das Schriftdeutsch angepasst, Wort- und Satzabbrüche, Dopplungen, Stottern, Verzögerungslaute und Verständnissignale wurden nicht transkribiert. Größere Veränderungen wurden durch Klammern gekennzeichnet. Nonverbale Äußerungen, wie z. B. Lachen, wurden durch Klammern erfasst. Unverständliche Wörter wurden mit (unv.) gekennzeichnet, längere unverständliche Passagen ggf. mit erklärenden Notizen zur Ursache ergänzt. Ein vermuteter Wortlaut wurde mit Klammern und Fragezeichen versehen. Zeitmarken wurden zum Ende jeder beantworteten Frage gesetzt. Die interviewende Person wurde durch ein „I“, die interviewte Person mit dem jeweils zugewiesenen Identifikationscode gekennzeichnet. Nach diesem wurden auch die Audio- beziehungsweise Textdateien abgespeichert. "</li> <li>"In Anlehnung an das von den Soziologen Robert K. Merton und Patricia L. Kendall entwickelte „fokussierte Interview“, welches dazu dienen sollte, die Wirkung von Propagandafilmen zu analysieren, bezogen sich die Interviews mit den Teilnehmer*innen konkret auf den vorher erfolgten Stimulus, d. h. die benutzte VR-Anwendung. Das fokussierte Interview, wie es von Merton & Kendall entwickelt wurde, diente dabei allerdings lediglich als Inspiration, denn die dafür festgelegten vier Kriterien von Nichtbeinflussung, Spezifität, Spektrum und Tiefe lassen sich in der Praxis kaum halten. So ist es etwa in dem gesetzten Zeitrahmen für das Interview von ca. 15 Minuten nicht möglich, alle aufgeworfenen Themen des Leitfadens (Spektrum) ausführlich zu besprechen (Tiefe). Die Fragen hatten zum Ziel, die Reaktionen auf das Gezeigte zu untersuchen, genauer gesagt die Wahrnehmung von Authentizität. In der in Kapitel 6.1 erfolgten Analyse wurden die Inhalte des Stimulus analysiert, um objektive von subjektiven Inhalten zu unterscheiden. Durch die mit den Entwickler*innen der Anwendung geführten Interviews kann zudem ansatzweise zwischen intendierten und unbeabsichtigten Wahrnehmungen unterschieden werden. Die Struktur des Leitfadens beziehungsweise des Interviews bestand deswegen aus vier Phasen: Einer Informationsphase, in der*die Proband*in über die Ziele der Studie und das Anonymisierungsverfahren aufgeklärt wurde und erneut ein Einverständnis eingeholt wurde, sowie auf die Frist eines Widerspruchs der Nutzung der Daten hingewiesen wurde. In der sich anschließenden „Aufwärmphase“, in der die Aufzeichnung des Interviews bereits begonnen hatte, sollte den Interviewten der Einstieg in die Situation mit der Frage nach dem persönlichen Code und einer offenen Frage erleichtert werden. Darauf folgte eine Hauptphase mit 15 Fragen. Dabei konzentrierte sich das Interview ganz auf die subjektive Erfahrung des Erlebten. Diese war inhaltlich in drei Teile untergliedert: Der erste Fragenkomplex beschäftigte sich mit dem Erleben der virtuellen Realität, der zweite mit der Atmosphärenwahrnehmung und der Dritte mit der Wahrnehmung der Erzählung. Auch wenn der Aspekt der Vermittlung von Inhalten im Kontext dieser Arbeit keine Rolle spielte, wurde dies durch die Frage 3a („Was hast Du denn von der Erzählung inhaltlich mitgenommen?“) durch den standardisierten Fragebogen erhoben. Die Frage war aber im Rahmen des Interviews mehr dazu ausgerichtet, die Interviewten auf die Fragen nach der Verknüpfung von Raum und Erzählung vorzubereiten. Antworten der Interviewten zu dieser Frage, die hier dargestellt werden, sind demnach mehr als Impuls für sich daran anschließende Forschungsfragen gedacht. Die Art der Fragen sollte ein möglichst breites Spektrum an Reaktionen ermöglichen, war aber spezifisch auf die individuelle Wahrnehmung der VR ausgerichtet. Das Interview endete mit einem Ausklang, in der das Interview als beendet erklärt und explizit dazu aufgefordert wurde, über das Gesagte zu reflektierenden und ggf. ergänzende Anmerkungen zu machen. Da es sich bei der VR-Erfahrung, beziehungsweise dem Sprechen darüber ggf. auch um eine emotional belastende Thematik handelte, bot der Abschluss der interviewten Person auch einen Übergang zurück in den Alltag."</li> </ul>
Interviewsammlung zur VR-Anwendung BlackBox
<p>Bei den hier vorliegenden Datensätzen handelt es sich um den Appendix meiner Dissertation "Virtual Reality in Gedenkstätten – Eine empirische Untersuchung zu Authentizitätskonstruktionen". Diese wurde am 30.04.2024 eingereicht, eine Veröffentlichung steht noch aus.</p> <p>Der Datensatz enthält sowohl die Interviews (mp3, Transktipte), als auch die Standardisierungsmaßnahmen für die Versuchsleitung , in welchem die Interviewfragen enthalten sind.</p> <p>Zur angewandten Methodik vgl. Kapitel 7.2 der oben erwähnten Dissertation. Dazu folgende Auszüge aus der Arbeit, die Methodik und Vorgehen eräütern:</p> <ul> <li>"Zur Aufzeichnung der Interviews wurden zwei unterschiedliche, separate und gleichzeitig aufnehmende Settings benutzt: Während ein Rechner, ausgestattet mit t.bone SC 420 und der Windows-eigenen Software Audiorekorder arbeitete, wurde durch einen weiteren Rechner, ausgestattet mit der freien Software Audiomass aufgezeichnet. So sollte sichergestellt werden, dass mindestens eine qualitativ hochwertige Aufnahme erfolgte. Die Interviews wurden anschließend mit der Spracherkennungssystem Whisper von OpenAI automatisiert transkribiert und manuell durch Nadine Cremer nachbearbeitet."</li> <li>"Für die Transkription der Interviews wurde ein einfaches System befolgt, das sich an den Vorschlägen Thorsten Dresings und Thorsten Pehls orientierte. Die Transkription wurde als Arbeitsinstrument begriffen, welches das mündliche Gespräch in Textform wiedergibt, um die aufgestellten Arbeitshypothesen zu überprüfen. Es galt dabei, einen Kompromiss zwischen größtmöglicher inhaltlicher Präzision, der Schaffung eines analysierbaren Textes und einem vertretbaren Zeit- und Arbeitsaufwand zu finden. Da eine inhaltsorientierte Analyse erfolgte, konnte z. B. auf die Erfassung von nonverbaler Kommunikation und Prosodie, d. h. die Erfassung von Satzmelodie, Betonungen usw., verzichtet werden. Die Transkription erfolgte nicht wörtlich, d. h., grammatikalische Fehler wurden stillschweigend verbessert. Wortverschleifungen wurden an das Schriftdeutsch angepasst, Wort- und Satzabbrüche, Dopplungen, Stottern, Verzögerungslaute und Verständnissignale wurden nicht transkribiert. Größere Veränderungen wurden durch Klammern gekennzeichnet. Nonverbale Äußerungen, wie z. B. Lachen, wurden durch Klammern erfasst. Unverständliche Wörter wurden mit (unv.) gekennzeichnet, längere unverständliche Passagen ggf. mit erklärenden Notizen zur Ursache ergänzt. Ein vermuteter Wortlaut wurde mit Klammern und Fragezeichen versehen. Zeitmarken wurden zum Ende jeder beantworteten Frage gesetzt. Die interviewende Person wurde durch ein „I“, die interviewte Person mit dem jeweils zugewiesenen Identifikationscode gekennzeichnet. Nach diesem wurden auch die Audio- beziehungsweise Textdateien abgespeichert. "</li> <li>"In Anlehnung an das von den Soziologen Robert K. Merton und Patricia L. Kendall entwickelte „fokussierte Interview“, welches dazu dienen sollte, die Wirkung von Propagandafilmen zu analysieren, bezogen sich die Interviews mit den Teilnehmer*innen konkret auf den vorher erfolgten Stimulus, d. h. die benutzte VR-Anwendung. Das fokussierte Interview, wie es von Merton & Kendall entwickelt wurde, diente dabei allerdings lediglich als Inspiration, denn die dafür festgelegten vier Kriterien von Nichtbeinflussung, Spezifität, Spektrum und Tiefe lassen sich in der Praxis kaum halten. So ist es etwa in dem gesetzten Zeitrahmen für das Interview von ca. 15 Minuten nicht möglich, alle aufgeworfenen Themen des Leitfadens (Spektrum) ausführlich zu besprechen (Tiefe). Die Fragen hatten zum Ziel, die Reaktionen auf das Gezeigte zu untersuchen, genauer gesagt die Wahrnehmung von Authentizität. In der in Kapitel 6.1 erfolgten Analyse wurden die Inhalte des Stimulus analysiert, um objektive von subjektiven Inhalten zu unterscheiden. Durch die mit den Entwickler*innen der Anwendung geführten Interviews kann zudem ansatzweise zwischen intendierten und unbeabsichtigten Wahrnehmungen unterschieden werden. Die Struktur des Leitfadens beziehungsweise des Interviews bestand deswegen aus vier Phasen: Einer Informationsphase, in der*die Proband*in über die Ziele der Studie und das Anonymisierungsverfahren aufgeklärt wurde und erneut ein Einverständnis eingeholt wurde, sowie auf die Frist eines Widerspruchs der Nutzung der Daten hingewiesen wurde. In der sich anschließenden „Aufwärmphase“, in der die Aufzeichnung des Interviews bereits begonnen hatte, sollte den Interviewten der Einstieg in die Situation mit der Frage nach dem persönlichen Code und einer offenen Frage erleichtert werden. Darauf folgte eine Hauptphase mit 15 Fragen. Dabei konzentrierte sich das Interview ganz auf die subjektive Erfahrung des Erlebten. Diese war inhaltlich in drei Teile untergliedert: Der erste Fragenkomplex beschäftigte sich mit dem Erleben der virtuellen Realität, der zweite mit der Atmosphärenwahrnehmung und der Dritte mit der Wahrnehmung der Erzählung. Auch wenn der Aspekt der Vermittlung von Inhalten im Kontext dieser Arbeit keine Rolle spielte, wurde dies durch die Frage 3a („Was hast Du denn von der Erzählung inhaltlich mitgenommen?“) durch den standardisierten Fragebogen erhoben. Die Frage war aber im Rahmen des Interviews mehr dazu ausgerichtet, die Interviewten auf die Fragen nach der Verknüpfung von Raum und Erzählung vorzubereiten. Antworten der Interviewten zu dieser Frage, die hier dargestellt werden, sind demnach mehr als Impuls für sich daran anschließende Forschungsfragen gedacht. Die Art der Fragen sollte ein möglichst breites Spektrum an Reaktionen ermöglichen, war aber spezifisch auf die individuelle Wahrnehmung der VR ausgerichtet. Das Interview endete mit einem Ausklang, in der das Interview als beendet erklärt und explizit dazu aufgefordert wurde, über das Gesagte zu reflektierenden und ggf. ergänzende Anmerkungen zu machen. Da es sich bei der VR-Erfahrung, beziehungsweise dem Sprechen darüber ggf. auch um eine emotional belastende Thematik handelte, bot der Abschluss der interviewten Person auch einen Übergang zurück in den Alltag."</li> </ul>
User Reviews of nine Social VR applications
<p>These user reviews are collected from nine social VR applications on two digital distributation platforms (Steam and Oculus). All these are in English.</p> <p>Five social VR applications are from Steam: VRChat, Rec Room, PokerStars VR, Altspace, VR, Sansar.</p> <p>Eight social VR applications are from Oculus: VRChat, Rec Room, Echo VR, PokerStars VR, Real VR Fishing, Poker VR, Altspace VR, vTime VR.</p>
Electrophysiological Signals of Embodiment and MI-BCI Training in VR
<p><strong>DATASET DETAILS:</strong></p> <p><strong>Participant demographics:</strong></p> <p>A total of 26 participants were included, consisting of 10 males (mean age 25.4 ± 7.4) and 16 females (mean age 23 ± 3.2). All participants were right-handed, reported normal or corrected-to-normal vision, and had no motor impairments. Three participants had previous experience with BCIs, and five participants used VR more than twice. Participants were randomly assigned to either the embodied group (N=13) or the non-embodied group (N=13), which served as a control. All participants signed an informed consent before participating in the study in accordance with the 1964 Declaration of Helsinki. </p> <p><strong>Experiment Description:</strong></p> <p>A between-subject design was used to investigate the effect of virtual embodiment priming phase on the subsequent motor-imagery training phase in VR. The experiment comprised four main blocks: (1) equipment setup and instructions (45-60 minutes), (2) resting state EEG recording (4 minutes), (3) inducing or breaking the sense of embodiment in VR (5 minutes), and (4) MI training in VR (15 minutes). The entire experiment lasted approximately 90-120 minutes. Directly after block 3, participants answered a questionnaire that measured their subjective sense of embodiment and physical presence.</p> <p><strong>Equipment:</strong></p> <p>A wireless EEG amplifier (LiveAmp; Brain Products GmbH, Gilching, Germany) was used, with 32 active <strong>EEG</strong> electrodes (+3 ACC) with a sampling rate of 500Hz. In addition, <strong>EMG, </strong>and <strong>Temperature</strong> signals (in uV) have been recorded synchronously in a bipolar montage and connected to the EEG amplifier’s AUX input through the Brain Products BIP2AUX adapter.</p> <p>Visual feedback was provided through an Oculus Rift CV1 headset (Reality Labs, formerly Facebook, Inc., CA, USA).<br> </p> <p><strong>Channel Indices:</strong></p> <p><strong>EEG</strong>: 1-32<br> <strong>EMG Left</strong> (AUX1): 33<br> <strong>EMG Right</strong>. (AUX2): 34<br> <strong>Temperature</strong> (AUX3): 35<br> <strong>ACC</strong>: 36-38</p> <p> </p> <p><strong>Event codes:</strong></p> <table> <tbody> <tr> <td><strong>Code</strong></td> <td><strong>Description</strong></td> </tr> <tr> <td>S01</td> <td>Experiment Start</td> </tr> <tr> <td>S02</td> <td>Baseline Start</td> </tr> <tr> <td>S03</td> <td>Baseline Stop</td> </tr> <tr> <td>S04</td> <td>Start Of Trial</td> </tr> <tr> <td>S05</td> <td>Cross On Screen</td> </tr> <tr> <td>S07</td> <td>class1, Left hand </td> </tr> <tr> <td>S08</td> <td>class2, Right hand </td> </tr> <tr> <td>S09</td> <td>Feedback Continuous</td> </tr> <tr> <td>S10</td> <td>End of Trial</td> </tr> <tr> <td>S11</td> <td>End Of Session</td> </tr> <tr> <td>S12</td> <td>Experiment Stop</td> </tr> </tbody> </table> <p> </p> <p><strong>Directory tree:</strong></p> <p>ROOT<br> |<br> +--- GROUP [Control or Embodied]<br> | +---USER #<br> | | +---TASK #<br> | | | +---Resting State<br> | | | | .eeg<br> | | | | .vhdr<br> | | | | .vmrk<br> | | | +---Embodiment<br> | | | | .eeg<br> | | | | .vhdr<br> | | | | .vmrk<br> | | | +---MI<br> | | | | .eeg<br> | | | | .vhdr<br> | | | | .vmrk</p> <p> </p> <p>For demographics and questionnaire data, please contact the authors.</p>
VR Gaming Dataset - Multi-user tests
<p>This virtual reality (VR) gaming dataset includes <strong>Wireshark</strong> traces (.csv) and <strong>ALVR</strong> statistics (.json) for <strong>three users</strong> (Costas, Miguel, Daniele) playing at the same time in a <strong>Wi-Fi 6</strong> network with <strong>one access point</strong> (AP). We used multiple bitrates (50 Mbps, 100 Mbps, 200 Mbps) and multiple configurations (DCF, DL OFDMA, DL/UL OFDMA, DL/UL OFDMA with MU-MIMO). Costas plays <strong>Half-Life: Alyx</strong>, while Miguel and Daniele play <strong>SteamVR Home</strong>. Each configuration includes single-user (SU) results as well, that can be used as a baseline for the multi-user (MU) ones.</p>
VR Cognitive Rehabiliation for Pediatric TBI
ClinicalTrials.gov study NCT04526639. IPD Sharing: YES. Countries: 1. Publications: 1.
ScienceDex guides
Understand access before you commit
These curated guides explain access requirements, typical timelines, costs, and reuse considerations for widely used research datasets.
Allen Brain Atlas
Allen Brain Atlas is an Allen Institute collection of brain map atlases, datasets, APIs, and analysis tools covering mouse, human, and non-human primate brain resources.
Annotated Behaviour and Observability Dataset (ABODe)
ABODe is a University of Edinburgh DataShare dataset for behavior classification in group-housed mice using home-cage video, identities, bounding boxes, ground-plate positions, and annotator labels.
DANDI Archive for NWB datasets
DANDI is a BRAIN Initiative archive for publishing and sharing neurophysiology data, including electrophysiology, optophysiology, and behavioral data packaged as NWB and related standards.
International Brain Laboratory public data
The International Brain Laboratory public data releases expose standardized mouse decision-making experiments, including Neuropixels recordings, widefield calcium imaging, behavior, and session metadata accessed through the ONE API.
OpenNeuro
OpenNeuro is a free, open platform for sharing neuroimaging datasets, with public search, dataset pages, and download paths for web, S3, DataLad, and the OpenNeuro CLI.